Kazanimlar:
- Kredi skorlamasının hangi verilere dayandığını ve yapay zekanın skoru değil, skorun anlaşılır bir özetini ve eksik belge kontrolünü hızlandırdığını kavrayabilme
- Yapay zekayı kredi dosyası için tutarlılık kontrolü ve karar gerekçesi taslağı üretmek için kullanıp nihai tahsis kararını yetkili uzman olarak verebilme
- Model çıktısının açıklanabilir, gerekçelendirilebilir ve ayrımcılık içermeyen biçimde belgelenmesi gerektiğini kavrayıp kırmızı çizgileri koruyabilme
Bir kredi başvurusu geldiğinde arka planda basit bir soru vardır: "Bu müşteri bu krediyi geri ödeyebilir mi ve öderken bankayı hangi riske sokar?" Bu sorunun cevabı, kredi uzmanının gününün büyük bölümünü kaplayan bir dizi işe dağılır: gelir belgesini okumak, borç/gelir oranını hesaplamak, kredi geçmişini (KKB — Kredi Kayıt Bürosu notu) yorumlamak, teminatı değerlendirmek, iç politikayla karşılaştırmak ve sonunda bir gerekçeli karar yazmak. Yapay zeka bu işlerin okuma, özetleme ve tutarlılık kontrolü kısmında ciddi zaman kazandırır. Ama dikkat: yapay zeka skoru üretmez, skorun ne anlama geldiğini ve dosyanın nerede tutarsız olduğunu anlamanıza yardım eder. Kredi tahsis kararı, gerekçesiyle birlikte, yetkili uzmanın imzasıdır.
Bu ünitede kredi skorlamasının hangi verilere dayandığını, yapay zekayı hangi noktada güvenle kullanabileceğinizi, çıktısını nasıl doğrulayacağınızı ve hangi kırmızı çizgileri asla geçmemeniz gerektiğini adım adım göreceğiz.
Kredi skorlaması neye dayanır
Kredi skoru, bir müşterinin geri ödeme olasılığını sayısal bir değere indirgeyen bir tahmindir. Tipik girdiler şunlardır:
- Gelir ve istihdam: Aylık düzenli gelir, çalışma süresi, gelir kaynağının sürekliliği.
- Mevcut borçluluk: Var olan krediler, kredi kartı borçları, borç/gelir oranı (aylık borç ödemesinin gelire oranı).
- Kredi geçmişi: Geçmiş ödeme düzeni, gecikmeler, yasal takip kayıtları (KKB skoru bunu özetler).
- Teminat: Krediye karşılık gösterilen varlık (konut, araç, mevduat) ve değeri.
- Talep özellikleri: Kredi tutarı, vade, ürün türü.
İpucu: Skor bir "olasılık tahminidir", bir "gerçek" değildir. İki müşterinin skoru aynı olabilir ama hikâyeleri tamamen farklı olabilir. Skorun ardındaki gerekçeyi görmeden karar vermek, kitabı kapağından yargılamaktır.
Yapay zeka bu süreçte nerede durur
Yapay zekanın güvenle kullanılabileceği yerler ve kullanılamayacağı yerler nettir:
Görev
YZ rolü
Karar/onay kimde
Gelir belgesindeki tutarları özetleme
Okuma, özet
Uzman kaynaktan teyit
Borç/gelir oranı hesabı taslağı
Hesap taslağı
Uzman yeniden hesaplar
Dosya tutarlılık kontrolü (çelişki bulma)
Tarama
Uzman doğrular
Red/onay gerekçesi taslağı
Metin taslağı
Yetkili uzman yazar/onaylar
Skorun anlamını açıklama
Açıklama metni
Uzman yorumlar
Kredi tahsis kararı
(yalnızca taslak)
Yetkili/komite karar verir
Görüldüğü gibi yapay zeka her satırda taslak ve kontrol üretir; hiçbir satırda "karar" vermez. Bu ayrımı korumak, bu ünitenin özüdür.
Adım adım: bir dosyayı yapay zeka desteğiyle hazırlamak
- Anonimleştir. İsim, TC, hesap numarasını çıkarın; müşteriyi "42 yaşında, kamu çalışanı, X segment" gibi tanımlayın.
- Taslak iste. Yapay zekaya dosya özeti, tutarlılık kontrolü ve gerekçe taslağı yaptırın — karar değil.
- Kaynağa bağla. Çıktıdaki her sayının hangi belgeden geldiğini işaretletin.
- Yeniden hesapla. Borç/gelir oranı, teminat oranı gibi kritik sayıları kendiniz doğrulayın.
- Politika süzgeci. İç kredi politikanıza ve ayrımcılık yasağına uygunluğu kontrol edin.
- Karar ve imza. Kararı siz verin, gerekçesini yazın, denetim izini bırakın.
Dört kopyalanabilir şablon
1) Dosya tutarlılık kontrolü:
Rolün: kredi dosyası tutarlılık denetçisi. Karar verme.Müşteri (anonim): 42 yaşında, kamu çalışanı, aylık net gelir 55.000 TL,mevcut aylık kredi ödemesi 12.000 TL, talep 250.000 TL / 48 ay.Görev: Verilen bilgilerde matematiksel veya mantıksal çelişki, eksikbelge ya da tutarsız tarih var mı? Her bulguyu "[teyit gerekli]" etiketiyleve hangi bilgiye dayandığını belirterek listele. Karar bana ait.
2) Borç/gelir oranı hesap kontrolü:
Aşağıdaki verilerle borç/gelir oranını adım adım hesapla ve formülü göster.Yalnızca hesabı yap, uygunluk kararı verme.Aylık net gelir: 55.000 TLMevcut aylık borç ödemesi: 12.000 TLYeni kredinin tahmini aylık taksiti: 6.500 TLİstenen çıktı: mevcut oran, yeni kredi dahil oran, formül ve ara adımlar.
3) Red/onay gerekçesi taslağı (açıklanabilir):
Rolün: kredi karar gerekçesi TASLAĞI yazan asistan.Girdi olarak sana verdiğim doğrulanmış bulgulara DAYAN, yeni bilgi ekleme.Bulgular: [borç/gelir oranı %34, teminat oranı yeterli, 1 gecikme kaydı]Görev: Bu bulgulara dayanan, açıklanabilir ve ayrımcı ifade içermeyen birgerekçe taslağı yaz. Korumalı özelliklere (yaş, cinsiyet, köken, semt) atıfyapma. Nihai kararı ve imzayı ben ekleyeceğim.
4) Skorun sade açıklaması:
Bir müşteriye kredi skorunun ne anlama geldiğini, teknik terim kullanmadan,suçlayıcı olmayan bir dille 4 cümleyle açıkla. Kişisel veri kullanma,kesin vaat verme. Bu metni müşteriye iletmeden önce ben kontrol edeceğim.
Zayıf prompt / Güçlü prompt
Zayıf prompt:
Bu müşteriye kredi verelim mi? Skoruna göre karar ver ve gerekçesini yaz.
Bu istem kararı modele bırakır, kaynağa bağlanmaz ve gerekçenin ayrımcı çıkmasını engellemez.
Güçlü prompt:
Rolün: karar desteği asistanı, karar verici değil.Sana verdiğim doğrulanmış bulgulara dayanarak bir gerekçe TASLAĞI yaz.Her cümlenin dayandığı bulguyu parantez içinde göster. Korumalı özelliklereatıf yapma. Belirsiz noktaları "[teyit gerekli]" diye işaretle.Nihai kredi kararını ve sorumluluğu ben üstleneceğim.
Güçlü istem rolü sınırlar, her iddiayı kaynağa bağlar, ayrımcılığı engeller ve kararı insanda tutar.
Üç mini vaka
Vaka 1 — Zaman kazancı. Bir uzman, 30 dosyalık bir portföyde tutarlılık kontrolü yapar. Yapay zeka "8 numarada beyan edilen gelir 60.000 ama bordroda 42.000 görünüyor" gibi 5 tutarsızlık işaretler. Uzman hepsini kaynakta teyit eder; 3'ü gerçek, 2'si yapay zekanın yanlış okuması çıkar. Manuel 3 saatlik iş 40 dakikaya iner ve hiçbir uyarı doğrulanmadan kullanılmaz.
Vaka 2 — Yeniden hesaplama hatayı yakalar. Yapay zeka borç/gelir oranını "%28" diye özetler. Uzman formülü yeniden çalıştırır: mevcut borç dahil edilmemiştir, gerçek oran %41'dir ve bu iç politikanın eşiğini aşar. Doğrulama olmasaydı yanlış bir onay çıkabilirdi.
Vaka 3 — Ayrımcı gerekçe reddi. Yapay zeka bir red taslağında "başvuru sahibinin oturduğu bölge riskli" ifadesi kurar. Uzman bunu reddeder; bu ifade semt üzerinden dolaylı ayrımcılık (vekil değişken) riski taşır. Gerekçe, yalnızca borç/gelir oranı ve gecikme kaydı gibi meşru kriterlerle yeniden yazılır.
Skorun ötesi: bağlam ve "sınırdaki" dosyalar
Kredi kararlarının en zor kısmı, açık kabul veya açık ret değil, "sınırda" duran dosyalardır. Skor iç politikanın eşiğine çok yakınsa, karar tek bir sayının insafına bırakılamaz; bağlam devreye girer. İşte tam burada yapay zeka bir tuzak kurabilir: her sınır dosyasını aynı mekanik mantıkla değerlendirip nüansı kaçırır. Nüansı katan uzmandır.
Sınırdaki bir dosyada uzmanın baktığı bağlam örnekleri:
- Gecikmenin hikâyesi: Tek bir gecikme, geçici bir sağlık sorunundan mı yoksa sürekli bir ödeme güçlüğünden mi kaynaklandı? Aynı "1 gecikme kaydı", iki farklı hikâye anlatabilir.
- Gelirin niteliği: İki müşterinin geliri eşit olabilir ama biri düzenli maaşlı, diğeri değişken serbest gelirli olabilir; risk profili farklıdır.
- Bankayla ilişki: Uzun süredir sorunsuz çalışan bir müşterinin dosyası, yeni bir müşterininkinden farklı okunur.
Yapay zeka bu bağlamları özetlemenize yardım edebilir, ama tartıp karar vermek — özellikle sınırdaki dosyalarda — uzmanın yargısıdır.
İpucu: Skorun eşiğe yakın olduğu dosyalarda "model ne dedi" değil, "bu müşterinin hikâyesi ne anlatıyor" sorusunu merkeze alın. Sınır dosyaları, otomasyonun değil, uzman yargısının parladığı yerdir.
Sık yapılan hatalar
- Skoru karar sanmak. Skor bir tahmindir; kararın kendisi değildir. Gerekçe ve bağlam olmadan skora göre hüküm vermek hatalıdır.
- Sayıyı yeniden hesaplamamak. Yapay zekanın verdiği oran ve toplamları teyit etmeden kullanmak; halüsinasyon veya yanlış okuma buradan girer.
- Ayrımcı gerekçeyi fark etmemek. Semt, yaş, cinsiyet gibi korumalı özellik veya vekil değişken içeren gerekçeleri onaylamak; ciddi hukuki risk.
- Denetim izini atlamak. Kararın hangi doğrulanmış bulguya dayandığını belgelememek; sonradan itiraz veya denetimde savunulamaz.
- Kimlik bilgisi paylaşmak. Dosyayı anonimleştirmeden araca girmek.
Dikkat: Bir kredi kararı reddedildiğinde müşterinin gerekçeyi öğrenme ve itiraz etme hakkı vardır. Bu yüzden gerekçe hem doğru hem açıklanabilir hem de ayrımcılıktan arınmış olmalıdır. "Model öyle skorladı" bir gerekçe değildir.
Özetle
Kredi skorlaması gelir, borçluluk, kredi geçmişi ve teminat gibi verilere dayanan bir olasılık tahminidir. Yapay zeka bu süreçte belge okuma, tutarlılık kontrolü, hesap taslağı ve gerekçe taslağı üretir; ama skoru da kararı da yerinize koymaz. Her sayıyı yeniden hesaplayın, her gerekçeyi kaynağa bağlayın ve ayrımcılık süzgecinden geçirin. Kredi tahsis kararı, açıklanabilir gerekçesiyle birlikte, yetkili uzmanın imzasıdır. Tek cümlede: Yapay zeka dosyayı hazırlar; kredi kararını yetkin insan verir.
Uygulama görevi
Örnek bir kredi dosyası tanımlayın (anonim: yaş, meslek, gelir, mevcut borç, talep, vade). Yukarıdaki 1. ve 2. şablonla önce tutarlılık kontrolü, sonra borç/gelir oranı hesabı yaptırın. Yapay zekanın verdiği oranı kendiniz elle yeniden hesaplayın ve karşılaştırın. Ardından 3. şablonla bir gerekçe taslağı üretip içinde korumalı özellik veya vekil değişken olup olmadığını denetleyin; varsa meşru kriterlerle yeniden yazın.
Kontrol listesi
- [ ] Dosyayı anonimleştirdim; kimlik bilgisi paylaşmadım.
- [ ] Yapay zekaya karar değil, taslak/kontrol görevi verdim.
- [ ] Borç/gelir oranı ve kritik sayıları elle yeniden hesapladım.
- [ ] Gerekçeyi doğrulanmış bulgulara bağladım ve kaynağını gösterdim.
- [ ] Gerekçede korumalı özellik/vekil değişken olmadığını denetledim.
- [ ] Kararı ve gerekçesini kayıt altına aldım; nihai sorumluluğu üstlendim.