Kredi Başvuru Süreçlerinde Yapay Zeka Destekli Belge Doğrulama

Bir kredi karar motoru ne kadar gelişmiş olursa olsun, kararın dayandığı belge yanlış okunmuş, eksik değerlendirilmiş veya manipüle edilmişse sonuç da bundan etkilenir. Bu nedenle belge doğrulama, kredi süreçlerinin arka ofiste yürütülen yardımcı bir adımı olmaktan çıkıyor. Müşteri deneyiminden kredi riskine, operasyonel verimlilikten denetlenebilirliğe kadar sürecin birçok noktasını etkileyen önemli bir veri ve kontrol katmanına dönüşüyor.

Yapay zeka, görüntü analizi ve doküman analitiğindeki gelişmeler de bu dönüşümü hızlandırıyor. Özellikle görüntüleri ve metni birlikte değerlendirebilen yeni nesil büyük dil modelleri, geçmişte büyük ölçüde manuel yürütülen belge kontrol süreçlerinin daha hızlı, ölçeklenebilir ve izlenebilir şekilde tasarlanması için yeni olanaklar sunuyor.

30 yılı aşkın finansal teknoloji deneyimimizi bu alana taşıyarak, kredi başvurularında kullanılan belgelerin uçtan uca otomatik olarak değerlendirilmesini hedefleyen yapay zeka destekli bir belge doğrulama platformu geliştiriyoruz.

Belge doğrulama neden kredi kararının önemli bir parçası?

Bir kredi başvurusunda karar yalnızca kredi skoru veya karar ağacının ürettiği sonuçtan oluşmaz. Bu kararın arkasında kimlik bilgileri, gelir belgeleri, bordrolar, banka hesap hareketleri, finansal tablolar, imza sirküleri ve farklı kaynaklardan gelen pek çok veri bulunabilir.

Bu belgelerin doğru okunması ve değerlendirilmesi kredi kararının kalitesini doğrudan etkiler. Konuyu dört başlık altında değerlendirmek mümkün:

Müşteri deneyimi: Dijital kanaldan başlayan bir kredi başvurusunda müşterinin beklentisi, sürecin mümkün olduğunca hızlı ilerlemesidir. Başvurunun dijital olarak alınmasına rağmen belgelerin manuel kontrol için beklemesi, uçtan uca deneyimde önemli bir kesinti yaratabilir. Belge kontrolünün hızlanması, başvurunun değerlendirme ve tahsis aşamalarına daha kısa sürede geçmesine yardımcı olabilir.

Kredi riski: Gelir, borçluluk veya şirketin finansal durumu gibi kredi kararında kullanılan bilgilerin doğru değerlendirilmesi tahsis kalitesi açısından önemlidir. Yanlış okunan, eksik değerlendirilen veya üzerinde değişiklik yapılmış bir belge, karar motoruna hatalı veri aktarılmasına neden olabilir. Bu nedenle belge doğrulama, sadece operasyonel bir kontrol değil, kredi risk yönetiminin de bir parçasıdır.

Operasyonel verimlilik: Yüksek başvuru hacmine sahip kuruluşlarda binlerce belgenin çalışanlar tarafından tek tek kontrol edilmesi önemli bir iş yükü yaratır. Tekrarlayan kontrollerin otomatikleştirilmesi, operasyon ekiplerinin zamanını rutin belge okumak yerine gerçekten değerlendirme gerektiren başvurulara ayırabilmesini sağlar.

İzlenebilirlik ve uyum: Finansal kuruluşların yalnızca doğru karar vermesi değil, gerektiğinde bu kararın hangi bilgilere ve kontrollere dayanılarak verildiğini gösterebilmesi de önemlidir. Bu nedenle otomasyonun amacı yalnızca hız değildir. Belgenin ne zaman işlendiği, hangi verilerin çıkarıldığı, hangi kontrollerden geçtiği ve hangi aşamada insan değerlendirmesine yönlendirildiği gibi bilgilerin izlenebilir olması gerekir.

Manuel kontrolden akıllı doküman işlemeye

Belge otomasyonunun ilk dönemlerinde temel teknoloji optik karakter tanıma, yani OCR idi. OCR'ın temel görevi bir görüntü üzerindeki karakterleri okuyarak bunları makine tarafından işlenebilir metne dönüştürmektir. Bu teknoloji halen pek çok belge işleme sürecinin önemli bir parçasıdır. 

Ancak kredi başvurularındaki belgeler her zaman standart değildir. Aynı tür belge farklı formatlarda gelebilir. Bir belge cep telefonuyla çekilmiş olabilir. Görüntü eğik, düşük çözünürlüklü veya kısmen okunaksız olabilir. Kurumsal müşterilerde finansal tabloların, imza sirkülerinin ve diğer belgelerin formatları kurumdan kuruma değişebilir.

Bu noktada Akıllı Doküman İşleme (Intelligent Document Processing – IDP) yaklaşımı devreye giriyor. IDP, yalnızca metni okumayı değil; belgenin türünü belirlemeyi, içindeki ilgili verileri çıkarmayı, veriler arasındaki ilişkileri değerlendirmeyi ve gerektiğinde bu bilgileri başka sistemlerle karşılaştırmayı amaçlıyor.

Dolayısıyla temel soru artık yalnızca: “Bu belgede ne yazıyor?” değil. Aynı zamanda: “Bu belge nedir, hangi bilgiler önemlidir, bu bilgiler birbiriyle tutarlı mı ve kredi sürecinde nasıl kullanılmalıdır?” soruları da gündeme geliyor.

Görüntü tabanlı LLM'ler neyi değiştiriyor?

Büyük dil modellerinin görsel içerikleri de değerlendirebilmesi, doküman işleme teknolojilerinin kullanım alanını genişletiyor.

Geleneksel OCR, ağırlıklı olarak karakter ve metin çıkarmaya odaklanırken, görüntü tabanlı LLM'ler metnin yanı sıra belgenin görsel yapısını, yerleşimini ve bağlamını birlikte değerlendirebilir. Örneğin bir finansal belgede yalnızca rakamların okunması yeterli olmayabilir. Bu rakamın hangi satırda bulunduğu, hangi başlıkla ilişkili olduğu ve belgenin diğer bölümlerindeki bilgilerle tutarlı olup olmadığı da önem taşır.

Bu yaklaşım özellikle formatları değişebilen ve yapılandırılmamış belgelerde önemli bir esneklik sağlayabilir. Bununla birlikte finansal süreçlerde önemli bir ayrımın altını çizmek gerekir:

Yapay zekanın bir bilgiyi çıkarabilmesi ile o bilginin doğrulanmış olması aynı şey değildir.

Bir modelin ürettiği sonuç, kredi kararında kullanılmadan önce güven seviyeleri, iş kuralları, farklı veri kaynakları ve gerektiğinde insan kontrolüyle değerlendirilmelidir. Dolayısıyla yeni nesil belge doğrulamanın gücü yalnızca LLM kullanmaktan değil; yapay zekayı finansal süreçlerin gerektirdiği kontrol mekanizmalarıyla birlikte tasarlamaktan geliyor.

Belge sahteciliği ve anomali tespitinde yapay zeka

Belge kontrolündeki bir diğer önemli konu, yalnızca verinin okunması değil, belgenin kendi içindeki olası tutarsızlıkların belirlenmesidir.

Dijital ortamda değiştirilmiş bir bordro, farklı kaynaklardan bir araya getirilmiş bir doküman veya üzerinde sonradan değişiklik yapılmış bir finansal belge, geleneksel kontroller açısından önemli bir zorluk oluşturabilir.

Görüntü analizi; yazı tipi, yerleşim, renk, sıkıştırma ve benzeri görsel unsurlardaki tutarsızlıklara ilişkin sinyaller üretebilir. Belgeden elde edilen veriler de diğer bilgi kaynakları ve kredi sürecindeki iş kurallarıyla karşılaştırılabilir.

Buradaki temel yaklaşım, yapay zekanın tek başına “bu belge sahtedir” kararı vermesi yerine, değerlendirme gerektiren durumları belirleyerek sürece ek bir kontrol katmanı sağlamasıdır. Örneğin bir gelir belgesindeki bilgi, başvuru sırasında beyan edilen gelirle uyuşmuyorsa veya belge üzerinde değerlendirilmesi gereken bir anomali tespit ediliyorsa, başvuru otomatik işlem akışından çıkarılarak ilgili uzman tarafından incelenebilir. Böylece teknoloji, operasyon ekibinin yerine geçmekten çok ekibin dikkatini gerçekten inceleme gerektiren başvurulara yönlendiren bir araç haline gelir.

Finans sektöründe yapay zeka için kritik konu: İnsan kontrolü

Yapay zeka kullanımının finans sektöründeki diğer sektörlerden ayrıldığı noktalardan biri, kararların sonuçlarının doğrudan müşteri ve kurum riski üzerinde etkili olmasıdır. Bu nedenle yapay zekayı tamamen bağımsız çalışan bir “kara kutu” olarak konumlandırmak yerine, kontrollü bir karar sürecinin parçası olarak tasarlamak gerekir.

İnsan kontrollü yapay zeka yaklaşımında sistem, belge üzerinde gerçekleştirdiği analiz sonucunda belirli bir güven seviyesi oluşturabilir. Güven seviyesi yüksek ve tanımlanmış iş kurallarıyla uyumlu işlemler otomatik olarak bir sonraki aşamaya aktarılabilir. Düşük güven seviyesine sahip, eksik bilgi içeren veya anomali tespit edilen belgeler ise operasyon uzmanlarının değerlendirmesine yönlendirilebilir.

Burada hedef insanı süreçten tamamen çıkarmak değildir. Hedef, insan müdahalesini gerçekten gerekli olduğu noktaya taşımaktır. Bu ayrım özellikle yüksek hacimli kredi operasyonlarında önemlidir. Operasyon ekiplerinin her belgeyi aynı yoğunlukta kontrol etmesi yerine, otomasyon standart işlemleri yönetirken uzmanlar istisnalara ve riskli durumlara odaklanabilir.

Ölçeklenebilirlik neden mimari bir konu?

Belge doğrulama sistemlerinin yalnızca doğru çalışması yeterli değildir. Kredi operasyonlarındaki değişen işlem hacimlerine de uyum sağlayabilmesi gerekir.

Başvuru hacimleri ürünlere, kanallara, kampanyalara veya dönemsel koşullara göre değişebilir. Bu nedenle altyapının artan işlem miktarını yönetebilecek şekilde tasarlanması önemlidir.

Set Yazılım'ın Düzce Teknopark onaylı Ar-Ge projesinde geliştirilmekte olan belge doğrulama platformunun temel mimari özelliklerinden biri Multi-Tenant (çok kiracılı) yapı olacak. Multi-tenant yaklaşım, birden fazla kurumun aynı teknoloji altyapısından yararlanabilmesine olanak verirken, her kurumun verilerinin ve süreçlerinin birbirinden ayrıştırılmasını esas alır.

Finansal kuruluşlar açısından bu model yalnızca teknik ölçeklenebilirlik anlamına gelmez. Her kurumun farklı kredi politikaları, belge türleri, iş kuralları, karar mekanizmaları ve entegrasyon ihtiyaçları bulunabilir. Dolayısıyla mimarinin ortak bir teknolojik altyapı üzerinde kuruma özel süreçlerin yönetilebilmesine imkan vermesi gerekir. Bu esneklik, özellikle yeni ürünlerin veya yeni kredi süreçlerinin devreye alınmasında önemli hale geliyor.

Yapay zeka tek başına yeterli değil

Finansal teknolojilerde yeni bir teknoloji ortaya çıktığında tartışma çoğu zaman kullanılan teknoloji üzerinde yoğunlaşıyor.

OCR mı? Makine öğrenmesi mi? LLM mi? Görüntü tabanlı LLM mi?

Oysa finansal kuruluş açısından asıl soru farklıdır: 

• Bu teknoloji mevcut kredi sürecinin içine nasıl yerleşecek? 

• Belgeden çıkarılan bilgi kredi değerlendirme sistemine nasıl aktarılacak? 

• Karar ağacı bu bilgiyi nasıl kullanacak? 

• Hangi durumda otomatik işlem yapılacak? 

• Hangi durumda operasyon ekibine görev açılacak? 

• Sonuç hangi sistemlere aktarılacak? 

• İşlem daha sonra nasıl denetlenebilecek?

Bu sorular çözülmeden tek başına gelişmiş bir yapay zeka modeline sahip olmak, uçtan uca kredi otomasyonu anlamına gelmez. Finansal teknoloji alanında uzun yıllara dayanan sektör deneyiminin önemi de burada ortaya çıkıyor.

Kredi teknolojisi deneyimini yapay zeka ile buluşturuyoruz

30 yılı aşkın süredir finansal kuruluşların kredi yaşam döngüsünün farklı aşamalarındaki teknoloji ihtiyaçları üzerinde çalışıyoruz.

Kredi başvurularının alınması, kredi değerlendirme ve tahsis süreçleri, karar ağaçları, skorlamalar, üçüncü taraf veri entegrasyonları, belge yönetimi, muhasebe ve kredi sonrası süreçler bu deneyimin önemli parçalarını oluşturuyor. Bu birikim bize yapay zekaya yalnızca bir teknoloji olarak değil, kredi sürecinin bir parçası olarak bakma imkanı veriyor.

Düzce Teknopark tarafından onaylanan yeni Ar-Ge projemiz de bu yaklaşımın bir sonucu. Proje kapsamında görüntü tabanlı LLM analizlerinden yararlanarak kredi başvurularında kullanılan belgelerin doğruluğunu, bütünlüğünü ve uygunluğunu otomatik olarak değerlendirmeyi hedefleyen bir platform geliştiriyoruz.

Amacımız yalnızca belgeleri daha hızlı okumak değil. Belge kontrolü ile kredi değerlendirme süreci arasındaki bağlantıyı güçlendirmek; manuel iş yükünü azaltırken kontrol, izlenebilirlik ve ölçeklenebilirliği artırmak. Başka bir ifadeyle, yıllardır üzerinde çalıştığımız kredi karar teknolojilerine yeni bir veri ve doğrulama katmanı ekliyoruz.

Kredi operasyonlarının geleceği: Daha az manuel iş, daha fazla nitelikli değerlendirme

Yapay zekanın kredi operasyonlarındaki geleceğini değerlendirirken konuyu “insanın yerini makine alacak mı?” sorusuna indirgemek yanıltıcı olabilir. Daha anlamlı soru şu olabilir: Bir kredi uzmanının zamanı nerede gerçekten değer yaratıyor?

• Bir bordrodaki bilgileri sisteme tekrar girmek mi?

• Standart bir belgeyi satır satır kontrol etmek mi?

• Yoksa olağan dışı bir başvuruyu değerlendirmek, riskleri yorumlamak ve karar vermek mi?

Yapay zeka destekli belge doğrulamanın asıl potansiyeli ikinci senaryoda ortaya çıkıyor. Tekrarlayan ve yüksek hacimli işlemlerin otomatikleştirilmesi; uzmanların zamanını yorum, değerlendirme ve karar gerektiren işlere ayırmasına imkan verebilir.

Finansal teknolojiler açısından önümüzdeki dönemin fark yaratacak çözümlerinin de yalnızca daha fazla yapay zeka kullanan sistemler değil; yapay zekayı doğru veri, doğru iş kuralları, güçlü entegrasyonlar ve insan kontrolüyle birleştiren sistemler olacağını düşünüyoruz. Halihazırda geliştirdiğimiz Ar-Ge projesiyle, 30 yılı aşkın kredi teknolojileri deneyimimizi bu yeni dönemin imkanlarıyla bir araya getirmeyi hedefliyoruz.

Sıkça Sorulan Sorular

Yapay zeka destekli belge doğrulama insan kontrolünü tamamen ortadan kaldırır mı?

Hayır. Finansal süreçlerde daha sağlıklı yaklaşım, otomasyon ile insan kontrolünün birlikte çalışmasıdır. Standart ve yüksek güven seviyesine sahip işlemler otomatik olarak ilerletilebilirken; eksik bilgi, düşük güven seviyesi veya anomali bulunan belgeler uzman değerlendirmesine yönlendirilebilir.

Görüntü tabanlı LLM ile geleneksel OCR arasındaki temel fark nedir?

OCR temel olarak görüntü üzerindeki karakterleri metne dönüştürür. Görüntü tabanlı LLM'ler ise metnin yanı sıra belgenin görsel yapısını ve bağlamını da değerlendirebilir. Bu özellik, farklı formatlardaki ve yapılandırılmamış belgelerin işlenmesinde daha esnek senaryolar geliştirilmesine imkan verebilir. Bununla birlikte model çıktılarının uygun kontrol mekanizmalarıyla doğrulanması gerekir.

Yapay zeka destekli belge doğrulama mevzuat uyumunu tek başına sağlar mı?

Hayır. Uyum yalnızca kullanılan yapay zeka teknolojisine bağlı değildir. Veri güvenliği, yetkilendirme, kayıt ve denetim izi, insan kontrolü, kurumun süreçleri ve kullanılan diğer sistemler birlikte değerlendirilmelidir. Bu nedenle belge doğrulama çözümünün ilgili kurumun mevzuat ve iç kontrol gereksinimleri dikkate alınarak tasarlanması gerekir.

Multi-Tenant mimari finansal kuruluşlara ne sağlar?

Multi-Tenant mimari, ortak bir teknoloji altyapısı üzerinde farklı kurumlara ait süreç ve verilerin ayrıştırılarak yönetilmesine imkan verir. Bu yaklaşım, ölçeklenebilirliğin yanı sıra farklı kredi politikaları, iş kuralları ve entegrasyon ihtiyaçlarına göre kurum bazında yapılandırılabilen çözümler geliştirilmesini destekler.