Bankacılıkta Şeffaf Yapay Zekâ Yolculuğuna Katıl!
Bankalar için açıklanabilir makine öğrenmesini anlatırken, kullandığımız yaklaşımı baştan sona şekillendiren temel bir felsefemiz var: “finances.” Yani hem sistematik düşünmeyi hem
de sezgisel bakışı birlikte ele alıyoruz. Her şeyin matematiğe, modele indirgenebileceği yanılgısı—özellikle finans dünyasında—çok yaygın. Oysa süreç çoğu zaman tahmin ettiğinizden
daha insani bir hal alıyor. Mesela, bir öğrencinin, kredi risk skorunu açıklamak için SHAP değerlerini anlatırken, birdenbire kendi aile bütçesini analiz etmekte kullandığı benzer
mantıklarla bağlantı kurduğuna kaç kez şahit oldum, sayamam. O anlarda, dersin asıl amacı veriyle aramızdaki mesafeyi kapatmak oluyor. Her detayın mekanik bir açıklaması yok; bazen
bir model neden böyle davrandı, sorusunun cevabı, yalnızca formüllere bakılarak bulunmuyor. İşte tam burada, “finances” yaklaşımının sezgiye verdiği alan devreye giriyor. Tabii, bu
yaklaşımı anlatırken karşılaşılan zorlukları hafife almak mümkün değil. En sık gelen sorulardan biri: “Hocam, bu modelin kararlarını gerçekten anlayabiliyor muyuz, yoksa sadece
öyleymiş gibi mi yapıyoruz?” Haklı bir tereddüt. Çünkü bankacılıkta yanlış anlaşılmış bir model, yanlış bir kredi kararı anlamına gelebilir—buradaki sorumluluk çok ağır. Burada çoğu
öğrencinin gözünden kaçan bir nokta var, onu açıkça söylemek gerekir: Açıklanabilirlik araçlarının çoğu, size kesin, tek bir yanıt sunmaz. Daha çok, bir harita gibi düşünün; size
yol gösterir ama son kararı sizin sezginiz verir. Bazen, en kritik içgörü bir modelin beklenmedik bir örüntüsünde saklıdır—tıpkı Zeynep’in, bir fraud tespit modelinin alışılmadık
ama tutarlı bir şekilde bazı işlemleri işaretlediğini fark etmesinde olduğu gibi. O an, anlatılan teorilerin bankacılık pratiğinde nasıl ete kemiğe büründüğünü görüyorsunuz. Belki
de en ilginç tarafı, bu becerileri edinenlerin, beklenmedik şekillerde kullanmaya başlaması. Yani, makine öğrenmesiyle kredi riski veya müşteri segmentasyonu değil de, örneğin bir
öğrencinin, ailesinin tatil harcamalarını analiz edip, hangi kalemlerin fazla lüks olduğunu açıklayabilmesi gibi. Bu tarz kişisel örnekler, dersin başında beklediğimizden çok daha
fazla ortaya çıkıyor. Ve aslında, “finances” adını verdiğimiz yaklaşımın en güçlü yanı burada kendini belli ediyor. Yalnızca teknik bilgi vermek değil, aynı zamanda karmaşık bir
sistemin içinde, insan sezgisinin ve deneyiminin ne kadar değerli olduğunu göstermek. Açıkçası, klasik derslerin aksine, burada tek doğru anlatıyı takip etmiyoruz; bazen bir SHAP
grafiğinin yanında, bir öğrenci anekdotu veya eski bir bankacının yaşadığı gerçek bir kararsızlık hikayesine de yer veriyoruz. Ve bu, konuyu hem daha anlaşılır hem de daha gerçek
kılıyor.