Yapay Zeka ile Dolandırıcılık Tespiti Nasıl Yapılır?

Yapay zeka ile dolandırıcılık tespiti; makine öğrenimi modelleri, anomali algılama algoritmaları ve gerçek zamanlı veri analizi yöntemleri entegre edilerek gerçekleştirilir.

Finansal teknolojiler, e-ticaret altyapıları ve kurumsal ödeme sistemleri saniyeler içinde binlerce işlemi işlerken kötü niyetli aktörlerin yöntemleri de karmaşıklaşmaktadır. Karar vericiler ve işletme sahipleri için kural tabanlı eski filtreler, yüksek yanlış alarm (false positive) oranları üretmekte ve ölçeklenememektedir. Yapay Zeka ile Dolandırıcılık Tespiti Nasıl Yapılır? sorusunun operasyonel karşılığı; işlem verilerini, kullanıcı davranışlarını ve ağ ilişkilerini milisaniyeler düzeyinde işleyen matematiksel modellerin mimariye doğru şekilde yerleştirilmesidir. Bu rehber; veri toplama adımlarından model seçimine, ters ibraz (chargeback) risklerinden hibrit denetim mekanizmalarına kadar tüm teknik ve stratejik gereksinimleri ele almaktadır.

Yapay Zeka ile Dolandırıcılık Tespitinin Çalışma Prensibi

Geleneksel kural tabanlı sistemler, "İşlem tutarı 5.000 TL üzerindeyse ve IP adresi farklı bir ülkedeyse işlemi durdur" türünde statik mantık bloklarıyla çalışır. Bu statik yaklaşım, organize dolandırıcılık şebekelerinin kuralların sınırlarını test ederek sistemi aşmasına yol açarken yasal müşterilerin de gereksiz yere engellenmesine sebep olur. Yapay zeka tabanlı tespit mekanizmaları ise sabit kuralların ötesine geçerek yüzlerce parametrenin birbiriyle olan doğrusal olmayan ilişkilerini aynı anda analiz eder.

Modern bir sahtekarlık tespit sistemi; işlem tutarı, zaman damgası, cihaz parmak izi (device fingerprint), tarayıcı dili, fare hareket dinamikleri, konum sapmaları ve kart kullanım sıklığı gibi verileri tek bir vektörde birleştirir. İşlem başladığı anda gelen bu ham veriler, modelin anlayabileceği sayısal girdilere dönüştürülür. Çıkarılan bu girdiler üzerinden eğitilmiş modeller, 50 ila 150 milisaniye arasında değişen bir çıkarım (inference) süresi içinde 0 ile 100 arasında bir risk skoru üretir.

Sistemin başarısı yalnızca modelin doğruluğuna değil, veri akışının kesintisizliğine bağlıdır. İşlem anında ödeme ağ geçidinden gelen JSON yükü, arka planda çalışan özellik deposu (feature store) ile zenginleştirilir. Örneğin kullanıcının son 24 saat içinde yaptığı işlem adedi veya aynı kartın farklı IP adreslerinden denenme frekansı gibi geçmişe dayalı metrikler anlık veriye eklenir. Dolandırıcılık tespiti yapan yapay zeka, veriyi izole bir olay olarak değil, tarihsel davranış haritasının bir parçası olarak değerlendirir.

Makine Öğrenimi (ML) Modelleri ve Veri İşleme Süreçleri

Dolandırıcılık tespitinde kullanılan makine öğrenimi mimarileri genellikle denetimli öğrenme (supervised learning) ve denetimsiz öğrenme (unsupervised learning) tekniklerinin birleşiminden oluşur. Denetimli öğrenme sürecinde, geçmişte gerçekleşmiş ve "yasal" ya da "dolandırıcılık" olarak etiketlenmiş milyonlarca işlemden oluşan bir veri seti kullanılır. Bu modeller, geçmişteki sahtekarlık kalıplarını öğrenerek yeni gelen bir işlemin bu kalıplarla ne oranda örtüştüğünü hesaplar.

En sık tercih edilen denetimli algoritmaların başında Gradyan Destekli Karar Ağaçları (Gradient Boosted Decision Trees - XGBoost, LightGBM, CatBoost) gelir. Tablo biçimindeki finansal veriler üzerinde bu algoritmalar derin öğrenme modellerine kıyasla hem daha yüksek çıkarım hızı sunar hem de hangi özniteliğin (feature) karara ne kadar etki ettiğini SHAP (SHapley Additive exPlanations) değerleri üzerinden açıklanabilir kılar. Lojistik regresyon ve rastgele orman (Random Forest) gibi yöntemler ise daha düşük gecikme süresi gerektiren hafif ön filtreleme katmanlarında tercih edilir.

Veri işleme hattında öznitelik mühendisliği (feature engineering) modelin kalitesini belirleyen en kritik aşamadır. Ham veriler şu üç ana kategoriye dönüştürülür:

• Hız Öznitelikleri (Velocity Features): Bir kullanıcının veya kartın son 10 dakika, 1 saat ve 24 saat içindeki işlem sayısı, başarısız deneme frekansı ve toplam harcama tutarı.

• Davranışsal Biyometri ve Cihaz Verisi: Kullanıcının form alanlarını doldurma hızı, kopyala-yapıştır kullanıp kullanmadığı, ekran çözünürlüğü ve batarya seviyesindeki ani değişimler.

• Ağ Grafikleri ve İlişki Öznitelikleri: Aynı cihaz kimliğinin veya e-posta alan adının daha önce kaç farklı kullanıcı hesabı veya kredi kartı ile eşleştiği.

Anomali Algılama (Anomaly Detection) Algoritmaları Nasıl Çalışır?

Dolandırıcılar sürekli yeni yöntemler geliştirdiğinden, yalnızca geçmişte etiketlenmiş veriye dayanan denetimli modeller "sıfırıncı gün" (zero-day) tipi organize saldırıları kaçırabilir. Bu noktada denetimsiz öğrenme ve anomali tespiti devreye girer. Bu algoritmalar neyin dolandırıcılık olduğunu önceden bilmez; bunun yerine sistemin ve kullanıcıların "normal" davranış profilini modeller ve bu normun dışına çıkan istatistiksel sapmaları yakalar.

İzolasyon Ormanı (Isolation Forest), Tek Sınıflı Destek Vektör Makineleri (One-Class SVM) ve Yerel Uç Değer Faktörü (Local Outlier Factor - LOF) anomali tespitinde yaygın biçimde kullanılan yöntemlerdir. Örneğin bir kullanıcının sepetindeki ortalama ürün sayısı 2 iken aniden 40 adet dijital hediye kartını sepete eklemesi, coğrafi olarak aynı anda iki farklı şehirde oturum açmış görünmesi veya normal işlem saatlerinin tamamen dışına çıkması anomali skorunu yükseltir.

Derin öğrenme tarafında ise Otomatik Kodlayıcılar (Autoencoders) öne çıkar. Autoencoder mimarisi, meşru işlemleri sıkıştırıp yeniden yapılandırmayı (reconstruction) öğrenir. Sisteme alışılmadık bir sahtekarlık deseni girdiğinde, model bu yeni deseni başarılı bir şekilde yeniden oluşturamaz ve ortaya çıkan yüksek "yapılandırma hatası" (reconstruction error) işlemin anomali olarak işaretlenmesini sağlar.

+-------------------------------------------------------------------------------+
|                      GERÇEK ZAMANLI AI TESPİT HATTI (PIPELINE)                |
+-------------------------------------------------------------------------------+
|  1. Ham Veri Girişi       -->  İşlem Detayları + Cihaz Parmak İzi + IP/Konum  |
|  2. Zenginleştirme        -->  Tarihsel Hız Verileri + Grafik İlişkileri      |
|  3. Model Çıkarımı        -->  XGBoost / Autoencoder İkili Skorlama (<100ms)  |
|  4. Karar Motoru          -->  Skor < 30: ONAY | 30-75: 3DS/MFA | >75: BLOKE  |
+-------------------------------------------------------------------------------+

Sektörel Kullanım Senaryoları ve Uygulama Alanları

Dolandırıcılık kalıpları işletmenin faaliyet gösterdiği dikey sektöre göre radikal biçimde farklılık gösterir. E-ticaret platformları fiziksel kargolama ve ters ibraz kayıplarıyla mücadele ederken, fintech ve bankacılık kuruluşları hesap ele geçirme (Account Takeover - ATO), kimlik hırsızlığı ve kara para aklama (Anti-Money Laundering - AML) risklerine odaklanır. Yapay zeka sistemlerinin başarısı, çalışacağı sektörün tehdit modeline uygun öznitelik setleriyle özelleştirilmesine bağlıdır.

Farklı sektörlerin risk toleransı da değişkenlik gösterir. Hızlı tüketim e-ticaretinde ödeme akışındaki en ufak bir gecikme veya ek doğrulama adımı sepet terk oranlarını artırırken, yüksek tutarlı kurumsal havale veya kripto para transferlerinde güvenlik önceliği hızın önüne geçer. Bu nedenle yapay zeka motorunun karar kuralları sektörün operasyonel dinamiklerine göre kalibre edilmelidir.

E-Ticaret ve Ödeme Sistemlerinde Chargeback Engelleme

E-ticaret işletmelerinin en büyük finansal yaralarından biri, çalınan kart bilgileriyle yapılan harcamalar sonucunda kart sahibinin bankasına başvurarak başlattığı ters ibraz (chargeback) süreçleridir. Bir işletmenin ters ibraz oranı (işlem adedine veya hacmine göre) Visa ve Mastercard gibi kart kuruluşlarının belirlediği eşik değerleri (genellikle %0.9 - %1.0) aştığında, işletme yüksek riskli satıcı kategorisine alınır, ceza öder veya sanal POS altyapısı tamamen kapatılabilir.

Yapay zeka, ödeme ağ geçidi düzeyinde çalışarak ters ibraz riskini henüz işlem tamamlanmadan minimize eder. Model; kartın BIN (Bank Identification Number) bilgisinin verildiği ülke ile kullanıcının IP konumu, teslimat adresi ve fatura adresi arasındaki tutarlılığı analiz eder. Ayrıca teslimat adresi olarak daha önce dolandırıcılık vakalarıyla ilişkilendirilmiş kargo bırakma noktalarının (drop-shipping veya kargo şubesi) seçilip seçilmediği sistem tarafından saptanır.

Burada yapay zeka motoru dinamik bir sürtünme (dynamic friction) stratejisi uygular:

• Düşük Riskli İşlemler: Kullanıcının geçmişi temizse, cihazı tanınıyorsa ve anomali yoksa işlem doğrudan 3D Secure adımına bile uğramadan "frictionless" (sürtünmesiz) olarak onaylanır. Bu da sepet dönüşüm oranını maksimize eder.

• Orta Riskli İşlemler: Belirli bir şüphe seviyesinde işlem durdurulmaz, kullanıcı dinamik olarak SMS OTP veya 3D Secure 2.0 doğrulamasına yönlendirilir.

• Yüksek Riskli İşlemler: Risk skoru kritik eşiği aşan işlemler ödeme sağlayıcıya gitmeden önce otomatik olarak reddedilir ve ters ibraz itiraz maliyetleri baştan engellenir.

Bankacılık ve Fintech Sektöründe Şüpheli İşlem Analizi

Bankacılık ve dijital cüzdan altyapılarında tehdit yalnızca ödeme kartlarıyla sınırlı değildir. En tehlikeli saldırı türlerinin başında, ele geçirilmiş kimlik bilgileriyle veya kimlik avı (phishing) yöntemleriyle kullanıcı hesaplarına girilmesini ifade eden Hesap Ele Geçirme (Account Takeover - ATO) vakaları gelir. Dolandırıcı sisteme doğru şifre ve hatta çalınmış iki faktörlü kimlik doğrulama koduyla girse dahi, yapay zeka davranışsal biyometri analitiğiyle sapmayı fark edebilir.

Davranışsal biyometri modelleri, kullanıcının cihazı tutuş açısını, ekrana dokunma basıncını, iki tuş arasındaki basış gecikmesini (keystroke dynamics) ve mobil uygulamadaki gezinme ritmini profil haline getirir. Saldırgan hesaba girdiğinde bu biyometrik imza kullanıcının geçmiş profiliyle uyuşmaz ve yapay zeka para transferi başlatılmadan önce hesabı dondurur ya da ek yüz tanıma (liveness check) doğrulaması talep eder.

Fintech kuruluşları için bir diğer kritik boyut AML (Anti-Money Laundering) ve para aklama ağlarının tespitidir. Kötü niyetli aktörler tespit edilmemek için fonları "katır hesaplar" (money mules) üzerinden küçük parçalara bölerek hızlıca transfer eder. Geleneksel ilişkisel veri tabanları bu karmaşık transfer ağlarını izlemekte yetersiz kalırken, Grafik Sinir Ağları (Graph Neural Networks - GNN) hesaplar arasındaki çok katmanlı para transferi rotalarını bir ağ grafiği olarak analiz eder. Bu sayede onlarca farklı hesap arkasındaki tekil organize şebeke yapısı ortaya çıkarılır.

Yapay Zeka Entegrasyonunda Karşılaşılan Kritik Riskler ve Sınırlar

Yapay zeka temelli sahtekarlık tespit mekanizmaları kurulurken en büyük yanılgı, modelin yanılmaz bir koruma kalkanı olduğuna inanmaktır. Pratikte yapay zeka sistemleri; eksik eğitilmiş veri setleri, kavram sapması (concept drift) ve yanlış hiperparametre seçimleri nedeniyle işletmeye sahtekarlık vakalarından daha fazla zarar verebilecek maliyetler yaratabilir. Karar vericilerin yapay zekayı bir "sihirli değnek" değil, olasılıksal bir istatistiksel hesaplama aracı olarak ele alması gerekir.

Bu alandaki teknik riskler yalnızca sahtekarlığı kaçırmaktan ibaret değildir. Modelin verdiği yanlış kararların müşteri deneyimine, marka itibarına ve regülasyon uyumluluğuna olan doğrudan etkileri, risk yönetim stratejisinin merkezinde yer almalıdır.

Yanlış Pozitif (False Positive) Hatası ve Müşteri Kaybı Riski

Dolandırıcılık operasyonlarında en tehlikeli metrik gözden kaçan sahtekarlıklar kadar "yanlış pozitif" (false positive) vakalarıdır. Yanlış pozitif, tamamen yasal ve iyi niyetli bir müşterinin işleminin sistem tarafından "dolandırıcılık" olarak etiketlenip reddedilmesi veya sürece aşırı sürtünme eklenerek müşterinin alışverişten vazgeçirilmesidir. Sektörel araştırmalar, haksız yere işlemi reddedilen sadık müşterilerin yaklaşık %30'unun ilgili markadan bir daha asla alışveriş yapmadığını göstermektedir.

Burada makine öğrenimi modellerinin doğası gereği ortaya çıkan hassasiyet-yakalama dengesi (precision-recall trade-off) devreye girer:

Eğer modelinizi sıfır dolandırıcılık kaçırma (maksimum Recall) hedefiyle aşırı duyarlı şekilde ayarlarsanız, sahtekarlıkları yakalarsınız ancak yüzlerce meşru müşteriyi haksız yere engellersiniz (düşük Precision). Aksi senaryoda, müşterileri rahatsız etmemek adına eşik değerlerini çok gevşetirseniz bu kez ters ibraz maliyetleri tavan yapar. Model yöneticilerinin işletmenin kâr marjına ve müşteri edinme maliyetine (CAC) göre bu eşik değerlerini periyodik olarak optimize etmesi şarttır.

Bir diğer operasyonel tehdit ise model sapmasıdır (model drift / concept drift). Tüketici alışkanlıkları ve dolandırıcılık teknikleri zamanla evrilir. Örneğin Black Friday döneminde kullanıcıların harcama hızları ve sepet büyüklükleri normal bir salı gününe göre radikal şekilde artar. Eğer model dönemsel trendlere göre yeniden eğitilmezse, bu yoğun meşru alışveriş trafiğini "toplu organize dolandırıcılık" sanarak binlerce siparişi iptal edebilir.

Veri Gizliliği, KVKK ve GDPR Sınırları

Yapay zeka modelleri ne kadar çok veriye erişirse o kadar doğru tahmin yürütür; ancak bu durum kişisel verilerin korunması kanunları (KVKK) ve Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) ile doğrudan çatışma potansiyeli taşır. Dolandırıcılık tespiti amacıyla da olsa kullanıcıların cihaz bilgileri, IP adresleri, davranışsal biyometrisi ve ödeme geçmişi hassas kişisel veri statüsündedir.

İşletmelerin yapay zeka tabanlı tespit mimarisi kurarken uymak zorunda olduğu başlıca yasal sınırlar şunlardır:

• GDPR Madde 22 (Otomatik Bireysel Karar Alma): Bir birey hakkında tamamen otomatik algoritmik süreçlerle yasal veya bağlayıcı sonuçlar doğuran (örneğin kredi başvurusunun reddi veya hesabın kalıcı kapatılması) kararlar veriliyorsa, kullanıcının bu karara itiraz etme ve insan müdahalesi talep etme hakkı saklıdır. Dolayısıyla "kara kutu" (black-box) modeller tek başına nihai ret kararı veremez.

• Veri Minimizasyonu ve Maskeleme: Modele beslenen veriler içinde kredi kartı numaraları (PAN) asla açık metin olarak tutulamaz; PCI-DSS standartlarına uygun şekilde tokenize edilmeli veya SHA-256 gibi algoritmalarla tuzlanarak (salting) hash'lenmelidir.

• Açıklanabilir Yapay Zeka (XAI) Zorunluluğu: Bankacılık denetim otoriteleri ve regülatörler, bir işlemin neden şüpheli bulunduğunun mantıksal izahını talep edebilir. Derin sinir ağlarının karmaşık ağırlık matrisleri yerine, kararı etkileyen faktörleri listeleyebilen açıklanabilir modeller veya LIME/SHAP gibi yorumlama katmanları kullanılmalıdır.

İnsan Denetimi (Human-in-the-Loop) Neden Hala Zorunlu?

Yapay zeka algoritmaları milyonlarca veri noktasındaki korelasyonları insanların asla fark edemeyeceği bir hızda saptar; ancak korelasyon ile nedensellik arasındaki farkı ayırt etmekte yetersiz kalabilir. Yapay zekanın "halüsinasyon" benzeri hatalı çıkarımlar yapması veya yeni bir pazarlama kampanyasını organize saldırı sanması gibi durumlarda insan faktörü devreye girer. "Human-in-the-Loop" (HITL) yaklaşımı, yapay zekayı karar vericinin yerine geçiren bir mekanizma olarak değil, uzman analistin kapasitesini katlayan bir asistan olarak konumlandırır.

Kurumsal risk operasyonlarında en sağlıklı çalışan yapı Üç Katmanlı Karar Mimarisidir. Bu mimaride yapay zeka modelinin ürettiği risk skoru üç farklı eşik aralığına bölünür:

1. Düşük Risk (Örn: Skor 0 - 29): İşlemler tamamen otomatik olarak onaylanır. Sistem trafiğinin yaklaşık %90-95'i bu bantta yer alır ve insan müdahalesi gerektirmez.

2. Yüksek Risk (Örn: Skor 85 - 100): Bilinen saldırı desenleri, kara listedeki cihazlar veya kesin dolandırıcılık parametreleriyle eşleşen işlemler otomatik olarak bloke edilir.

3. Gri Alan / Manuel İnceleme (Örn: Skor 30 - 84): Modelin kesin bir kanaate varamadığı, anomali içeren ancak açık bir sahtekarlık kanıtı bulunmayan işlemler risk analistlerinin önüne düşer.

Risk analistinin manuel inceleme arayüzünde gördüğü veri, modelin ürettiği ham skordan ibaret olmamalıdır. Açıklanabilir AI bileşenleri sayesinde analiste şu tür bağlamsal ipuçları sunulmalıdır: "İşlem tutarı kullanıcı ortalamasının 4 katı, cihaz parmak izi ilk kez görülüyor ancak teslimat adresi 3 yıllık kayıtlı adresle uyuşuyor." Analist bu veriler ışığında müşteriyi telefonla arayabilir, ek evrak talep edebilir veya işlemi manuel onaylayabilir.

Daha da önemlisi analistin verdiği her nihai karar, yapay zeka modeli için yeni bir eğitim verisi (ground truth) haline gelir. Yanlışlıkla gri alana düşen yasal bir işlem analist tarafından onaylandığında, bu bilgi geri bildirim döngüsü (active learning feedback loop) üzerinden modele geri beslenir. Böylece model zaman içinde kendi hatalarını düzelterek gri alan hacmini daraltır ve otomasyon oranını güvenli bir şekilde yükseltir.

İşletmeniz İçin Yapay Zeka Çözümü Seçerken Nelere Dikkat Etmelisiniz? (Build vs. Buy)

Dolandırıcılık tespiti için yapay zekadan yararlanmak isteyen teknik karar vericilerin önündeki en kritik yol ayrımı, bu teknolojiyi şirket içinde sıfırdan geliştirmek (Build) ile piyasada kanıtlanmış hazır SaaS/API çözümlerini satın almak (Buy) arasındaki tercihtir. Bu karar yalnızca bir bütçe meselesi değil, aynı zamanda mühendislik eforu, veri hacmi ve bakım sürdürülebilirliği meselesidir.

Kendi modelini sıfırdan geliştirmek (Build), işletmeye modeller ve kurallar üzerinde %100 kontrol sağlar. Şirket içi veri gizliliği politikalarının çok katı olduğu veya tamamen niş bir iş modeline sahip kuruluşlar için bu cazip görünebilir. Ancak bir makine öğrenimi modelini eğitmek için yüksek hacimli ve doğru etiketlenmiş geçmiş dolandırıcılık verisine ihtiyaç vardır. Yeni veya orta ölçekli bir işletmenin elinde bu derinlikte bir veri seti bulunmadığından, eğitilen modeller zayıf genelleme yeteneğine sahip olacak ve sahtekarlıkları kaçıracaktır.

Ayrıca makine öğrenimi sistemleri bir kere yazılıp bırakılan yazılımlar değildir. MLOps (Machine Learning Operations) altyapısının kurulması, özellik deposunun (feature store) bakımı, model performansının 7/24 izlenmesi ve veri bilimcilerden oluşan özel bir ekibin istihdam edilmesi gerekir. Bu da yıllık yüz binlerce dolarlık sabit işletme maliyeti anlamına gelir.

Hazır kurumsal çözümler (örneğin Sift, SEON, Stripe Radar, Riskified, LexisNexis ThreatMetrix vb.) ise "kolektif ağ istihbaratı" (consortium data) avantajı sunar. Sizin platformunuza ilk kez gelen bir dolandırıcının kullandığı cihaz veya kart, sağlayıcının küresel ağındaki başka bir e-ticaret sitesinde 10 dakika önce dolandırıcılıkta kullanılmış olabilir. Hazır çözüm sağlayıcı bu istihbaratı anında sizin işleminize yansıtarak saldırganı henüz ilk saniyede durdurabilir.

Küçük ve orta ölçekli işletmeler ile hızla büyüyen girişimler için API tabanlı hazır çözümlerle başlamak en mantıklı yoldur. Ancak işlem hacmi aylık milyonlarca adede ulaşan küresel pazar yerleri veya regüle bankacılık kuruluşları, hazır araçların üzerine kendi özelleştirilmiş denetimli modellerini ekledikleri hibrit bir mimariyi tercih etmektedir.

Başarılı Bir AI Dolandırıcılık Önleme Altyapısı Kurmanın Adım Adım Yol Haritası

Yapay zeka tabanlı bir dolandırıcılık tespit sistemini canlıya almak, yalnızca bir kütüphaneyi içe aktarmaktan ibaret değildir. Yanlış tasarlanmış bir entegrasyon, sistem kesintilerine veya ödeme ağ geçidinde tıkanmalara yol açabilir. Başarılı bir kurulum, veri akışının güvenliğinden modelin aşamalı olarak devreye alınmasına kadar uzanan katı bir mühendislik disiplini gerektirir.

İlk aşamada veri toplama altyapısının standardize edilmesi şarttır. Kullanıcının web sitesi veya mobil uygulamadaki hareketlerini izleyen SDK'lar entegre edilir. Bu SDK'lar; tarayıcı eklentileri, ekran çözünürlüğü, cihaz fontları ve donanım kimliğini toplayarak benzersiz bir cihaz hash'i oluşturur. Bu işlem gerçekleştirilirken kullanıcı deneyimini bozmamak adına tüm veri toplama çağrıları asenkron (non-blocking) olarak çalıştırılmalıdır.

İkinci adımda veri zenginleştirme ve olay akış hattı (event streaming pipeline) kurulur. Apache Kafka veya AWS Kinesis gibi dağıtık mesajlaşma kuyrukları, ödeme anındaki tüm telemetri verisini gerçek zamanlı olarak öznitelik deposuna aktarır. Burada IP adresinin arkasındaki ASN tipi (veri merkezi, konut tipi IP veya mobil operatör) gibi üçüncü parti zenginleştirme sinyalleri veriye eklenir.

Model devreye alınırken asla doğrudan "canlı karar verici" (active blocker) olarak başlatılmamalıdır. En kritik teknik aşama Gölge Mod (Shadow Mode) çalışmasıdır. Sistem, canlı trafikten gelen verileri alır, arka planda risk skorunu üretir ve kaydeder; ancak ödeme akışına kesinlikle müdahale etmez. 2 ila 4 hafta boyunca gölge modda toplanan sonuçlar, işletmenin gerçekte karşılaştığı dolandırıcılık ve ters ibraz vakalarıyla karşılaştırılır. Modelin yanlış pozitif ve yanlış negatif oranları ölçülür, hiperparametreler kalibre edilir ve sistem ancak istenen doğruluk eşiğine ulaştığında canlı trafiği yönetmeye başlar.

Sistemin sürdürülebilirliği için son aşama MLOps izleme (monitoring) mekanizmalarının devreye alınmasıdır. Modelin doğruluğu zaman içinde gerileyebileceğinden, PSI (Population Stability Index) gibi metriklerle gelen işlem verisinin dağılımındaki sapmalar haftalık olarak izlenmelidir. Veri dağılımında belirgin bir değişim saptandığında otomatik yeniden eğitim (automated retraining) tetiklenmeli ve böylece dolandırıcılık tespit altyapısı yeni tehditlere karşı her zaman güncel tutulmalıdır.