Next Best Action (NBA), her müşteri için o an atılabilecek en değerli adımı gerçek zamanlı seçen bir karar yaklaşımıdır. Kredi teklifi mi sunulmalı, bir uyarı mı gitmeli, yoksa hiçbir şey mi yapılmamalı? NBA bu soruyu kural tablolarıyla değil, öğrenen modellerle yanıtlar. 2026’da bankacılığın en çok konuşulan analitik başlıklarından biri olması da boşuna değil. İşin ilginç yanı şu: bir sektör araştırmasında NBA, CDP alıcılarının en çok istediği yapay zeka yeteneği çıktı; içerik üretiminin de, segmentasyonun da önünde.

Bu yazıda NBA’nın ne olduğunu, klasik kampanya yönetiminden nerede ayrıldığını ve arkasındaki karar mimarisini konuşuyoruz.

Next Best Action Nedir?

NBA, müşteri verisini, iş kurallarını ve yapay zekayı birleştirip her birey için en uygun aksiyonu belirleyen bir stratejidir. Buradaki “aksiyon” illa satış olmak zorunda değil. Bir yatırım fırsatını hatırlatmak, kart limitini gözden geçirmeyi önermek, hatta hiçbir teklif yapmamak da geçerli birer aksiyon.

Klasik kampanya yönetiminden ayrıldığı yer tam burası. Eski usulde bir segment tanımlarsın, o segmentteki herkese aynı teklifi yollarsın, sonucu haftalar sonra ölçersin. NBA ise segment yerine bireyle, takvim yerine anla ilgilenir. Müşteri uygulamayı açtığı anda, o bağlamda en anlamlı aksiyon neyse onu tetikler.

Bir örnek işi netleştiriyor. Sık seyahat eden birine yurt dışı avantajlı bir kart önermek mantıklı. Ama aynı müşteri son üç ayda üç kez çağrı merkezini aradıysa, doğru “sonraki aksiyon” bir teklif değil, sorununu çözecek bir yönlendirmedir. NBA bu ayrımı yapabildiği ölçüde değer üretir. Yapamıyorsa, sadece daha hızlı spam gönderen bir sistem olur.

NBA Klasik Öneri Sisteminden Nasıl Ayrılır?

Bir öneri sistemi genelde tek soruya odaklanır: “Bu müşteri hangi ürünü alır?” NBA daha geniş sorar: “Bu müşteri için, bu kanalda, bu anda yapılabilecek en değerli şey ne?”

Fark, kanalı ve zamanlamayı da işin içine katmaktan geliyor. Aynı teklif e-postada işe yaramazken uygulama içi bildirimde dönebilir. NBA “ne önereyim” kadar “nereden ve ne zaman ileteyim” sorusunu da çözer.

Bir katman daha var. İyi kurulmuş bir NBA, aksiyonun uzun vadeli etkisini de gözetir. Bugün tıklama getiren agresif bir teklif, müşteriyi rahatsız edip yarın değerini düşürebilir. Bu dengeyi kurmak, NBA’yı basit bir skor motorundan ayıran şey.

NBA’nın Arkasındaki Karar Mimarisi

Olgun bir NBA programı tek modele değil, birbirini besleyen üç katmana dayanıyor. Sırayla çalışırlar ve her biri farklı bir soruya bakar.

Katman 1: Propensity ve uplift modelleri

İlk katman temel skorlamayı yapar. Propensity modelleri “bu müşteri şu aksiyona ne kadar yatkın?” der. Uplift modelleri bir adım öteye geçer ve aksiyonun asıl etkisini ölçer: müşteri zaten dönecekti de biz mi tetikledik, yoksa gerçekten bir fark mı yarattık?

Bu ayrım kritik. Zaten dönecek bir müşteriye teklif göndermek para yakmaktır. Asıl kazanç, ancak müdahaleyle harekete geçecek kesimi bulmakta.

Katman 2: Contextual bandit ile gerçek zamanlı karar

İkinci katman, pekiştirmeli öğrenme temelli bir contextual bandit. Sistem müşterinin bağlamını görür (davranış, cihaz, zamanlama), bir aksiyon seçer, kısa süre sonra bir ödül sinyali alır: tıklama, dönüşüm, uygulama açılışı.

Bandit’in gücü keşif–sömürü dengesini yönetmesinde. Bilinen kazançlı aksiyonu tekrarlamakla yeni seçenekleri denemek arasında sürekli ayar yapar. Böylece sistem tek bir “kazanan” teklife saplanmaz, yeni sinyalle kararını canlı günceller. Bugün teknoloji şirketlerinin öneri sistemlerinde yaygın; giderek kurumsal pazarlamaya da giriyor.

Katman 3: Agentic AI ve bileşik akıl yürütme

Üçüncü katman en yenisi. Foundation model tabanlı ajanlar tek aksiyon seçmenin ötesine geçip birden fazla adımı zincirliyor. Bir varlık yönetimi senaryosunda AI copilot portföy incelemesini yapıp bir sonraki aksiyon önerisini hazırlıyor, danışman da zamanını müşterinin gerçek hedeflerine ayırıyor.

Üçünü birlikte düşünmek gerek. Sadece propensity skoruyla çalışan sistem statik kalır; sadece bandit’e güvenen sistem uzun vadeli stratejiden kopar. Değer, katmanların birbirini beslemesinde.

Bankacılıkta NBA Nasıl Değer Üretir?

Türkiye’de bankaların çoğu dolandırıcılık tespitinden sanal asistanlara kadar pek çok alanda yapay zeka kullanıyor. Kişiselleştirme de bu tablonun ortasında. Yapay zeka destekli sistemler harcama alışkanlığına göre bütçe önerebiliyor, bir kredi ihtiyacını müşteri fark etmeden haftalar önce sezebiliyor.

NBA’yı devreye alan kurumlarda kazanç tek bir kampanyadan gelmiyor; sürekli öğrenen bir karar altyapısından geliyor, sistem her yeni ödül sinyaliyle biraz daha isabetli hale geliyor.

Ama başarı büyük ölçüde veriye bağlı. Gerçek zamanlı karar için müşteri sinyallerinin anlık akması, modellerin izlenebilir ve yeniden eğitilebilir olması, aksiyon–ödül döngüsünün temiz kaydedilmesi gerekiyor. Çoğu NBA projesinin gerçek darboğazı model doğruluğu değil; kararı besleyen verinin zamanında ve güvenilir gelmesi.

Nereden Başlamalı?

NBA’ya geçiş tek adımda olmuyor. En sağlıklı yol dar bir senaryoyla başlamak: tek kanal, ölçülebilir tek aksiyon, net bir ödül tanımı. Propensity ve uplift katmanı oturduktan sonra contextual bandit ile gerçek zamanlı katman ekleniyor; agentic yapılar altyapı olgunlaştığında devreye giriyor.

GTech olarak Symphony Sense ve Analytics çözümlerimizle bankaların bu karar altyapısını uçtan uca kurmasına destek oluyoruz. Doğru sonraki aksiyon, ancak doğru veri temelinin üzerine oturduğunda anlamını buluyor.

Kaynakça

CDP.com: Next Best Action
BCG: The Science Behind Next-Best Action Programs
Braze: Contextual Bandits
Backbase: AI in banking 2026

Hazırlayan: GTech Veri Bilimi Ekibi

The post Next Best Action Nedir? Bankacılıkta Bir Sonraki En İyi Aksiyonu Belirleyen AI appeared first on GTech.

Ders kitabı tanımı bu kadar, ve bu konudaki çoğu yazı da tam burada bitiyor. Formül beş dakikada öğretilebilecek kadar basit. Onu gerçek bir müşteri tabanına, özellikle bankacılık ya da fintek alanında uygulamak ise işin asıl ilginç kısmı.

CLV (Müşteri Yaşam Boyu Değeri) Nedir?

CLV, çeyreklik gelirin cevaplayamadığı bir soruyu cevaplar: bu müşteri, onu kazanmak için harcanan paraya gerçekten değiyor mu? Bir kere 4.000 TL’lik alışveriş yapan bir müşteri, dört yıl boyunca ayda 1.000 TL harcayacak bir müşteriyle CLV hesaplanana kadar birebir aynı görünür. Hesaplama yapıldığı anda ikincisinin yaklaşık on iki kat daha değerli olduğu ortaya çıkar.

CLV’nin neredeyse her büyüme toplantısında müşteri edinme maliyetinin (CAC) yanında anılmasının nedeni de bu. CAC size ne harcadığınızı söyler. CLV ise karşılığında ne aldığınızı. İkisi birbirinden ayrı pek bir anlam ifade etmez.

Temel CLV Formülü

Formülün standart versiyonu üç girdiden oluşur:

CLV = Ortalama Satın Alma Değeri × Satın Alma Sıklığı × Müşteri Yaşam Süresi

Gerçek rakamlarla nasıl göründüğüne bakalım:

Ortalama satın alma değerini sıklıkla çarptığınızda yıllık müşteri değerini bulursunuz, bu örnekte 10.000 TL. Bunu yaşam süresiyle çarptığınızda CLV’ye ulaşırsınız. E-ticaret, SaaS ve perakende işletmelerinin yıllardır kullandığı mantık bu, ve başlangıç noktası olarak gayet iş görüyor.

Temel Formül Nerede Yetersiz Kalıyor

Formül, her müşterinin ortalama bir müşteri gibi davrandığını varsayıyor. Gerçek müşteriler öyle davranmıyor. On yıl boyunca yılda bir kez alışveriş yapan biriyle altı ay boyunca haftada bir alışveriş yapan biri, aynı ortalama satın alma sıklığını üretebilir; oysa ikisinin temsil ettiği değer ve risk tamamen farklıdır.

Formül ayrıca müşteri yaşam süresini bilinen bir sayı olarak ele alıyor, halbuki bu tahmin edilmesi en zor kısım. Paranın zaman değerini de tamamen görmezden geliyor. Beş yıl sonraki bir liralık kâr, bugünkü bir lira ile aynı değerde değildir; ama temel formül gelecekteki nakit akışlarını iskonto etmediği için uzun ilişkilerde CLV’yi olduğundan yüksek gösterme eğiliminde.

Banka ya da fintek için işler daha da karmaşıklaşıyor. Bir vadesiz hesap müşterisinin tek bir satın alma sıklığı yok. Mevduatı, para çekmesi, konut kredisi başvurusu, kredi kartı talebi ve destek çağrısı var; hepsi farklı ritimlerde, bazen yıllar arayla gerçekleşiyor. Temel formül, tek ürünlü ve düzenli aralıklarla tekrarlanan satın alma örüntüleri için tasarlanmıştı. Bankacılık ilişkileri bunların hiçbiri değil.

Öngörülü CLV Modelleri: Daha Doğru Bir Yaklaşım

Bir pazarlama 101 dersini gerçek bir veri ekibinin üretime alabileceği bir şeyden ayıran kısım tam olarak burası.

BG/NBD ve Gamma-Gamma

Kısaca BG/NBD olarak anılan Beta-Geometrik/Negatif Binom Dağılımı modeli, Peter Fader, Bruce Hardie ve Ka Lok Lee tarafından 2005 yılında, Pareto/NBD adlı daha eski bir modele göre uygulaması daha kolay bir alternatif olarak tanıtıldı. Sabit bir satın alma sıklığı varsaymak yerine, her müşterinin alışveriş örüntüsünü ve ilişkiyi bırakma olasılığını müşteri tabanı genelinde rastgele dağılmış olarak ele alır; ardından belirli bir müşterinin hâlâ “aktif” olma ihtimalini ve ondan beklenen işlem sayısını tahmin eder.

BG/NBD yalnızca işlem sayısını tahmin eder. Gamma-Gamma adlı tamamlayıcı bir model ise bu gelecekteki işlemlerin her birinin ne kadar değerinde olacağını tahmin eder. İkisini bir araya getirdiğinizde, tek bir şirket ortalaması yerine gerçek satın alma geçmişine dayanan bir CLV tahmini elde edersiniz.

Her iki model de aboneliğin, müşterinin ne zaman ayrıldığını size söylemediği sözleşmesiz ilişkiler için tasarlandı. Bu tanım, çoğu perakende bankacılık ilişkisini oldukça iyi karşılıyor: bir müşteri, hesabını hiç resmen kapatmadan işlem yapmayı bırakabilir.

Makine Öğrenmesi Nerede Devreye Giriyor

BG/NBD ve Gamma-Gamma, sınırlı veriyle iyi çalışır ve teknik olmayan bir paydaşa anlatılması kolaydır; bu, insanların kabul ettiğinden daha önemli bir avantajdır. Özellikle gradient boosting ve sinir ağı yaklaşımları başta olmak üzere makine öğrenmesi modelleri, yeterli geçmiş veri olduğunda ve olasılıksal modellerin doğrudan ele alamadığı değişkenleri (kanal, ürün karması, kredi skoru, şube konumu, kampanya yanıt geçmişi) modele katmak istediğinizde bu iki modelin önüne geçebilir.

Ödünleşim her zamanki gibi: daha fazla değişken ve esneklik, daha az yorumlanabilirlik. Bir müşteriyi yüksek riskli olarak işaretleyen bir churn modeli, özellikle düzenlemeye tabi bir sektörde, birinin nedenini açıklayabilmesi durumunda gerçekten işe yarar. Bu, finansal hizmetlerde öngörülü analitiğe doğru daha geniş bir kaymanın parçası; makine öğrenmesi giderek statik, kural tabanlı skorlama yaklaşımlarını tamamlıyor ya da yerini alıyor.

Bankacılık ve Fintekte CLV Farklı Görünür

CLV içeriklerinin çoğu, bir müşterinin genellikle tek bir ürünü ve tek bir satın alma örüntüsü olduğu e-ticaret ve SaaS için yazılıyor. Finansal hizmet müşterileri nadiren bu şekilde çalışır. Tek bir perakende bankacılık müşterisi; her biri kendi marjı, risk profili ve churn davranışıyla, bir tasarruf hesabı, bir konut kredisi ve bir kredi kartı tutabilir.

Bankaların CLV’yi tek başına bir metrik olarak ele almak yerine daha geniş müşteri analitiğinin içine yerleştirme eğiliminde olmasının nedeni de bu. Örneğin GTech’in Symphony Analytics platformu, müşterileri sadece bakiyeye göre değil, kayıp riskine göre skorlayıp davranışa göre kümeliyor; bu da tek bir ortalama satın alma formülünün asla ulaşamayacağı gerçek bir yaşam boyu değer resmine daha çok yaklaşıyor. Bank of Kigali’nin yakın zamandaki veri altyapısı kurulumu, bunun gerçek dünyadan işe yarar bir örneği: önce kredi, müşteri ve mevduat verisini birleştirmek, sonra segmentasyon ve kişiselleştirmeyi bunun üzerine inşa etmek.

Bunların hiçbiri CLV kavramından vazgeçmeyi gerektirmiyor. Sadece formüldeki “müşterinin” aslında bir ürün demeti olduğu ve modelin bunu yansıtması gerektiği anlamına geliyor.

CLV vs. CAC: Asıl Önemli Olan Oran

Sıkça anılan bir kural, CLV ile CAC arasında 3:1 oranıdır; yani bir müşteri, onu kazanmak için harcanan tutarın en az üç katı değerinde olmalıdır. Bunun altında büyüme, sürdürmesi pahalı bir hâle gelir. Çok üzerinde ise muhtemelen müşteri edinmeye yeterince yatırım yapmıyor ve masada büyüme bırakıyorsunuzdur.

Oran, tek başına iki sayıdan daha kullanışlıdır. 100.000 TL’lik bir CLV, CAC’in 80.000 TL olduğunu öğrenene kadar harika görünür.

Müşteri Yaşam Boyu Değeri Nasıl Artırılır?

Elde tutma burada en yüksek kaldıraçlı araç, ve ekonomisi de genelde tekrarlanan sektör geneli istatistiğin ima ettiğinden çok daha somut. Bunun arkasındaki orijinal araştırma, Reichheld ve Sasser’in 1990 tarihli Harvard Business Review çalışması, müşteri kaybetme oranındaki yalnızca %5’lik bir azalmanın, spesifik olarak bir bankanın şube ağında kârı %85 artırdığını ortaya koydu; bu her sektör için geçerli evrensel bir kural olarak değil (Reichheld & Sasser, HBR 1990). CLV üzerine düşünen bir banka için bu, her yerde dolaşan abartılı “herkes için %25-95” versiyonundan çok daha isabetli bir rakam.

Elde tutmanın ötesinde, CLV’yi pratikte hareket ettiren üç kaldıraç var:

1. Çapraz satış ve sıradaki en iyi aksiyon. Genel bir segment yerine gerçek davranışa dayanarak doğru ürünü doğru müşteriye doğru zamanda önermek, edinme maliyetini artırmadan satın alma sıklığını yükseltir.

2. Erken churn tespiti. Risk altındaki bir müşteriyi ayrılmadan üç ay önce yakalamak, elde tutma ekibine harekete geçecek zaman kazandırır. Hesabı kapattığı hafta yakalamak kazandırmaz.

3. Segmente özel kişiselleştirme. Yüksek sıklıklı, düşük marjlı bir müşteriyle düşük sıklıklı, yüksek marjlı bir müşteriyi aynı şekilde ele almak, pazarlama harcamasını her ikisinde de israf eder.

Sıkça Sorulan Sorular

İyi bir müşteri yaşam boyu değeri nedir?

Evrensel bir sayı yok. Önemli olan CLV/CAC oranı; 3:1’in altındaki bir oran genellikle göründüğünden daha pahalı bir büyüme modeline işaret eder.

CLV, LTV’den farklı mı?

İkisi de aynı metrik. LTV, SaaS ve abonelik işletmelerinde daha yaygın kullanılan kısaltma; CLV ise perakende ve finansal hizmetler yazınında daha sık karşımıza çıkıyor.

CLV, churn’ü tahmin edebilir mi?

Doğrudan değil, ama ikisi yakından bağlantılı. BG/NBD gibi öngörülü CLV modelleri, yan ürün olarak her müşteri için bir “aktif olma olasılığı” üretir; bu da fiilen bir churn sinyalidir.

CLV ne sıklıkla yeniden hesaplanmalı?

Satın alma davranışı hızlı değişen işletmeler için üç ayda bir makul. Çoğu bankacılık ürünü gibi yavaş ilerleyen ilişkilerde ise yılda bir yeterli olur; churn skorlaması arada daha sık çalıştırılabilir.

Hazırlayan: GTech Veri Bilimi Ekibi

The post Müşteri Yaşam Boyu Değeri (CLV): Formül ve Öngörülü Modeller appeared first on GTech.

Bir müşteri hesabını kapatmadan bankasını neredeyse tamamen terk edebilir. Maaşı başka bir bankaya taşınır, tasarrufu bir fintech uygulamasına kayar, kredi kartı harcamaları rakip bir bankanın kartına geçer, ama o eski hesap, birkaç yüz liralık bakiyesiyle sistemde açık kalmaya devam eder. Bankacılık sektöründe buna sessiz churn (silent attrition) deniyor: müşterinin hesabını resmen kapatmadan bankayla olan ekonomik ilişkisini fiilen sonlandırması. Raporlanan churn rakamlarının büyük kısmı bunu görmüyor.

Bu davranış, klasik “müşteri hesabını kapattı” tanımına uymadığı için standart raporlarda kayıp olarak görünmez. Ama gelir tablosuna etkisi gerçek: bakiyeler küçülür, işlem hacmi düşer, çapraz satış fırsatları kaybolur. Bu yazıda sessiz churn’ün ne olduğuna, bankaların onu neden gözden kaçırdığına, hangi sinyallerle tespit edilebileceğine ve bunun bir skorlama pratiğine nasıl dönüştürülebileceğine bakıyoruz.

Sessiz Churn Nedir?

Açık churn (explicit churn) net bir olaydır: müşteri hesabını kapatır, kartını iptal eder, formu imzalar. Ölçmek kolaydır çünkü sistemde tarihli, tek bir işlemdir. Bir bankanın CRM’inde bu olay anında görünür, raporlanır, aylık churn oranına eklenir.

Sessiz churn tamamen farklı çalışır. Müşteri ilişkiyi resmen sonlandırmaz, sadece küçültür. Maaş hesabı başka bankaya taşınır ama eski hesap bakiye tutmak için açık bırakılır. Yatırım ürünleri bir fintech’e kayar. Kredi kartı harcaması rakip bir karta geçer. Geriye kalan, sistemde “aktif” görünen ama ekonomik olarak boşalmış bir hesap ilişkisidir. Örnek olarak, geçmişte maaş hesabı, kredi kartı ve yatırım hesabı olan bir müşterinin, birkaç yıl içinde geriye sadece küçük bir bakiye tutan pasif bir vadesiz hesap bırakması; bu kavramsal bir senaryo, ama sektör kaynaklarında sık tekrarlanan bir örüntüye karşılık geliyor.

Sektörde bu davranışa bazen “sessiz switching” ya da doğrudan “sessiz churn” de deniyor; İngilizce kaynaklarda en sık kullanılan terim silent attrition. Ortak nokta hep aynı: müşteri hâlâ “aktif müşteri” sayılırken, bankayla olan ekonomik ilişkisi çoktan zayıflamış oluyor. Hesap açık, ama ilişki fiilen bitmiş.

Açık churn tek bir olaydır; sessiz churn aylara yayılan bir süreçtir.

Bankalar Bunu Neden Gözden Kaçırıyor?

Sorunun kökü, ölçüm yöntemi. Bankaların çoğu churn’ü tek bir toplu (blended) oranla takip ediyor: dönem içinde kapanan hesap sayısı bölü toplam hesap sayısı. Standart formül şu: (dönem içinde kaybedilen müşteri sayısı / dönem başındaki toplam müşteri sayısı) x 100. Bu hesap, sadece hesabını fiilen kapatan müşterileri sayıyor; bakiyesi eriyen ama hesabı açık bırakan müşteri payda dışında kalıyor.

Bu toplu bakış, kohort bazındaki farklılıkları da maskeliyor. Genç müşteri segmentleri bankalarını çok daha aktif şekilde sorguluyor ve alternatif değerlendiriyor; yaşlı kohortlar ise toplam oranı sabit tutuyor. Sonuç, yönetim panosunda “her şey normal” görünürken, en değerli büyüme segmentinde ciddi bir kayma yaşanabiliyor.

İkinci sorun, verinin nerede durduğu. Hesap açık kaldığı sürece çoğu CRM ve raporlama sistemi o müşteriyi “aktif” olarak işaretlemeye devam eder. Bakiyenin düşmesi, işlem sıklığının azalması, dışarıya düzenli para transferi gibi sinyaller ayrı ayrı tablolarda durur; birleştirilip yorumlanmadıkça hiçbir alarm tetiklenmez. Kredi ekibi bir tabloya, dijital kanal ekibi başka bir tabloya, şube operasyonu üçüncü bir tabloya bakar; hiçbiri tek başına resmin bütününü görmez.

Üçüncü sorun ise organizasyonel. Sessiz churn, tanım olarak hiçbir departmanın “sorumluluğunda” değildir; hesap kapanmadığı için kayıp/elde tutma ekibinin radarına girmez, bakiye küçüldüğü için de satış ekibinin önceliği olmaz. İki ekip arasındaki bu boşluk, sorunun yıllarca fark edilmeden büyümesine izin verir.

Rakamlar Ne Söylüyor?

Sektör verileri, bankacılıkta yıllık müşteri kaybının %15 ile %25 arasında değiştiğini gösteriyor; ilk altı ayı geçmemiş hesaplarda bu oran üç katına kadar çıkabiliyor. Bu rakamlar ABD pazarına ait ve yalnızca fiilen kapanan hesapları kapsıyor; dormant hesaplar da dahil edilse tablo muhtemelen daha da kötü görünürdü.

Etkisi somut bir örnekle daha net anlaşılıyor: 50 milyar dolarlık aktif büyüklüğe sahip bir ABD bankasında, churn oranındaki her 1 puanlık artış yıllık net faiz gelirinde yaklaşık 12 milyon dolarlık kayba karşılık gelebiliyor. Türkiye ölçeğine indirildiğinde bile, orta ölçekli bir bankanın bilançosunda bu tür bir kaymanın bütçe planlamasını doğrudan etkileyeceği açık; oranlar farklı olsa da mekanizma aynı: küçülen bakiye, düşen faiz geliri, kaybedilen çapraz satış potansiyeli.

Bir bankacılık danışmanının anlattığı tek bir vaka, meselenin büyüklüğünü daha iyi gösteriyor. 10 milyar dolarlık bir ABD kurumunda yapılan analizde, müşterilerin %64’ünün, bankanın da sunduğu bir ürün kategorisinde başka bir kurumda hesabı olduğu görülmüş; bu grubun %30’undan fazlasının üç veya daha fazla mevduat ilişkisi başka yerde bulunmuş. İşlem verisine bakıldığında, müşterilerin %37’sinin her ay düzenli olarak rakip bir kuruma para transferi yaptığı ortaya çıkmış (bir fatura ödemesi değil, doğrudan bir fon transferi). O kurumun raporlanan churn oranı %3’ün altındaymış; gerçek sessiz churn ise bundan kat kat büyükmüş. Bu, tek bir kurumun kendi verisiyle yaptığı bir analiz olduğu için genellenebilir bir sektör ortalaması değil; ama yöntem, başka bankalar için de tekrarlanabilir bir model sunuyor: mevcut ürün kategorilerinde harici ilişkileri ve düzenli dışa transferleri taramak.

Hangi Sinyallere Bakmalı?

Sessiz churn’ü yakalamak için özel bir teknoloji şart değil; bankanın zaten topladığı işlem verisine doğru soruları sormak gerekiyor. Pratikte işe yarayan sinyaller şöyle sıralanabilir.

Ortalama bakiye trendi. Tek bir düşük ay değil, birkaç aya yayılan sürekli düşüş; özellikle maaş/düzenli gelir girişi kesildiyse bu daha güçlü bir sinyaldir.

Dışa doğru düzenli transferler. Fatura ya da alışveriş ödemesi değil, düzenli aralıklarla aynı harici hesaba yapılan transferler. Bu davranış, o paranın başka bir kurumda tutulmaya başladığının en güçlü göstergesidir.

Ürün kullanımının daralması. Bir müşteri geçmişte kredi kartı, yatırım hesabı ve mevduat kullanıyorken, geriye sadece pasif bir vadesiz hesap kalması.

Dijital etkileşimin azalması. Mobil uygulama girişlerinin sıklığının düşmesi ya da belirli bir eşiğin (örneğin 60-90 gün) altına inmesi, özellikle diğer sinyallerle birlikte göründüğünde anlamlı hale gelir.

Çözülmemiş şikayetler. Bir şikayetin ardından kısa süre içinde işlem hacminde düşüş görülmesi, o şikayetin gerçekten çözülmediğinin dolaylı bir kanıtı olabilir.

Kohort bazlı kırılım. Genç, dijital-öncelikli segmentlerde, toplu ortalamadan çok daha yüksek çıkan sorgulama ve karşılaştırma davranışı.

Bu sinyallerin hiçbiri tek başına kesin bir kanıt değil. Bir müşterinin bakiyesi bir ay düşebilir, tek seferlik büyük bir harcama yapabilir, uygulamayı tatildeyken az kullanabilir. Ama aynı anda üç dört sinyal görülen bir müşteri, resmi churn tanımına henüz girmemiş olsa bile, aktif müdahale gerektiren bir risk profiline giriyor demektir.

Altı sinyalin hiçbiri tek başına yeterli değil; birlikte okunmaları gerekiyor.

Churn Riski ile Churn Oranı Aynı Şey Değil

Bu noktada bir terim karışıklığına da değinmek gerekiyor. Churn oranı, geçmişe bakan bir ölçüdür: belirli bir dönemde kaybedilen müşteri yüzdesini gösterir. Churn riski ise ileriye bakan bir tahmindir: bir müşterinin gelecekte churn edip etmeyeceğine dair bir olasılık skorudur. Sessiz churn tartışmasının kalbi tam da burada: bir banka sadece geçmişe bakan oranı takip ederse, henüz hesabını kapatmamış ama riski yüksek olan müşteriyi göremez. Riski öne çekmek, yukarıda sayılan davranışsal sinyalleri bir skora dönüştürmek demektir.

Grafik Analitiği Gerekli mi?

Sektördeki bazı yorumlar, sessiz churn’ü yakalamanın yolunun grafik analitiğine (graph analytics) geçmekten geçtiğini savunuyor: müşteri, ürün, kanal ve etkileşim verisini bir ilişki ağı olarak modelleyip standart tablo analitiğinin göremediği bağlantıları ortaya çıkarmak. Karmaşık, çok kurumlu ilişki örüntülerini haritalamak için bu yaklaşımın gerçek bir katkısı var; özellikle kurumsal/ticari bankacılıkta, bir şirketin birden çok banka ile karmaşık ilişkiler kurduğu durumlarda.

Ama perakende bankacılığın büyük kısmı için bu bir ön koşul değil. Yukarıda sayılan sinyallerin çoğu, zaten var olan işlem verisi bir veri ambarında doğru şekilde modellenip davranışsal göstergeler eklendiğinde, ayrı bir grafik veritabanı katmanı kurulmadan da tespit edilebilir. Asıl kritik nokta, verinin dağınık tablolarda kalmaması; tek bir tutarlı katmanda birleşip düzenli olarak skorlanması. Grafik analitiği, çok karmaşık kurumsal müşteri ağları için sonraki bir adım olabilir, ama başlangıç noktası değil. Çoğu banka için öncelik, önce mevcut DWH/BI altyapısındaki dağınık sinyalleri birleştirmek olmalı.

Skorlama Pratiğine Dönüştürmek: Dört Adım

Sinyalleri tespit etmekle bunları operasyonel bir sürece dönüştürmek farklı şeyler. Pratikte dört adımlı bir yaklaşım işe yarıyor.

Birinci adım, veri birleştirme. Bakiye, işlem, dijital kanal ve şikayet verisinin aynı katmanda, aynı müşteri kimliği altında görünür olması gerekiyor. Bu adım genellikle en çok zaman alan ama en kritik olanı, çünkü sonraki hiçbir analiz dağınık veriyle sağlıklı çalışmaz.

İkinci adım, davranışsal göstergelerin tanımlanması. Yukarıdaki altı sinyal bir başlangıç noktası olabilir; her banka kendi müşteri tabanına göre eşik değerlerini (örneğin “%20 bakiye düşüşü” ya da “90 gün girişsizlik”) kalibre etmeli.

Üçüncü adım, skor eşiği ve önceliklendirme. Her sinyal ayrı ayrı değil, birlikte değerlendirilmeli; birden fazla sinyalin aynı anda görüldüğü müşteriler önceliklendirme listesinin başına çıkmalı.

Dördüncü adım, aksiyonun tetiklenmesi. Skor belirli bir eşiği geçtiğinde, bu bilginin CRM’e veya kampanya yönetim sistemine otomatik olarak düşmesi gerekiyor; aksi halde tespit, hiçbir zaman bir müdahaleye dönüşmeyen bir rapor olarak kalır.

Tespit ile aksiyon arasındaki boşluğu kapatan dört adım.

Kısa Bir Senaryo: Skorlama Pratikte Nasıl Görünür?

Yukarıdaki dört adımın nasıl işlediğini görmek için kurgusal bir örnek üzerinden gidelim: bu, gerçek bir müşteri verisi değil, kavramsal bir senaryo.

Bir bankanın müşterisi olan Ayşe Hanım’ı ele alalım. Üç yıl önce maaş hesabı, bir kredi kartı ve küçük bir yatırım hesabı bulunuyordu. Son sekiz ayda üç şey değişti: maaş girişi hesaba düzenli olarak düşmeye devam etti, ama her ayın başında sabit bir tutar başka bir bankaya transfer edilmeye başladı; yatırım hesabındaki bakiye sıfırlandı; mobil uygulamaya giriş sıklığı ayda on kereden iki kereye düştü.

Tek başına bakıldığında bu değişikliklerin her biri makul bir açıklaması olabilir: belki yatırımını başka bir araca kaydırdı, belki uygulamayı daha az kullanıyor çünkü işlemlerini şubede hallediyor. Ama üç sinyal birlikte değerlendirildiğinde (düzenli dışa transfer, ürün kullanımının daralması, düşen dijital etkileşim) ortaya çıkan tablo, Ayşe Hanım’ın bankayla olan ekonomik ilişkisini kademeli olarak başka bir kuruma taşıdığına işaret ediyor. Hesabı hâlâ açık, kartı hâlâ aktif; resmi churn tanımına hiç girmeyecek. Ama skorlama modeli bu üç sinyali birleştirip bir eşiğin üzerine çıkardığında, ilgili ekip bu müşteriyle iletişime geçip elde tutmaya yönelik bir teklif sunma şansına sahip oluyor; hesap kapandıktan sonra bu şans zaten yok.

Bu örnek, sinyallerin neden tek tek değil birlikte okunması gerektiğini gösteriyor. Aynı zamanda neden otomasyonun şart olduğunu da gösteriyor: bir analist, binlerce müşterinin işlem geçmişini elle tarayıp bu türden örüntüleri fark edemez; bunu sistematik hale getiren bir skorlama katmanı gerekiyor.

Türkiye ve Fin Pazarları İçin Ne Anlama Geliyor?

Türkiye’de dijital bankacılık uygulamalarının ve fintech alternatiflerinin hızla yaygınlaşması, mevduat ve harcama ilişkisinin parçalanma riskini artırıyor. Bir müşterinin ana bankasında maaş hesabını tutarken, tasarruf ya da yatırım işlemlerini ayrı bir uygulamaya kaydırması artık teknik olarak çok daha kolay; bu da sessiz churn’ün önümüzdeki dönemde daha sık görülen bir örüntü haline gelme olasılığını yükseltiyor.

Finlandiya gibi dijital bankacılığın çok daha köklü olduğu pazarlarda ise tablo tam tersinden okunabilir: müşteriler onlarca yıldır aynı bankada kalmaya eğilimli, ama paralelinde birden fazla dijital sağlayıcıyla ilişki kurmaları da normalleşmiş durumda. Her iki pazarda da ortak payda aynı: hesabın açık kalması, ilişkinin sağlıklı olduğu anlamına gelmiyor. Ölçüm metodolojisi bunu yakalayacak şekilde kurulmadıkça, iki pazarda da aynı kör nokta oluşuyor.

Ne Yapılmalı?

Tespit tek başına yeterli değil, sinyali aksiyona çevirmek gerekiyor. Sektörde işe yaradığı görülen yaklaşımlar dört başlıkta toplanabilir.

Birincisi, ödül ve sadakat programlarını sadece bakiyeye göre değil, etkileşime göre tasarlamak. Bir müşteriyi yalnızca “yüksek bakiye” üzerinden ödüllendirmek, bakiyesi zaten kayan bir müşteriyi fark etmeyi geciktirir.

İkincisi, şikayet ve geri bildirim kanallarını çözülmemiş sorunların erken uyarı sistemi olarak kullanmak. Bir müşteri şubede ya da çağrı merkezinde şikayet ettiğinde, bu genellikle sessiz churn sürecinin görünür hale geldiği ilk andır; sorun bu noktada çözülmezse müşteri sessizce uzaklaşmayı seçiyor.

Üçüncüsü, raporlamayı toplu orandan kohort bazlı panoya taşımak. Genç, dijital-öncelikli ve yeni açılmış hesap segmentlerini ayrı izlemek, toplu ortalamanın gizlediği erken uyarıları görünür kılıyor.

Dördüncüsü, tespit ile aksiyon arasındaki süreyi kısaltmak. Bir müşteri risk skorunda üst sıraya çıktığında, ilgili ekibe bilginin günler içinde değil, mümkünse gerçek zamanlı ya da haftalık döngüde ulaşması gerekiyor; aradaki gecikme ne kadar uzarsa, müdahale şansı o kadar azalıyor.

Kapanış

Sessiz churn, bankacılıkta görünmeyen ama gerçek bir gelir kaybı kaynağı. Sorunun büyüklüğü tahmin edilenden fazla olabilir, çünkü standart churn metrikleri onu yapısal olarak göremiyor. Çözüm, yeni bir teknoloji kategorisi kurmaktan değil, zaten toplanan işlem verisini doğru sinyallerle okuyan bir veri altyapısından geçiyor. GTech Symphony Analytics’in Öngörülü Kayıp (Churn) Yönetimi modülü, bu tür davranışsal riskleri hesap kapanmadan önce skorlayarak bankalara proaktif müdahale için zaman kazandırıyor.

Sessiz churn’ü yönetmek isteyen bir banka için ilk adım yeni bir araç satın almak değil, mevcut veri kaynaklarının nerede durduğunu haritalamak. Bakiye, işlem, dijital kanal ve şikayet verisi zaten toplanıyor; eksik olan genellikle bu verilerin birbiriyle konuşacağı ortak bir katman. Bu katman kurulduğunda, yukarıda anlatılan sinyaller otomatik olarak akmaya başlıyor ve elde tutma ekipleri artık hesap kapandıktan sonra değil, kapanmadan önce devreye girebiliyor. Kısacası, sessiz churn bir teknoloji sorunu değil, öncelik sorunu; önceliği doğru yere koyan bankalar, bu görünmeyen kaybı görünür hale getirmeyi başarıyor.

İlgili GTech kaynağı: Symphony Analytics: Öngörülü Kayıp (Churn) Yönetimi

İlgili GTech kaynağı: Veri Bilimi Nedir, Veri Bilimi Teknikleri Nelerdir?

Kaynakça

Parloa, 8 bank churn reduction strategies that work in 2026

Bank Director, Patching Your Leaky Bucket: How Banks Can Address Silent Churn (19 Mart 2024)

The Financial Brand, How to Uncover Hidden Pain Points that Cripple Customer Retention (28 Kasım 2025)

Banking Transformed podcast (Evergreen Podcasts), The Silent Attrition Crisis in Banking (8 Mayıs 2026)

PriceWeber, Silent Attrition: 5 Ways Primary Banks Can Combat the Threat (21 Ekim 2025)

The Financial Brand, Acting on ‘Silent Attrition’ Is Key to Customer Loyalty in Banking (24 Nisan 2023)

Hazırlayan: GTech Veri Bilimi Ekibi

The post Sessiz Churn: Hesap Kapanmadan Kaybedilen Müşteriler appeared first on GTech.

Generatif yapay zeka (GenAI), metin, görsel, ses, video veya kod gibi yeni içerikler üretebilen yapay zeka sistemlerine verilen addır. Üç yıl önce üretken yapay zeka çoğu şirket için merak konusuydu. Bugün McKinsey’nin Kasım 2025 tarihli Küresel Yapay Zeka Araştırması’na göre şirketlerin %88’i en az bir iş fonksiyonunda düzenli olarak yapay zeka kullanıyor; bir yıl önce bu oran %78’di. Bu yazıda generatif yapay zekanın ne olduğunu, teknik olarak nasıl çalıştığını, şirketlerin bugün nerede kullandığını, 2026’nın gündemine oturan yapay zeka ajanlarını ve beraberinde gelen düzenleyici yükümlülükleri ele alıyoruz.

Generatif Yapay Zeka (GenAI) Nedir?

Generatif yapay zeka, metin, görsel, ses, video veya kod gibi yeni içerikler üretebilen yapay zeka sistemlerine verilen addır. Klasik yapay zeka uygulamalarının çoğu sınıflandırma ve tahmin yapar: bir işlemin sahte olup olmadığını söyler, gelecek ayın talebini öngörür. Generatif yapay zeka ise öğrendiği örüntülerden yola çıkarak daha önce var olmayan bir çıktı üretir.

Alanın kökeni derin öğrenmeye dayanıyor. 2014’te Ian Goodfellow ve arkadaşlarının tanıttığı Üretken Çekişmeli Ağlar (Generative Adversarial Networks, GAN), birbiriyle yarışan iki model kullanarak gerçekçi içerik üretmenin önünü açtı. Bugünkü büyük dil modellerinin temeli ise 2017’de yayımlanan “Attention Is All You Need” makalesiyle tanıtılan transformer mimarisidir.

Generatif Yapay Zeka ile Klasik Yapay Zeka Arasındaki Fark Nedir?

Bu ayrım pratikte önemli: klasik bir modelin hatası ölçülebilir bir yanlış tahmindir, generatif bir modelin hatası ise kendinden emin biçimde yazılmış yanlış bir cümledir.

Generatif Yapay Zeka Nasıl Çalışır?

Büyük dil modelleri ve transformer mimarisi

Büyük dil modelleri (LLM), transformer mimarisi üzerine kurulur. Bu mimarinin getirdiği temel yenilik, dikkat (attention) mekanizması sayesinde bir kelimenin cümledeki diğer kelimelerle ilişkisini bağlam içinde değerlendirebilmesidir. Böylece model yalnızca tek tek cümleleri değil, sayfalar boyunca süren bağlamı takip edebilir.

Transformer mimarisinin bileşenleri

• Girdi temsili: metin, modelin işleyebileceği sayısal vektörlere dönüştürülür. Her kelime veya kelime parçası bir vektörle temsil edilir.
• Kendi kendine dikkat: model, her kelimenin diğer kelimelerle ilişkisini ağırlıklandırarak bağlamı çıkarır.
• Katmanlar: transformer birden çok katmandan oluşur, her katman bir öncekinin çıktısını işleyerek temsili derinleştirir.
• Çıkış katmanı: model, göreve göre nihai çıktıyı üretir; metin tamamlama, çeviri veya soru yanıtlama gibi.

Modeller nasıl eğitilir?

Büyük dil modelleri; kitaplar, makaleler ve web sayfaları gibi çok geniş metin kümeleri üzerinde eğitilir. Eğitim sırasında model dilin yapısını ve kelimeler arası ilişkileri öğrenir. Eğitim maliyeti yüksektir ama hızla düşüyor: Stanford Üniversitesi’nin AI Index raporuna göre donanım maliyetleri yılda ortalama %30 azalırken enerji verimliliği yılda %40 artıyor.

Şirketler Generatif Yapay Zekayı Nerede Kullanıyor?

McKinsey’nin Kasım 2025 araştırmasına göre en yoğun kullanım alanları bilgi teknolojileri, pazarlama ve satış ile bilgi yönetimi.

Bankacılıkta tablo daha somut. Avrupa Bankacılık Otoritesi’nin verilerine göre AB bankalarının yaklaşık %40’ı genel amaçlı yapay zeka kullanıyor. Kullanım alanları şöyle dağılıyor:

Ama benimseme ile ölçeklenme aynı şey değil. Aynı McKinsey araştırmasında, yıllık geliri 5 milyar doları aşan şirketlerin neredeyse yarısı yapay zekayı ölçeklendirme aşamasına taşımışken, geliri 100 milyon doların altındaki şirketlerde bu oran %29’da kalıyor. Finansal etki tarafında katılımcıların %39’u faaliyet kârına bir düzeyde etki bildiriyor, ancak çoğunluk bu etkinin %5’in altında kaldığını söylüyor.

Yapay Zeka Ajanları ve RAG: 2026’da GenAI Nerede?

Generatif yapay zekada gündem içerik üretmekten iş yapmaya kaydı. Yapay zeka ajanı, verilen bir hedefi kendi başına adım adım yürütebilen sistem demek.

McKinsey’nin araştırmasında katılımcıların %62’si kurumlarının ajanlarla en azından deneme aşamasında olduğunu söylüyor. Gartner ise 2026 sonunda kurumsal uygulamaların %40’ının göreve özel yapay zeka ajanı içereceğini öngörüyor; bu oran 2025’te %5’in altındaydı. Harcama tarafında Gartner, ajan yazılımına yapılan harcamanın 2026’da 206,5 milyar dolara, 2027’de 376,3 milyar dolara ulaşacağını tahmin ediyor.

Bu tabloyu dengeleyen bir uyarı da var. Gartner, ajan projelerinin %40’tan fazlasının 2027 sonuna kadar iptal edileceğini, sebep olarak da artan maliyetleri, net olmayan iş değerini ve yetersiz risk kontrollerini gösteriyor. Aynı çalışmada Gartner, binlerce ajan sağlayıcısından yalnızca 130 kadarının gerçek anlamda ajan yeteneği sunduğunu tahmin ediyor.

Kurumsal veriyle çalışan uygulamalarda bugün en yaygın yaklaşım RAG (Retrieval-Augmented Generation) mimarisi: model, cevabı üretmeden önce şirketin kendi belgelerinden ilgili bilgiyi çekiyor. Böyle bir sistemi uçtan uca nasıl kurduğumuzu RAG sistemi oluşturma yazımızda adım adım anlattık.

Generatif Yapay Zekanın Sınırları ve Riskleri

• Halüsinasyon: model, doğru olmayan bir bilgiyi akıcı ve ikna edici biçimde üretebilir. Kurumsal kullanımda çıktının denetlenmesi şarttır.
• Önyargı: model, eğitim verisindeki önyargıları öğrenir ve yeniden üretir.
• Telif ve mülkiyet: üretilen içeriğin kime ait olduğu ve eğitim verisinin telif durumu hâlâ tartışmalı bir alan.
• Veri gizliliği: kurumsal veriyle çalışırken verinin nereye gittiği ve nerede saklandığı en kritik tasarım kararıdır.
• Veri altyapısı: modelin kalitesi beslendiği verinin kalitesini geçemez. Bu yüzden GenAI projelerinin çoğu aslında bir veri yönetimi projesi olarak başlar.

Düzenleme: AB Yapay Zeka Yasası GenAI İçin Ne Diyor?

Avrupa Birliği’nin Yapay Zeka Yasası (AI Act) 1 Ağustos 2024’te yürürlüğe girdi ve kademeli olarak uygulanıyor. Generatif yapay zekayı doğrudan ilgilendiren kısım, genel amaçlı yapay zeka (GPAI) modellerine ilişkin kurallar; bunlar 2 Ağustos 2025’te devreye girdi. Yasa 2 Ağustos 2026 itibarıyla, bazı istisnalarla birlikte genel olarak uygulanmaya başladı.

Pratikte öne çıkan iki başlık var. Birincisi şeffaflık: chatbot gibi sistemler kullanıcıya bir yapay zekayla etkileşimde olduğunu bildirmek zorunda. İkincisi yüksek riskli kullanım alanları; işe alım ve kredi değerlendirmesi gibi alanlarda belgelenmiş risk yönetimi ve insan gözetimi gerekiyor, ancak bu yükümlülüklerin başlangıcı AI Omnibus uzlaşısıyla 2 Aralık 2027’ye ertelendi.

Bir Generatif Yapay Zeka Projesine Nereden Başlanır?

Yukarıdaki rakamlar benimsemenin yaygın, ölçülebilir getirinin ise seyrek olduğunu gösteriyor. Aradaki farkı kapatan şey genellikle teknoloji seçimi değil, projenin nasıl kurgulandığı. Sahada işe yaradığını gördüğümüz sıra şu:

• Dar ve ölçülebilir bir senaryoyla başlayın. “Şirkete yapay zeka getirelim” bir proje tanımı değildir. “Operasyon ekibinin mevzuat sorularına, kendi dokümanlarımızdan kaynak göstererek yanıt veren bir asistan” bir proje tanımıdır.
• Başarıyı baştan tanımlayın. Yanıt süresinde kaç dakika kazanılacak, kaç talep insana düşmeden çözülecek, hata oranı neyin altında kalmalı. Bu ölçütler yoksa proje sonunda “güzel oldu” demekten öteye geçilemez.
• Veriyi projenin parçası sayın. Modelin erişeceği dokümanların güncelliği, sahipliği ve erişim yetkileri netleşmeden yazılan hiçbir uygulama üretime alınamaz.
• İnsan denetimini tasarıma koyun. Generatif modellerde tek doğru cevap olmadığı için, çıktının kim tarafından ve hangi eşikte kontrol edileceği en baştan belirlenmelidir.
• Mevzuatı sonraya bırakmayın. Kullanım senaryonuz işe alım veya kredi değerlendirmesi gibi bir alana giriyorsa, yükümlülükleri proje başlarken masaya yatırmak gerekir.

Sonuç

Generatif yapay zeka artık deneme aşamasını geçti, ama rakamlar iki şeyi birden söylüyor: benimseme çok yaygın, ölçülebilir getiri ise hâlâ az sayıda şirkette. Aradaki farkı kapatan şey modelin kendisi değil, altındaki veri altyapısı ve doğru kurgulanmış bir kullanım senaryosu.

GTech olarak şirketlere yapay zeka ve ileri analitik çözümlerinde uçtan uca destek veriyoruz. Yapay zekanın temel kavramlarını Yapay Zeka Nedir yazımızda ele almıştık. Kurumunuz için doğru senaryoyu birlikte kurgulamak isterseniz bizimle iletişime geçebilirsiniz.

Kaynaklar

• McKinsey & Company, The State of AI in 2025: Agents, Innovation, and Transformation (5 Kasım 2025)
• Goodfellow ve ark., Generative Adversarial Networks, arXiv (10 Haziran 2014)
• Vaswani ve ark., Attention Is All You Need, arXiv (12 Haziran 2017)
• Stanford HAI, The 2025 AI Index Report
• Avrupa Bankacılık Otoritesi, Special topic: Artificial intelligence
• Gartner, 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026 (26 Ağustos 2025)
• Gartner, Autonomous Business and AI Layoffs May Create Budget Room, but Do Not Deliver Returns (5 Mayıs 2026)
• Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (25 Haziran 2025)
• Avrupa Komisyonu, AI Act

Hazırlayan: GTech Veri Bilimi Ekibi

The post Generatif Yapay Zeka Nedir, Nasıl Çalışır? appeared first on GTech.

Veri bilimi, çeşitli yöntemlerle elde edilen verileri analiz ederek anlamlı kılmak için istatistik, yapay zeka, bilimsel yöntemler ve veri analizinin bir araya geldiği disiplinlerarası bir alandır. Bu alan geçmişten günümüze hem içerik hem de kullanım alanı açısından oldukça farklılaştı. Yapay zeka, makine öğrenimi ve son olarak üretken yapay zekanın gelişmesiyle veri bilimi iş dünyasında sürekli genişleyen bir alan haline geldi. Şirketler veri bilimi alanında sunulan müşteri içgörüleri, veri görselleştirme, açıklayıcı ve tahmin edici modeller gibi analitik çözümlerden faydalanarak iş süreçlerinin etkinliğini ve verimliliğini artırabiliyor. GTech olarak bu yazımızda veri bilimi kavramını ayrıntılarıyla ele alarak iş dünyasındaki uygulamalarına, üretken yapay zekayla değişen rolüne ve karşılaşılan zorluklara yer verdik.

Veri Bilimi Nedir?

Veri bilimi nedir sorusunun cevabı şudur: çeşitli yöntemlerle elde edilen verileri analiz ederek anlamlı kılmak için istatistik, yapay zeka, bilimsel yöntemler, veri analizi ve daha pek çok noktanın bir araya geldiği disiplinlerarası bir alandır. Bu alanda yetkinliklere sahip kişiler veri bilimci olarak adlandırılır. Bu kişiler çeşitli kaynaklardan toplanan verileri analiz etmek ve bunlardan eyleme dönüştürülebilir içgörüler üretmek için çeşitli becerileri bir araya getirirler. Veri bilimi, verileri analiz sürecine hazırlayan temizleme, toplama, işlemleme gibi çeşitli adımları da kapsıyor.

Yapay Zeka ve Makine Öğrenimi Arasındaki Fark Nedir?

Veri biliminden faydalanmak ve daha etkin sonuçlar alabilmek için yapay zeka ve makine öğrenimi gibi ilgili kavramlara hakim olmak da büyük önem taşıyor. Veri bilimi, yapay zeka ve makine öğrenimi kavramları her ne kadar bazı kaynaklarda birbirinin yerine kullanılsa da aralarında belirli farklar bulunuyor:

Bu üç kavram arasında kesin bir alt küme ilişkisi yoktur, kesişen ama farklı amaçlarla ortaya çıkmış alanlardır:

• Yapay zeka: insan zekası gerektiren görevleri yerine getirebilen sistemler bütünüdür; bir teknoloji kategorisidir.
• Veri bilimi: istatistik, bilgisayar bilimi ve alan bilgisini bir araya getiren, verilerden içgörü ve karar desteği üretmeyi amaçlayan bir uygulama disiplinidir. Bunu yaparken yapay zeka ve makine öğrenimi yöntemlerinden sıkça yararlanır, ama veri bilimi bunlarla sınırlı değildir; klasik istatistik, veri görselleştirme ve iş analitiği de kapsamına girer.
• Makine öğrenimi: yapay zekanın, bilgisayarların örnek verilerden örüntü çıkarmasını sağlayan bir alt kümesidir; veri bilimcilerin en sık kullandığı araç setlerinden biridir.

Kısacası veri bilimi bir disiplin, yapay zeka ve makine öğrenimi ise bu disiplinin kullandığı teknoloji kümeleridir. Konuyu OECD’nin tanımına dayanarak daha ayrıntılı ele aldığımız Yapay Zeka Nedir yazımıza da bakabilirsiniz.

Veri Biliminin Geçmişi

Veri bilimi yeni bir kavram değil, ama anlamı zaman içinde farklılaştı. İstatistikçi John Tukey, 1962’de yayımlanan “The Future of Data Analysis” makalesinde veri analizinin matematikten çok ampirik bir bilime yaklaşması gerektiğini savundu ve bu, alanın kavramsal başlangıç noktalarından biri sayılır. Terimin bugünkü anlamıyla ortaya konması ise 2001’de gerçekleşti: istatistikçi William S. Cleveland, “Data Science: An Action Plan” başlıklı çalışmasında istatistik alanının teknik kapsamının genişletilmesini önerdi ve bu genişletilmiş alana “veri bilimi” adını verdi. Kavramın bir meslek olarak iş dünyasında yaygınlaşması ise somut bir başlangıç noktasına dayanıyor: DJ Patil, LinkedIn’de ve Facebook’ta veri ve analitik ekiplerini kuran kendisi ve Jeff Hammerbacher’ın 2008’de bir araya gelip deneyimlerini paylaştıklarını, bu buluşmanın veri biliminin ayrı bir meslek olarak başlangıcı sayılabileceğini kendi ağzından anlatıyor.

Üretken Yapay Zeka Çağında Veri Bilimi

McKinsey’nin Kasım 2025 tarihli Küresel Yapay Zeka Araştırması’na göre katılımcıların %62’si kurumlarının yapay zeka ajanlarıyla en azından deneme aşamasında olduğunu söylüyor. Bu değişim veri bilimcinin işini de dönüştürüyor: rol artık yalnızca tahmin modelleri kurmakla sınırlı değil, üretken yapay zeka sistemlerinin beslendiği verinin kalitesini, güncelliğini ve güvenilirliğini denetlemeyi de kapsıyor. Bir modelin ürettiği çıktı, ancak beslendiği verinin kalitesi kadar güvenilir olabiliyor.

Dünya Ekonomik Forumu’nun Future of Jobs Report 2025 raporuna göre yapay zeka ve büyük veri, 2025-2030 döneminde en hızlı büyüyen beceri kategorisi olarak öne çıkıyor; Veri Analistleri ve Bilimciler de işverenlerin en hızlı büyüyeceğini öngördüğü 15 meslek arasında yer alıyor.

Bu büyüme, veri bilimini kendi içinde özel eğitimleri, sertifikaları ve iş kollarını barındıran bir ekosisteme dönüştürdü; iş dünyasının talebi arttıkça bu ekosistem de derinleşmeye devam ediyor.

Veri Biliminin İş Dünyasındaki Uygulamaları

Şirketler sundukları ürün ve hizmetleri geliştirerek verileri rekabet avantajına dönüştürmek için veri biliminden faydalanır. İş dünyasında kullanılan başlıca uygulamalar şöyle özetlenebilir:

• Çeşitli kaynaklardan toplanan verileri analiz ederek müşteri kaybının önüne geçilmesi sağlanır; pazarlama ekipleri müşteri memnuniyetini artırmak için daha hızlı harekete geçebilir.
• Lojistik süreçlerinin teslimat sürelerini iyileştirmek, verimliliği artırmak ve maliyetleri azaltmak için hava koşulu, trafik durumu ve benzeri etkenler analiz edilir.
• İş süreçlerinde kullanılan ekipmanların ne zaman bakım veya tamire ihtiyaç duyacağına dair öngörülerde bulunularak tedarik zinciri daha etkin optimize edilir.
• Finans kuruluşlarında anormal veya kuşku uyandıran işlemler tespit edilerek dolandırıcılığın önüne geçilir.
• Müşterilerin geçmiş satın alımlarıyla ilişkili veriler analiz edilerek kişiselleştirilmiş öneriler oluşturulur ve satışların artmasına katkı sağlanır.

Veri Bilimi Teknikleri Nelerdir?

Veri bilimi uzmanları verilerin analiz edilme sürecini izlemek için belirli bir sistematik oluşturur. Bu süreçte kullanılan başlıca teknikler şunlardır:

Sınıflandırma

Sınıflandırma tekniği verilerin belirli grup veya kategorilere ayrılmasıdır. Bilgisayarlar verileri belirleyerek sınıflandırmak üzere eğitilir. Bu teknikle şirketlerin sunduğu ürün ve hizmetler müşteri talebi, popülerlik veya maliyet gibi faktörlere göre sınıflandırılabilir. Müşteri görüşleri ve sosyal medya yorumları olumlu, olumsuz ya da nötr olarak sınıflandırılabilir; yatırım, sigorta veya kredi başvuruları risk oranına göre kategorize edilebilir.

Regresyon

Regresyon tekniğiyle ilişkisiz görünen iki veri arasındaki anlamlı ilişki ortaya konabilir. Bu ilişki bir matematiksel formülle modellenerek grafik veya eğrilerle gösterilebilir. Verilerden birinin değeri bilindiğinde diğerini tahmin etmek için de regresyon kullanılır; örneğin müşteri memnuniyeti ile çalışan sayısı arasındaki ilişkinin tespiti bu tekniğe örnek gösterilebilir.

Kümeleme

Kümeleme tekniği, düzenleri veya anormallikleri bulmak için birbiriyle yakından ilişkili verileri gruplandırma yöntemidir. Sınıflandırmadan farkı, verileri sabit kategorilere bağlı kalmadan, en olası ilişkilere göre gruplandırmasıdır. İşletmeler bu tekniği, benzer davranış sergileyen müşterileri sınıflandırarak daha iyi hizmet sunmak için kullanır.

Büyük dil modelleriyle üretim

Üretken yapay zeka çağında bu üç klasik tekniğe bir dördüncüsü eklendi: büyük dil modelleriyle metin, özet veya kod üretimi. Bu teknik, klasik tekniklerin aksine yeni içerik üretir ve genellikle RAG gibi mimarilerle şirketin kendi verisine bağlanarak kullanılır. RAG mimarisini Generatif Yapay Zeka yazımızda ayrıntılı ele aldık.

Bir Veri Bilimcinin Temel Becerileri Nelerdir?

Veri biliminin disiplinlerarası doğası, veri bilimcilerin birden fazla alanda yetkinlik geliştirmesini gerektirir. Öne çıkan beceri alanları şunlardır:

• İstatistik ve olasılık: bir modelin sonuçlarının rastlantısal mı yoksa anlamlı mı olduğunu ayırt edebilmek, veri biliminin temelini oluşturur.
• Programlama: Python ve R gibi diller, veri temizleme, modelleme ve otomasyon için standart araçlardır.
• Veri mühendisliği bilgisi: verinin nereden geldiğini, nasıl saklandığını ve nasıl güncellendiğini anlamak, modelin güvenilirliğini doğrudan etkiler.
• İş alanı bilgisi: bir modelin teknik olarak doğru çalışması yetmez; ürettiği içgörünün gerçek bir iş kararına dönüşebilmesi için sektör bilgisi gerekir.
• İletişim: teknik bulguları teknik olmayan paydaşlara anlaşılır biçimde aktarabilmek, bir modelin kullanılıp kullanılmayacağını belirleyen en az teknik kadar önemli bir beceridir.

Veri Bilimi Projelerini Uygulamanın Zorlukları

Veri biliminin sunduğu fırsatlara ve şirketlerin bu alana yaptığı yatırımlara rağmen pek çok şirket, sahip olduğu verilerin sunduğu değerden etkin biçimde yararlanamıyor. Uygun yetkinliklere sahip kişileri bünyesine katan ve veri bilimi programları oluşturmaya çalışan şirketler, iş süreçleriyle uyumsuz araçlar nedeniyle verimsiz iş akışlarıyla karşılaşabiliyor. Bu durum temelde şu zorlukları beraberinde getiriyor:

• Verimsizlik: veri uzmanları verileri analiz etmek için gereken kaynakları uzun süre beklemek zorunda kalabiliyor; farklı veya uyumsuz araçlarla analiz yapmak beklenen verimin alınamamasına yol açabiliyor.
• Uygunluk sorunu: geliştirilen makine öğrenimi modelleri üretim yazılımlarına yerleştirilmeye hazır olmayabiliyor; ölçeklenebilirlik çözümü tamamen yazılım geliştiriciye bırakılabiliyor.
• Zaman kaybı: açık kaynak araçların artmasıyla BT tarafından desteklenmesi gereken araç listesi büyüyor; farklı birimlerdeki veri uzmanları farklı araçlar kullandıkça BT ekibi ortamları sürekli yeniden oluşturmak zorunda kalıyor.
• Veri yönetişimi: özellikle üretken yapay zeka projelerinde, verinin kaynağı, sahipliği ve güncelliği net değilse model çıktısının güvenilirliği de düşüyor. Bu konuyu veri yönetimi çözümlerimizde ele alıyoruz.

Veri bilimi alanında şirketlerin farklı süreçleri için faydalanabileceği çeşitli çözümler bulunuyor; bu çözümler müşteri memnuniyeti, üretim ve lojistik gibi süreçleri kapsayabiliyor. Ancak yukarıda anlatılan zorluklar, şirketlerin bu alandan etkin biçimde yararlanamamasına neden olabiliyor. Bu nedenle profesyonel destek almak büyük önem taşıyor. Yapay zekanın veri bilimiyle ilişkisini Yapay Zeka Nedir yazımızda ele almıştık. GTech Veri Bilimi Ekibi, şirket ihtiyaç ve talepleri doğrultusunda yeni nesil teknolojiler ile analitik hizmetler sunuyor; ayrıntılı bilgi için uzman ekibimiz ile iletişime geçebilirsiniz.

Kaynaklar

• Tukey, J. W. The Future of Data Analysis. Annals of Mathematical Statistics, 1962.
• Cleveland, W. S. Data Science: An Action Plan for Expanding the Technical Areas of the Field of Statistics. International Statistical Review, 2001.
• McKinsey & Company, The State of AI in 2025: Agents, Innovation, and Transformation (5 Kasım 2025)
• World Economic Forum, Future of Jobs Report 2025 (Ocak 2025)

Hazırlayan: GTech Veri Bilimi Ekibi

The post Veri Bilimi Nedir, Veri Bilimi Teknikleri Nelerdir? appeared first on GTech.

Şirketlerin pek çok iş sürecinde oldukça önemli bir rolü olan veriler, teknoloji ve internetin yaygınlaşması ile daha karmaşık ve hacimli bir yapıya sahip oldu. Bu noktada, şirketler veri bilimi alanında ortaya konulan çözümlerden faydalanarak iş süreçlerini etkileyen verileri daha etkin ve uygun bir şekilde işlemleyebiliyor. GTech olarak bu yazımızda, şirketlerin veri işleme süreçlerinde sıkça faydalandığı 5 güncel veri bilimi yaklaşımını sizler için listeledik.

1. Self Servis Analiz Sistemleri

Şirketlerin işleyişinde veriye dayalı karar verilirken uygun kararların en hızlı şekilde alınması oldukça önemlidir. Self servis analiz sistemleri, veri uzmanı veya analisti olmayan çalışanların ihtiyaçları ve talepleri doğrultusunda verilere ulaşabilmesini sağlar. Bu sistemler yaygınlaştıkça şirketler daha düşük maliyet ve iş gücü ile daha fazla verimlilik elde edebiliyor.

2. Veriye Dayalı Müşteri Deneyimi

Veri biliminin şirketlere sağladığı bir diğer çözüm olan veri temelli müşteri deneyimi sistemleri ile şirketler; müşteri geri bildirimleri, aktiviteleri ve diğer faaliyetlerine yönelik bilgileri anlamlandırarak daha etkili bir müşteri deneyimi sağlamayı amaçlıyor. Verilerin hem hacminin artması hem de yapılarının karmaşıklaşması, veriye dayalı müşteri deneyimine ilişkin sistemlerin önemini her geçen gün artırıyor.

3. Sentetik Veri Kavramı

Şirketlerin iş süreçlerinde kullandığı veri analitiği çözümlerinin geliştirilme ve test edilme süreçlerinde gerçek verilerin kullanılması çeşitli sorunlara neden olabiliyor. Bu nedenle, ilgili çözümlerin gerekli testlerini yapmak ve geçerliliğini denetlemek adına ilişkili sentetik verilere ihtiyaç duyulabiliyor. Şirketler, iş süreçlerini etkilemeden farklı sektör ve durumlara yönelik veri analitiği çözümleri geliştirmek için sentetik verilerden giderek daha fazla yararlanıyor.

4. Otomatik Makine Öğrenimi (AutoML)

Veri temizleme, hazırlama gibi veri becerileri gerektiren, tekrar eden ve zaman alan sıradan makine öğrenimi görevlerini otomatikleştirme işlemi sayesinde kodlama bilgisi bulunmayan veya veri alanında uzman olmayan kişiler alanlarındaki sorunlara yönelik çözümleri kolaylıkla oluşturabiliyor. Veri çeşitliliği ve hacminin artması, verilerin işlemleme performansını artırmayı gerektiriyor. İş gücünü ve maliyetleri azaltırken performans ve verimliliği artıran otomatik makine öğrenimi çözümleri, şirketlerin veri bilimi süreçlerinde yaygın olarak kullanılıyor.

5. Artırılmış Veri Yönetimi

Artırılmış veri yönetimi çözümleri, makine öğrenimi ve yapay zekâ yöntemlerini kullanarak veri işlemlerinin optimize edilmesini ve iyileştirilmesini amaçlıyor. Bu yönetim, veriler arasındaki ilişkileri tespit ederken verilerin erişilebilirliğinin, kalitesinin ve verimliliğinin artmasını sağlıyor. Veri hacmi ve çeşitliliğindeki artış, verilerin daha etkin ve hızlı bir şekilde ayarlanabilmesi, yapılandırılabilmesi ve optimize edilebilmesi için artırılmış veri yönetim çözümlerini giderek daha kritik hale getiriyor.

Yükselen Yaklaşım: Üretken Yapay Zeka ve Ajan Tabanlı Analitik

Bu beş yaklaşıma ek olarak, üretken yapay zekâ (GenAI) ve ajan tabanlı (agentic) analitik sistemler son dönemde veri bilimi ekiplerinin gündemine hızla girdi. Şirketler; doğal dilde veri sorgulama, otomatik rapor üretimi ve karar destek süreçlerinde büyük dil modellerini (LLM) giderek daha fazla kullanıyor. Bu konudaki gelişmeleri Generatif Yapay Zeka Nedir, Nasıl Çalışır? yazımızdan takip edebilirsiniz.

Veri bilimi perakende, finans, sigortacılık, telekomünikasyon, otomotiv, lojistik başta olmak üzere daha birçok sektör için şirketlere faydalanabilecekleri çeşitli çözümler sunar. GTech Veri Bilimi Ekibi, şirketlere ihtiyaçları ve talepleri doğrultusunda yeni nesil teknolojiler ile analitik hizmetler sunuyor. GTech Analitik ve Veri Mühendisliği Hizmetleri hakkında daha ayrıntılı bilgi almak için uzman ekibimiz ile iletişime geçebilirsiniz.

Hazırlayan: GTech Veri Bilimi Ekibi

The post Veri Bilimi Trendleri: Öne Çıkan 5 Yaklaşım appeared first on GTech.

Finans sektöründe yapay zeka en yaygın olarak dolandırıcılık tespiti, chatbot destekli müşteri hizmetleri, kredi skorlama, iç süreç optimizasyonu ve düzenleyici risk modellemesi alanlarında kullanılıyor. Finans, yapay zekayı en erken benimseyen sektörlerden biri oldu. Avrupa Bankacılık Otoritesi’nin verilerine göre AB ve AEA bankalarının yaklaşık %40’ı bugün genel amaçlı yapay zeka kullanıyor. Bu yazıda bankaların yapay zekayı hangi süreçlerde kullandığını, üretken yapay zekanın neyi değiştirdiğini, önündeki en büyük engeli ve kredi değerlendirmesi gibi alanlarda gelen düzenleyici yükümlülükleri güncel verilerle ele alıyoruz.

Finans Sektöründe Yapay Zeka Ne Kadar Yaygın?

Avrupa Bankacılık Otoritesi’nin bankalara yönelik risk değerlendirme anketine göre yapay zeka kullanımı sektörde artık istisna değil, kural. Kullanım alanları şöyle dağılıyor:

Finans kurumlarının müşterisi olan şirketler tarafında da tablo hızla değişiyor. Avrupa Merkez Bankası’nın Mart 2026’da yayımladığı firma anketine göre euro bölgesindeki şirketlerin %38’i yapay zeka benimsemesinde ileri aşamada; büyük, halka açık veya risk sermayesi destekli şirketlerde bu oran %45’e, genç şirketlerde %56’ya çıkıyor.

Bankacılıkta Yapay Zeka Kullanım Alanları

Dolandırıcılık tespiti

Bankaların en yaygın yapay zeka uygulaması bu. Model, milyonlarca işlemi gerçek zamanlı tarayarak normal davranıştan sapan örüntüleri yakalar. Kural tabanlı sistemlerden farkı, dolandırıcılık yöntemleri değiştikçe modelin yeni veriyle birlikte güncellenebilmesidir.

Kredi riski ve skorlama

Kredi skorlama, bankaların yarısına yakınının yapay zeka kullandığı ikinci büyük alan. Klasik skor kartlarına kıyasla daha çok değişkeni birlikte değerlendirebilir. Ancak bu alan düzenleyici açıdan en hassas olanı, aşağıda ayrıca ele alıyoruz.

Müşteri hizmetleri

Chatbot ve sanal asistanlar bankaların %70’inde kullanılıyor. Üretken yapay zekayla birlikte bu sistemler kalıp cevap vermekten çıkıp müşterinin sorusunu bağlam içinde anlamaya ve kurumun kendi dokümanlarından yanıt üretmeye başladı.

Raporlama ve iç süreçler

Bankaların %54’ü iç süreçlerin optimizasyonunda yapay zeka kullanıyor. Mutabakat, veri kalitesi kontrolü ve rapor hazırlığı gibi tekrar eden işler bu kapsamda.

Kara para aklamayla mücadele

Şüpheli işlem tespitinde yapay zeka, klasik eşik tabanlı sistemlerin ürettiği yanlış alarm yükünü azaltmak için kullanılıyor.

Sigortacılıkta Yapay Zeka

Finans sektörü bankacılıktan ibaret değil ve sigortacılığın yapay zekayla ilişkisi bankacılığınkinden farklı yerlerde yoğunlaşıyor. Öne çıkan alanlar şunlar:

• Risk değerlendirme ve fiyatlama: poliçe fiyatı, geçmiş hasar verisi ve risk faktörlerinin birlikte modellenmesiyle belirlenir.
• Hasar süreçleri: hasar dosyalarındaki belge ve görsellerin otomatik değerlendirilmesi süreci kısaltır.
• Sahtecilik tespiti: bankacılıktaki dolandırıcılık tespitine benzer biçimde, olağandışı hasar örüntüleri modelle yakalanır.
• Müşteri kaybı tahmini: poliçe yenilemeyecek müşterilerin önceden öngörülmesi, elde tutma çalışmalarını yönlendirir.

Sigortacılıkta yapay zeka ve büyük verinin nereye evrildiğini Sigorta Sektöründe Dijital Devrim yazımızda ayrıca ele aldık.

Üretken Yapay Zeka Finansta Neyi Değiştiriyor?

McKinsey’nin Kasım 2025 tarihli Küresel Yapay Zeka Araştırması’na göre şirketlerin %88’i en az bir iş fonksiyonunda düzenli olarak yapay zeka kullanıyor, katılımcıların %62’si ise kurumlarının yapay zeka ajanlarıyla en azından deneme aşamasında olduğunu söylüyor.

Finansta üretken yapay zekanın farkı şurada: klasik modeller sınıflandırır ve tahmin eder, üretken modeller ise metinle çalışır. Kredi dosyası özetleme, mevzuat metinlerinde arama, müşteri yazışması taslağı ve rapor yorumlama gibi işler bu sayede otomatikleşebiliyor.

Kurumsal veriyle çalışırken en yaygın yaklaşım RAG (Retrieval-Augmented Generation) mimarisi: model, cevabı üretmeden önce bankanın kendi belgelerinden ilgili bilgiyi çekiyor, böylece uydurma cevap riski azalıyor. Böyle bir sistemi uçtan uca nasıl kurduğumuzu RAG sistemi oluşturma yazımızda anlattık.

Yapay Zekanın Önündeki Asıl Engel: Veri

Uluslararası Ödemeler Bankası’nın Mart 2026 tarihli çalışmasına göre finans sektörü, veri yönetimi sorunlarını üretken yapay zekanın yaygınlaşmasının önündeki en önemli engel olarak tanımlıyor. Sorun yeni değil ama üretken yapay zeka mevcut zayıflıkları büyütüyor: model, beslendiği verinin kalitesini aşan bir çıktı üretemiyor.

Pratikte bu şu demek: bir bankanın yapay zeka projesi genellikle model seçimiyle değil, verinin tekilleştirilmesi ve tek bir güvenilir kaynağa taşınmasıyla başlar.

Aynı çalışma, üretken yapay zekanın veriye olan bağımlılığının yaşam döngüsünün her aşamasına yayıldığını vurguluyor: veri yalnızca modeli eğitmek için değil, performansını ölçmek, önyargıları tespit etmek ve çıktıları iyileştirmek için de gerekli. Üretken yapay zekanın ölçeklenmesi ise mevcut zayıflıkları büyütmekle kalmıyor, sentetik ve alternatif veri kullanımının yaygınlaşmasıyla birlikte yeni sorunlar da getiriyor.

Bir finans kurumu için bunun pratik karşılığı şu sorulara net cevap verebilmektir:

• Modelin eriştiği veri hangi kaynaktan geliyor ve o kaynağın sahibi kim?
• Veri ne sıklıkla güncelleniyor, güncel olmayan veriyle üretilmiş bir çıktıyı nasıl fark ederiz?
• Hangi kullanıcı hangi veriye erişebiliyor ve bu yetki modele de yansıyor mu?
• Eğitimde veya testte sentetik veri kullanıldıysa bu nerede kayıt altına alınıyor?
• Model üretimdeyken davranışındaki sapma nasıl izleniyor?

Bu sorular teknik ekibin değil, kurumun tamamının sorusudur. Denetleyici tarafında da gündemin bu yöne kaydığını, veri yönetişimini merkeze alan çalışmaların artmasından görüyoruz.

Örnek: Bank of Kigali GenAI İçin Veri Omurgasını Nasıl Kurdu?

Ruanda’nın halka açık en büyük bankası olan Bank of Kigali, üretken yapay zeka uygulamalarına hazırlanmak için önce veri tarafını ele aldı. Banka, “Tek Doğru Kaynak” (Single Source of Truth) oluşturmak amacıyla veri altyapısını GTech’in Symphony Analytics platformu üzerine kurdu.

Hazır finansal veri modelleri, ELT süreçleri ve önceden yapılandırılmış raporlar sayesinde banka, yıllar süren geleneksel kurulum sürecini kısalttı. Proje sonunda self servis iş zekası, 200’den fazla temel performans göstergesi ve 15’ten fazla gösterge paneliyle karara hazır içgörülere ölçeklenebilir erişim sağlandı. Projenin ayrıntılarını Bank of Kigali örneği yazımızda ele aldık.

Düzenleme: Kredi Değerlendirmesi Yüksek Riskli Sayılıyor

Avrupa Birliği’nin Yapay Zeka Yasası, kredi değerlendirmesinde kullanılan yapay zeka sistemlerini yüksek riskli kategoriye alıyor. Bu kategoride belgelenmiş risk yönetimi, insan gözetimi ve bazı durumlarda bağımsız denetim gerekiyor.

Takvim şöyle: yasa 1 Ağustos 2024’te yürürlüğe girdi, yasaklı uygulamalar 2 Şubat 2025’te, genel amaçlı yapay zeka modeli kuralları 2 Ağustos 2025’te devreye girdi. Yasa 2 Ağustos 2026 itibarıyla bazı istisnalarla genel olarak uygulanıyor. Kredi değerlendirmesi gibi yüksek riskli kullanım alanlarına ilişkin yükümlülüklerin başlangıcı ise AI Omnibus uzlaşısıyla 2 Aralık 2027’ye ertelendi.

Türkiye’de faaliyet gösteren finans kurumları için de bu çerçeve ilgili olabilir: AB pazarına hizmet sunan ya da AB’deki kişilere ilişkin veri işleyen sistemler kapsama girebiliyor.

Düzenlemeden bağımsız olarak Avrupa Bankacılık Otoritesi’nin bankalar için işaret ettiği riskler de var: modellerin açıklanabilirliği, gerçek dışı çıktı üretmesi, üçüncü taraf entegrasyonlarından kaynaklanan bilgi teknolojileri riskleri, eğitim verisi kalitesine bağlı veri yönetişimi sorunları ve gerekli yetkinliğe erişim zorluğu.

Finans Kurumları Nereden Başlamalı?

• Dar ve ölçülebilir bir senaryo seçin. “Bankaya yapay zeka getirelim” bir proje tanımı değildir.
• Veriyi projenin parçası sayın. Modelin erişeceği verinin kaynağı, güncelliği ve sahipliği netleşmeden üretime alınacak bir uygulama yazılamaz.
• Denetimi tasarıma koyun. Üretken modellerde tek doğru cevap olmadığı için çıktının kim tarafından kontrol edileceği baştan belirlenmelidir.
• Mevzuatı sonraya bırakmayın. Senaryonuz kredi değerlendirmesine giriyorsa yükümlülükleri proje başında masaya yatırın.
• İzlemeyi ihmal etmeyin. Modeller zamanla bozulur; üretimdeki davranışın sürekli gözlenmesi gerekir.

Sonuç

Finans sektöründe yapay zeka artık pilot aşamasını geçti, dolandırıcılık tespitinden kredi skorlamaya kadar günlük operasyonun parçası. Ama hem Avrupa Bankacılık Otoritesi’nin hem Uluslararası Ödemeler Bankası’nın işaret ettiği nokta aynı: farkı yaratan modelin kendisi değil, altındaki veri.

GTech olarak finans kurumlarına bu iki tarafta da destek veriyoruz. Symphony Analytics bankacılık verisini merkezileştirerek raporlama ve analitik için tek bir temel kuruyor. Symphony Sense ise bankacılık sistemlerini gerçek zamanlı izleyerek olası aksaklıkları önceden yakalıyor. Yapay zekanın temel kavramları için Yapay Zeka Nedir yazımıza bakabilir, kurumunuz için doğru senaryoyu birlikte kurgulamak isterseniz bizimle iletişime geçebilirsiniz.

Kaynaklar

• Avrupa Bankacılık Otoritesi, Special topic: Artificial intelligence
• Avrupa Merkez Bankası, Adopting and investing in AI: evidence from euro area firms in the SAFE, Economic Bulletin 2/2026 (31 Mart 2026)
• McKinsey & Company, The State of AI in 2025 (5 Kasım 2025)
• Uluslararası Ödemeler Bankası, In data we trust? Emerging policy and supervisory approaches to AI, FSI Insights No 73 (Mart 2026)
• Avrupa Komisyonu, AI Act

Hazırlayan: GTech Veri Bilimi Ekibi

The post Finans Sektöründe Yapay Zeka Nasıl Kullanılır? appeared first on GTech.

En son ne zaman semt pazarına gidip alış veriş yaptınız?

Neden Zaman Serisi Tahmini Önemli?

Zaman serisi tahmini, geçmiş dönemlere ait sıralı verilerden (örneğin günlük satış miktarı) yola çıkarak gelecekteki değerleri öngörme yöntemidir. Perakende sektöründe en yaygın kullanım alanı, mağaza ve ürün bazında talep tahminidir. Online alışverişin yaygınlaşmasıyla değişen tüketici davranışları, perakende sektöründe de büyük bir dönüşümü beraberinde getirdi. Perakende sektöründe hizmet veren firmalar, müşterilerinin ihtiyaçlarına yönelik kendilerini hazırlama ve aksiyon alma konusuna hızlı bir şekilde adapte olmaları gerekiyor. Bunun için; mağaza, kategori, ürün gurubu ve ürün bazında gelecek öngörülerinin tutarlı olması, hem ürün hem de müşteri memnuniyeti açısından bir gereklilik haline geldi. Bu yazımızda, mağaza ve ürün bazında büyük ölçekli zaman serisi öngörü modellerini açıkladık.

Çalışmamızda ele aldığımız problemin çözüm adımlarından birisi olarak, müşterilerin talep edecekleri ürün miktarının öngörüsü ve bu öngörülerin gerçekleşmesini sağlayan iki makine öğrenmesi algoritmasını (Prophet ve XGBoost) Spark üzerinde karşılaştırdık. Bu iki algoritmayı seçme sebebimiz; ikisinin de zaman serileri üzerinden hızlı ve hata oranı düşük sonuçlar vermeye daha yatkın olmalarıdır. Spark kullanmamızın sebebi ise; yapılacak veri hazırlık işlemlerinin paralel bir şekilde çalışarak performansımızı artırması ve hızlı bir şekilde çıktı almamızı sağlamasıdır.

Çalışmamızda Spark’ı öncelikle standalone mode ile sonrasında da cluster mode ile çalıştırarak hem Prophet hem de XGBoost için karşılaştırmalı sonuçlar elde ettik.

Veri Yapısı ve Hazırlığı

Bir zincir markete ait olan veriler ile, şube ve ürün bazında analizler gerçekleştirdik. Ürünlerin günlük satış miktarı verilerini kullanarak; haftalık ve aylık olarak satış miktarlarının öngörülmesi ve bu öngörü sonuçlarının raporlanması konusunda çalışmamızı yürüttük. Perakende sektöründen elde ettiğimiz veri, zaman serisi odaklı bir yapıya sahiptir.

Hazırladığımız veri setini modelleme aşamasına geçmeden önce bazı hazırlık aşamalarından geçirdik. Öncelikle ürün ve şube bazında analizler gerçekleştirdik. Bu analizlerimiz sonucunda iadeli ürünler, en son satışı yıllar önce yapılmış ve artık satılmayan ürünler, satışa yeni başlamış ürünler, uzun süredir satışı yapılan ürünler, dönemsel olarak satışı olan ürünler gibi bir çok farklı senaryoyla karşılaştık. Her birinin çözümü için ürün bazında çözümler sunarak analizimizi tamamladık.

Veri hazırlığını tamamlamak için analizden edindiğimiz sonuçlarla, uzun zamandır satışı olan ürünler ve kısa zaman periyodunda satışı olan ürünler olarak iki kategori oluşturduk. Bu iki kategori içinde farklı tahmin yöntemleri uyguladık.

Modelleme: Prophet ve XGBoost Karşılaştırması

Modelleme aşamasında Spark’ı yerel bilgisayarımızda (standalone mode) kullanarak Prophet ve XGBoost algoritmalarıyla ürettiğimiz modellerin çalışma performansı ve hata payları olarak çıkarttığımız sonuçlar aşağıdaki tabloda yer alıyor.

Tablodan da görebileceğiniz gibi XGBoost, hem haftalık hem de aylık yapılan tahminleme modellerinde Prophet’a göre çok daha performanslı ve daha düşük MAE değerlerine ulaştı. Bu istatistikler sonucunda XGBoost ile devam etmeye karar verdik.

Çalışmanın devamında farklı bir soruyu cevaplamak için Spark’ı cluster mode kullanarak denememizi gerçekleştirdik. Bunun için öncelikle bir cluster yapısı kurduk. Yapımızı bir master ve beş worker olacak şekilde ayağa kaldırdık. Burada yaptığımız çalışmada XGBoost kullanarak aylık tahminleme yaptık.

Bu tablodan da göreceğiniz gibi cluster mode ile aldığımız sonuçlarda yaklaşık yüzde seksen beşlik bir performans gelişmesi gördük.

Çıktılar ve Görselleştirme

Geliştirilen modeller kullanılarak gerçekleştirilen öngörü sonuçlarını görselleştirmek için bir rapor ekranı hazırladık ve web üzerinden erişilebilir hale getirdik.

Böylece, kullanıcıların yapılan çalışmanın çıktılarına daha basit bir ekrandan ulaşarak kendi kararlarını almalarına olanak sağlanmış oldu.

Sonuç

Çalışmamızın sonucunda uçtan uca, veriye dayalı ve ölçeklenebilir bir öngörü ürünü oluşturmuş olduk. Bu ürün ile perakende sektöründe rahatça kullanabilecek öngörü çıktıları ile firmaların planlarını nokta atışı olarak ürün ve şube bazında yapmalarına olanak sağladık. GTech Wiseboard Retail ürünü hakkında detaylı bilgi almak için alanında uzman ekiplerimize ulaşabilirsiniz.

Zaman serisi tahmini, veri bilimi ve makine öğrenmesi disiplinlerinin ortak çalışma alanlarından biridir. Bu kavramları Veri Bilimi Nedir? yazımızda, sektörel uygulamalarını ise Yapay Zeka ve İleri Analitik hizmet sayfamızda ayrıntılı olarak ele aldık.

Hazırlayan: GTech Veri Bilimi Ekibi

The post Perakende Sektöründe Zaman Serisi ile Satış Tahmini: Wiseboard Retail Vaka Çalışması appeared first on GTech.

GTech Veri Bilimi Ekibi olarak Twitter (günümüzde X) verileri üzerinden Covid-19 aşıları hakkında insanların düşüncelerini ve olası kaygılarını ölçtük. İleri analitik uzmanlığımız ile hazırladığımız Twitter Duygu Analizi çalışmamızda, Doğal Dil İşleme (NLP) Yöntemleri kullanılmıştır. Doğal dil işleme yöntemleri metin dosyalarını derin öğrenme modelleri kullanarak matematiksel veriye çevirir ve çeşitli analizlere imkân sağlar. Çalışmamızda bu veri dönüşümü kullanılarak insanların belli bir konuda negatif mi pozitif mi yoksa nötr mü düşündükleri üzerine modelleme yapılmıştır.

Not: Bu çalışma Haziran-Ekim 2021 döneminde toplanan verilerle yürütülmüş tarihsel bir vaka çalışmasıdır ve dönemin aşı algısını yansıtır. Kullanılan doğal dil işleme ve duygu analizi yöntemleri, sosyal medya izleme ve marka algısı projelerinde bugün de yaygın olarak kullanılan tekniklerdir.

Yöntem ve Veri Seti

Twitter API’ı üzerinden toplanan tweetler Python üzerinden doğal dil işleme modeli yardımıyla skorlanmıştır. Skorlama sonucu ilgili tweetin Negatif (-1), Nötr (0) ya da Pozitif (1) düşünce içerdiğine bağlı olarak etiketlenmiştir. Elde edilen bu etiketlerden hareket edilerek kişilerin; coğrafi konumu, kullanılan cihaz türü, tweet’in atılma tarihi, beğeni sayısı gibi ek bilgiler kullanılarak profilleri çıkartılmıştır. Çalışmada, aşılar hakkında negatif düşünceler içeren tweetler incelenerek insanların hangi sebeplerden aşılara olumsuz baktığı incelenmiştir. Son olarak da aşılama periyodlarındaki duygu değişimleri gözlemlenmiştir.

Çalışmada Haziran – Ekim 2021 arasında atılan tweetler kullanılmıştır. Çalışma içerisinde kullanılan veri, #biontech ve #sinovac hashtagi içeren tweetlerden oluşmaktadır. Twitter API’ı üzerinden haftalık olarak çekilmiştir. Twitter API’ndan gelen veriyi temizlemek ve modellemeye hazır hale getirebilmek için farklı ön hazırlık işlemleri uygulanmıştır.

• Konum bilgileri şehir düzeyine taşındı.
• Link içeren Tweetlerdeki linkler kaldırıldı.
• Büyük harfler küçük harfe çevrildi.
• Stopwords kelimeleri analizden çıkartıldı.
• Noktalama işaretleri kaldırıldı.

Toplamda 12267 Tweetten oluşan veri setinde API gelen bilgiler üzerinden aşağıdaki bilgi alanları seçilip analizde kullanılmıştır.

• Konum Bilgisi
• Tarih Bilgisi
• Beğeni Toplamı
• Hashtagleri
• Tweet’in Atıldığı Cihaz
• Tweet ID’si
• Tweet Metni

Modelleme

Modelleme kısmında hazır hale getirilmiş tweetler, Bert-Based-Turkish-Sentiment-Cased isimli modele sokulmuştur. BERT (Bidirectional Encoder Representations from Transformers) modelleri yapısal olarak kullanılan kelimeler arasında çift taraflı model eğitimine imkân sağlanan derin öğrenme modelleridir. Turkish NLP Topluluğu tarafından eğitilen bert-based-turkish-sentiment-cased modelinin temelini oluşturan BERTurk, Türkçe OSCAR corpus’u, Wikipedia ve çeşitli metin kaynaklarından derlenen yaklaşık 35 GB’lık bir eğitim korpüsü üzerinde eğitilmiştir. Modelin kelime dağarcığı (vocabulary) ise 32.000 alt-kelime (subword) biriminden oluşur. Model, çıktı olarak her tweet için negatif (-1), nötr (0) ve pozitif (1) şeklinde etiketleme işlemi gerçekleştirmiştir.

Sıklıkla kullanılan kelimelere baktığımızda insanların genel olarak aşı olduklarını ilan etmeyi sevdiklerini, yan etkilerden çekindikleri ve pandemi gelişmelerini yakından takip ettikleri gözlemlenmiştir.

Çalışmada kullanılan tweetlerin atıldığı cihaz dağılımına baktığımızda kullanıcıların yüksek oranda Android cihaz kullandıkları gözlemlenmiştir.

Çalışmada kullanılan tweetlerin atıldığı şehir dağılımına baktığımızda kullanıcıların yüksek oranda İstanbul’dan, İstanbul harici de genellikle büyükşehirlerden tweet attıkları gözlemlenmiştir.

Biontech

Türkiye geneline bakıldığında çalışma kapsamında toplanan tweetlerin yarısında Biontech aşısı hakkında olumlu tweet attığını gözlemlenmiştir.

Biontech hakkında atılan tweetlerin aldığı beğenme sayıları incelendiğinde pozitif tweetlerin toplamda 3000’den fazla beğeni aldığı gözlemlenirken, negatif tweetlerin 2500 beğeni barajını aşamadığını gözlemlemekteyiz. Bu durum insanların Biontech aşısı özelinde olumlu görüşleri daha çok desteklediğini göstermektedir.

Üç büyük şehrimize baktığımızda, özellikle pandeminin ilk aylarını yüksek vaka sayılarıyla geçiren Ankara’da %62 gibi yüksek bir oranla Biontech aşısı hakkında destekleyici tweetler atıldığını gözlemlemekteyiz. Aynı oran İstanbul’da %52,5’ken, İzmir kentinde pozitif tweet oranlarının yüzde ellinin altına düştüğünü ve diğer kentlere oranla en yüksek oranda nötr tweet atıldığı görülmektedir. İzmir’deki twitter kullanıcılarının diğer şehirlerde yaşayan kullanıcılara oranla aşı ve aşılama çalışmalarına daha şüpheci yaklaştığı çıkarımına bu verilerden varılabilir.

Biontech aşısı hakkında atılan negatif tweetler incelendiğinde, insanların şikayetçi olduğu konularda ortak başlıklar gözlemlenmiştir. İnsanların yaklaşık %15’i geçirdiği yan etkilerden şikayetçi olurken, %11’lik bir küme aşı olmasına rağmen covid-19 hastalığına yakalandığından şikâyet etmektedir.

İnsanların özellikle yan etkilerden şikayetçi olduğu Biontech aşılama çalışmaları kapsamında, 15 Temmuz 2021 öncesi ve sonrası karşılaştırıldığında, bu tarihten sonra Biontech aşısı hakkındaki olumlu düşüncelerin 4 puan azalarak %50’ye gerilediği görülmektedir.

Sinovac

Türkiye geneline bakıldığında çalışma kapsamında toplanan tweetlerin yarısından fazlasında Sinovac aşısı hakkında olumlu tweet attığını gözlemlenmiştir.

Sinovac hakkında atılan tweetlerin aldığı beğenme sayıları incelendiğinde pozitif tweetlerin toplamda 1000’den fazla beğeni aldığı gözlemlenirken, negatif tweetlerin 800 beğeni barajını aşamadığını gözlemlemekteyiz. Bu durum insanların Sinovac aşısı özelinde olumlu görüşleri daha çok desteklediğini göstermekle birlikte, Sinovac aşısının Biontech aşısı kadar kullanıcıların ilgisini çekemediğini göstermektedir.

Üç büyük şehrimize baktığımızda; İstanbul’da ikamet eden kullanıcıların %57’sinin, Ankaralı kullanıcıların da yarısının Sinovac aşısı hakkında olumlu düşüncelere sahip olduğu gözlemlenmektedir. Ancak İzmirli kullanıcıların olumlu ve olumsuz tweetlerinin arasında sadece %4’lük bir fark gözlemlenip olumlu tweetlerin oranı %50’nin altına düşmüştür. Bu durum da İzmirli kullanıcıların Sinovac aşısına Biontech aşısına oranla daha da şüpheci yaklaştığını göstermektedir.

Temmuz ortasına tekrar dönüldüğünde Sinovac aşısının 15 Temmuz’dan sonra tıpkı Biontech aşısında olduğu gibi güven kaybettiği ve pozitif tweet oranının tam 7 puan düştüğü gözlemlenerek %57’ye gerilediği gözlemlenmiştir.

Sonuç

Sonuç olarak, çalışma kapsamında insanların genel olarak aşılara daha olumlu baktığı ve olumlu bakış açılarının daha geniş kitlelerce desteklendiği gözlemlenmiştir. Pozitif tweet paylaşan kullanıcıların büyük çoğunluğu diğer insanları da aşı olmaya davet edip toplumsal bilinç oluşturmaya çalıştığı görülmüştür. Negatif tweetlerde özellikle aşıların virüse karşı etkisini sorgulanması ve yan etkileri konularının ciddi oranda etkili olduğu görülmüştür. Aşılanma çalışmalarının yoğunlaştığı dönemlerde de genel düşüncenin negatif yönde bir hareket sergilediği gözlemlenmiştir.

GTech Veri Bilimi Ekibi’nin uzmanlık alanlarından biri olan Doğal Dil İşleme (NLP) yöntemleriyle siz de şirketinizin herhangi bir sosyal medyada aldığı geri dönüşleri takip edebilir, farklı zamanlardaki duygu ve düşünce değişimlerini izleyebilirsiniz. Detaylı bilgi için bize ulaşabilirsiniz.

Hazırlayan: GTech Veri Bilimi Ekibi

The post X (Twitter) Duygu Analizi Çalışması | Biontech ve Sinovac Hakkındaki Düşünceler appeared first on GTech.

Derin öğrenme (Deep Learning) çalışmaları günümüzde hızla artan ve gelişen disiplinler arasında yer almaktadır. Özellikle büyük veri kavramı hayatımıza girdikten sonra verilerin işlenmesinde derin öğrenme yöntemleri kullanılmaya başlanmıştır. Bu çalışmamızda, kullanıcı tarafından belirlenen bir görsel üzerindeki yüzün tespit edilmesi ve tespit edilen yüzün derin öğrenme algoritmaları ve yöntemleri ile duygu analizi ve cinsiyet tespiti yapılması konularına değineceğiz.

Bu çalışma 2021 yılında yapılmıştır ve kullanılan Viola-Jones algoritması ile Mini_Xception modeli o dönemin yaygın yaklaşımlarını yansıtır. Yazının sonunda, bu tür sistemlerin bugün Avrupa Birliği Yapay Zeka Yasası karşısındaki durumunu ayrıca değerlendiriyoruz.

Yüz Tanıma (Face Recognition) Süreçleri

Bilgisayarla görme, günümüzde yüz tanıma sistemleri ve nesne sınıflandırma alanlarında yaygın olarak kullanılmaktadır. Yüz tanıma, görüntü veya videolardan elde edilen verilerdeki kişilerin otomatik olarak tanımlanması veya doğrulanmasıdır. Yüz tanıma süreçlerinin dört temel aşaması vardır. Bu işlemler:

• Yüz Algılama,
• Normalleştirme,
• Özellik Çıkarma,
• Sınıflandırma

Görsel 1. Yüz ve duygu tanıma için kullanılan örnek yüz fotoğrafları koleksiyonu

Yüz tanımada normalleştirme ve sınıflandırma algoritmaları ne kadar başarılı olursa olsun, öznitelik çıkarma aşaması başarılı olmazsa o sistem istenilen başarıyı sağlayamaz. Hem model eğitimi hem de değerlendirme için yaygın olarak kullanılan kombinasyonlar literatürde test edilmiştir. Gerçek zamanlı evrişimli sinir ağları mimarisi kullanılarak, yüz tanıma, cinsiyet sınıflandırması ve duygu sınıflandırması tek bir adımda aynı anda gerçekleştirilebilir.

Görsel 2. Yüz tespit algoritmasının fotoğraflar üzerindeki sonuçları

Bu dört aşama şöyle özetlenebilir:

• Yüz algılama: görsel içinde yüz bölgesinin veya bölgelerinin tespit edilmesidir; sonraki tüm aşamalar bu adımın doğruluğuna bağlıdır.
• Normalleştirme: tespit edilen yüzün boyut, açı ve aydınlatma gibi değişkenlerden bağımsız hale getirilerek standart bir forma getirilmesidir.
• Özellik çıkarma: yüzdeki ayırt edici örüntülerin sayısal temsillere dönüştürülmesidir; bu aşama, aşağıda değindiğimiz gibi sürecin en kritik halkasıdır.
• Sınıflandırma: çıkarılan özniteliklere göre nihai kararın (kimlik, duygu veya cinsiyet etiketi) üretilmesidir.

Çalışmada Kullanılan Yöntem

Çalışmamızda, yüz tanıma için Viola-Jones algoritması; duygu analizi ve cinsiyet tespiti için Evrişimsel Sinir Ağlarının (CNN) “Mini_Xception” modeli kullanılmıştır. Bu iki yöntem bir araya getirilerek yüz tanıma, cinsiyet sınıflandırması ve duygu sınıflandırması tek bir adımda gerçekleştirilmiştir.

Resimler üzerinden yüz görüntülerinden yaş tahmini yapan uygulamalar da literatürde geliştirilmiş ve bu uygulamalar için yüz resimlerinden veri setleri oluşturulmuştur. İnsan yüzlerinin işlenmesi; yüz tanıma (face recognition), yüz izleme ve yüz oluşturma aşamalarından oluşur.

Ayrı bir çalışmada, Viola-Jones yüz tanıma algoritmasının NVIDIA CUDA kullanılarak GPU üzerinde paralel çalıştırılmasıyla hesaplama hızının artırılabildiği ve seri ile paralel uygulamalar arasında karşılaştırmalı analizler yapılabildiği gösterilmiştir; bu, bizim çalışmamızın değil, alandaki bir başka çalışmanın bulgusudur ve GPU hızlandırmanın yöntemin performansını nasıl etkileyebileceğine dair bir bağlam sunar.

Deney Sonuçları

Yapılan 18 farklı deneyle tahmin oranları çıkarılmıştır. Bu çalışma kapsamındaki deneylerde en başarılı duygu tanıma %93,11 ile, en başarılı cinsiyet tanıma ise %90,75 ile ölçülmüştür. Bu oranlar, bu çalışmada kullanılan spesifik veri ve deney kurgusuna aittir; farklı bir veri setinde veya farklı bir test protokolünde aynı sonuçların elde edileceği garanti edilemez.

Görsel 3. Duygu ve cinsiyet tanıma modeli deney sonuçları

Modelin Başarısı Nasıl Artırılır?

• Yanlış tanımlanan görsellerin tanınabilmesi için sistemin öğretimi sırasında benzer görseller veri setine eklenmelidir.
• Veri setine daha belirgin görseller eklenip modele öğretilmelidir.
• Yüz tespiti için kullanılan önceden eğitilmiş dosya, daha geniş bir veri setiyle yeniden eğitilebilir.
• Duygu ve cinsiyet belirleme için kullanılan Mini_Xception modelinin yapısı değiştirilebilir, farklı bir model denenebilir veya adım sayısı artırılabilir.

Duygu Tanıma ve Mevzuat: AB Yapay Zeka Yasası Ne Diyor?

Bu çalışma bir araştırma ve gösterim çalışmasıdır. Ancak benzer bir sistemin Avrupa Birliği’nde ticari veya kurumsal olarak hayata geçirilmesi, yasanın açık hükümlerine tabidir.

Bilimsel temele dair ciddi endişeler

Avrupa Birliği Yapay Zeka Yasası’nın 44 numaralı gerekçesi, duyguları tanımlamayı veya çıkarsamayı amaçlayan yapay zeka sistemlerinin bilimsel temeline dair ciddi endişeler bulunduğunu belirtiyor; çünkü duygu ifadeleri kültürler ve durumlar arasında, hatta tek bir bireyin kendi içinde bile önemli ölçüde değişkenlik gösteriyor. Aynı gerekçe, bu sistemlerin başlıca eksikliklerini sınırlı güvenilirlik, özgüllük eksikliği ve sınırlı genellenebilirlik olarak sıralıyor.

Yasak olan kullanımlar

Yasanın 5. maddesi, bir gerçek kişinin duygularını çıkarsayan yapay zeka sistemlerinin iş yeri ve eğitim kurumlarında kullanılmasını yasaklıyor; tek istisna tıbbi veya güvenlik amaçlı kullanım. Aynı madde, biyometrik veriye dayanarak kişilerin ırkını, siyasi görüşünü, sendika üyeliğini, dini veya felsefi inancını, cinsel yaşamını ya da cinsel yönelimini çıkarsayan biyometrik sınıflandırma sistemlerini de yasaklıyor. Bu yasaklar 2 Şubat 2025’ten beri yürürlükte.

Yüksek riskli sayılan kullanımlar

Yasak kapsamına girmeyen durumlarda ise duygu tanıma sistemleri ve hassas veya korunan özelliklere göre biyometrik sınıflandırma yapan sistemler, yasanın Ek III listesinde yüksek riskli olarak sayılıyor. Bu kategori belgelenmiş risk yönetimi, insan gözetimi ve bazı durumlarda bağımsız denetim gerektiriyor. Yükümlülüklerin başlangıcı, yasanın sadeleştirilmesine yönelik AI Omnibus uzlaşısıyla 2 Aralık 2027’ye ertelendi.

Bilgilendirme yükümlülüğü

Yasanın 50. maddesi, bir duygu tanıma veya biyometrik sınıflandırma sistemini işleten tarafın, bu sisteme maruz kalan kişileri sistemin çalıştığı konusunda bilgilendirmesini zorunlu kılıyor.

Pratikte bunun anlamı şu: bir modelin teknik olarak çalışması ile bir kurumda kullanılabilir olması ayrı şeylerdir. Kullanım senaryosu belirlenmeden önce hangi kategoriye girildiğinin tespit edilmesi gerekir.

Böyle Bir Sistemi Kurarken Nelere Dikkat Edilmeli?

• Kullanım alanını önceden sınıflandırın. Sistem iş yeri veya eğitim ortamında duygu tanımak için kullanılacaksa, tıbbi veya güvenlik istisnası dışında bu kullanım yasaktır; hiçbir teknik iyileştirme bu sınırı kaldırmaz.
• Veri setinin temsil gücünü sorgulayın. Gerekçe 44’ün işaret ettiği kültürel ve bireysel değişkenlik, modelin eğitildiği veri setinin dışındaki popülasyonlarda güvenilirliğinin düşebileceği anlamına gelir.
• Çıktıyı tek başına karar mekanizması yapmayın. Sınırlı güvenilirlik ve genellenebilirlik nedeniyle, duygu veya cinsiyet tahminleri insan değerlendirmesinin yerine değil, ona destek olarak konumlandırılmalıdır.
• Bilgilendirme yükümlülüğünü tasarıma dahil edin. Sisteme maruz kalan kişilerin bunu bilmesi gerekiyor; bu, sonradan eklenecek bir özellik değil, projenin başında planlanması gereken bir gerekliliktir.

Sonuç

Bu çalışmayla, seçilen bir görsel üzerinde yüz tespiti yapılmış, tespit edilen yüz üzerinde derin öğrenme yöntemleriyle duygu analizi ve cinsiyet tahmini gerçekleştirilmiştir. Derin öğrenmenin yapay zeka içindeki yerini Yapay Zeka Nedir yazımızda ele almıştık.

Benzer çalışmalar ve kurumunuza özel modeller için yapay zeka ve ileri analitik çözümlerimizi inceleyebilir, bizimle iletişime geçebilirsiniz.

Kaynakça

• Singh, N., Sabrol, H. Convolutional Neural Networks: An Extensive arena of Deep Learning. A Comprehensive Study. Arch Computat Methods Eng (2021). DOI: 10.1007/s11831-021-09551-4
• Masi, I., Wu, Y., Hassner, T., Natarajan, P. Deep Face Recognition: A Survey. 31st SIBGRAPI Conference on Graphics, Patterns and Images, 2018, s. 471-478. doi: 10.1109/SIBGRAPI.2018.00067
• Arriaga, O., Valdenegro-Toro, M., Plöger, P. Real-time convolutional neural networks for emotion and gender classification. arXiv:1710.07557, 2017
• Parkhi, O. M., Vedaldi, A., Zisserman, A. Deep face recognition. British Machine Vision Association, 2015, s. 1-12
• Kahou, S. E. ve ark. Emonets: Multimodal deep learning approaches for emotion recognition in video. Journal on Multimodal User Interfaces 10(2), 2016, s. 99-111
• AB Yapay Zeka Yasası, Madde 5: Yasaklı Yapay Zeka Uygulamaları
• AB Yapay Zeka Yasası, Gerekçe 44: Duygu Tanımanın Bilimsel Sınırları
• AB Yapay Zeka Yasası, Ek III: Yüksek Riskli Yapay Zeka Sistemleri
• AB Yapay Zeka Yasası, Madde 50: Şeffaflık Yükümlülükleri
• Avrupa Komisyonu, AI Act

Hazırlayan: GTech Veri Bilimi Ekibi

The post Derin Öğrenme ile Yüz ve Duygu Tanıma appeared first on GTech.