Problem
İş sorusu, sahtekârlığın hangi segmentlerde yoğunlaştığı ve operasyon ekibinin sınırlı inceleme kapasitesine nasıl öncelik vereceğidir.
Teknik vaka çalışması
Fraud Risk Intelligence
IEEE-CIS verileri üzerinde BigQuery, dbt, LightGBM ve FastAPI ile geliştirilen uçtan uca sahtekârlık analitiği platformu. Yönetici ve analist incelemesi için yayımlanan panoda zaman bazlı doğrulama esastır.
Teknik açıklamalar Türkçeye çevrilmiştir. Sonuç metriklerinin ölçüm koşulları, başarısız denemeler ve kaynak bağlantıları özgün proje kanıtlarıyla aynı kapsamda korunur.
Hızlı teknik inceleme
Teknik vaka çalışması: dört temel nokta.
Mimari
Veri hattı Kaggle CSV dosyalarıyla başlar; DuckDB ve BigQuery üzerinden ilerler, ardından dbt veri martları ve FastAPI raporlama katmanıyla yönetici gösterge panelini yayımlar.
Sonuçlar
590,540 işlem
Sınırlamalar ve kapsam
Kategorik sütunlar LightGBM modeline ilk görülme sırasına göre numaralanmış tamsayı kodları olarak verildiğinden ağaçlar keyfî kategori sıralamasında bölünür. Depo, henüz etkisi ölçülmemiş bu sınırlamayı açıkça belirtir; doğal kategorik temsile…
Tam açıklamayı oku
Kategorik sütunlar LightGBM modeline ilk görülme sırasına göre numaralanmış tamsayı kodları olarak verildiğinden ağaçlar keyfî kategori sıralamasında bölünür. Depo, henüz etkisi ölçülmemiş bu sınırlamayı açıkça belirtir; doğal kategorik temsile geçiş bütün raporlanan metrikleri değiştirir. TransactionDT bir takvim tarihi değil, geçen süre ofsetidir. Net fayda grafiği de açıkça belirtilen varsayımlara (örneğin yanlış pozitif başına $5.00 inceleme maliyeti) dayanır; dolayısıyla gerçek tasarrufu tahmin etmek yerine bu varsayımlar altında eşikleri karşılaştırır.
Kaynaklarda yayımlanmış teknik kanıtlar kullanılmıştır. Ölçüm koşulları için tam vaka çalışmasını inceleyin.
Kanıta dayalı görsel inceleme
Projenin gerçek çıktılarını inceleyin.
Gerçek proje ekran görüntüleri ve kaynak figürleri, kaynaklarıyla birlikte sunulur.
Tarihli demo ekran görüntüsü
2026-10-14 tarihli herkese açık demo görüntüsüdür; demonun şu anda erişilebilir olduğunu kanıtlamaz.
Yayımlanmış kaynağı aç590,540 işlem
126 dbt veri testi + 23 Python sözleşme testi
0.9134 ROC-AUC / 0.5354 ortalama kesinlik
En yüksek 5% bant sahtekârlığın 58.32% bölümünü yakalar
High bant: ayrılmış testte 30.34%, eğitim içinde 44.59%
Puanlar tasarım gereği kalibre edilmemiştir: ortalamada 5.22x fazla tahmin
Proje kanıtları
Doğrulanabilir dış kaynaklar
Son doğrulama 2026-10-05
Problem ve yaklaşım
Problem
İş sorusu, sahtekârlığın hangi segmentlerde yoğunlaştığı ve operasyon ekibinin sınırlı inceleme kapasitesine nasıl öncelik vereceğidir.
Mimari
Veri hattı Kaggle CSV dosyalarıyla başlar; DuckDB ve BigQuery üzerinden ilerler, ardından dbt veri martları ve FastAPI raporlama katmanıyla yönetici gösterge panelini yayımlar.
Modelleme mantığı
LightGBM sınıflandırıcısı zamana dayalı ayrılmış test kümesinde doğrulanır ve işlemleri otomatik reddeden bir sistem olarak değil, uzman incelemesine öncelik veren bir katman olarak kullanılır.
Doğrulama bütünlüğü
Risk bantlarının kalitesi, modelin eğitildiği bölümde değil, eğitim dışında tutulan 118,108 işlemde raporlanır. Model zaman ekseninin ilk 80% bölümünde eğitilip tüm satırlara puan verdiği için bu bölümün beşte dördü eğitim içi gözlemlerden oluşur ve bant sonuçlarını olduğundan iyi gösterir: High bandı burada 44.59%, eğitim dışında tutulan işlemlerde ise 30.34% düzeyindedir. Gösterge paneli farkı model lehine kapatmak yerine her bant için ayrı açıklar. Veri hattının belirlenimliliği de varsayım olarak değil ölçümle doğrulanmıştır: 1 Eylül 2026 yeniden eğitimi, model kayıt sistemindeki 24 alanın 23 tanesini bayt düzeyinde aynı üretmiş; yalnızca eğitim tarihi değişmiştir.
Kalibrasyon
Model puanı bir olasılık değil, sıralama ölçüsüdür; proje bu ayrımı varsaymak yerine ölçer. Dengeli sınıf ağırlıkları 3.5% oranındaki pozitif sınıfı yaklaşık 28:1 oranında ağırlaştırır. Bu sıralama gücünü artırırken olasılık ölçeğini bozar: ayrılmış test kümesinde ortalama puan 17.96%, gözlenen sahtekârlık oranı 3.44%, yani 5.22x fazla tahmindir. Brier skoru 0.0636 ile sabit taban oranı tahmininin 0.0332 sonucundan kötüdür. Alt kullanım alanlarının tamamı sıralamaya dayandığından bu olasılık sapması onları doğrudan değiştirmez; yine de güvenilirlik eğrisi yayımlanır ve sınırlama incelenebilir.
Raporlama bütünlüğü
Eylül 2026 incelemesinde dört ölçüm hatası bulunup düzeltildi. İnceleme kuyruğu, değerlendirilen işlemin etiketini aynı varlığın sahtekârlık geçmişine katıyordu. İki boyutlu filtreler segment oranlarını risk sıralamalı kuyruktan okuyarak 100% sahtekârlık oranı gösteriyordu. Altı noktada gözlenen sahtekârlık tutarı yerine her sahtekârlık etiketi için sabit $120 kullanılıyordu. Net fayda grafiği, tespit edilen ve kaçırılan sahtekârlığı farklı ölçeklerde fiyatlayan açıklanmamış iki sabite dayanıyordu. Düzeltilen davranış şimdi 23 Python sözleşme testiyle korunuyor.
Bilinen sınırlamalar
Kategorik sütunlar LightGBM modeline ilk görülme sırasına göre numaralanmış tamsayı kodları olarak verildiğinden ağaçlar keyfî kategori sıralamasında bölünür. Depo, henüz etkisi ölçülmemiş bu sınırlamayı açıkça belirtir; doğal kategorik temsile geçiş bütün raporlanan metrikleri değiştirir. TransactionDT bir takvim tarihi değil, geçen süre ofsetidir. Net fayda grafiği de açıkça belirtilen varsayımlara (örneğin yanlış pozitif başına $5.00 inceleme maliyeti) dayanır; dolayısıyla gerçek tasarrufu tahmin etmek yerine bu varsayımlar altında eşikleri karşılaştırır.
Yayımlama ve teslim
Raporlama yanıtları önceden hesaplanıp depoya kaydedilmiş anlık görüntüler üzerinden diskten sunulur. Böylece panel yaklaşık 0.4 saniyede yanıt verir ve istek anında veri ambarına sorgu göndermez.
Neden önemli?
Çalışma; analitik mühendisliği, makine öğrenmesi değerlendirmesi ve uzman inceleme kuyruğu tasarımını ayrı depolara dağıtmak yerine aynı portföy deneyiminde birleştirir.
Mimari ve analiz
- Model puanlamasından önce yönetişimli BigQuery ve dbt raporlama altyapısı kurar.
- Modeli iş yükü, yakalama oranı ve kesinlik arasındaki ödünleşimleri gösteren operasyonel inceleme kuyruğu olarak ele alır.
- Sonuçları yalnızca notebook içinde bırakmak yerine ana sunum yüzeyi olarak canlı FastAPI panelini kullanır.
Test ve doğrulama
- Ham, hazırlık, ara katman, mart ve raporlama veri kümeleri için dbt katmanları
- BigQuery raporlama tablolarını kullanan FastAPI gösterge paneli
- Yöntem, iş etkisi, doğrulama ve operasyon rehberlerini kapsayan belgeler
Operasyonel değer
- Kaggle üzerinde neden zaman temelli doğrulama kullanıldığını gösterir: rastgele 5 katlı doğrulamada ROC-AUC 0.971, zaman ayrımında 0.921; bu farkın yaklaşık yarısı eğitimde zaten görülen müşterilerden kaynaklanır.
- Yönetişimli raporlama katmanında 590,540 eğitim işlemini ve sahtekârlık etiketi bulunan 20,663 kaydı profiller.
- 126 veri testi, 23 Python sözleşme testi ve 5 ML veri hattı smoke testiyle desteklenen 38 dbt modeli kurar.
- Zamana dayalı ayrılmış test kümesinde 0.9134 ROC-AUC ve 0.5354 ortalama kesinlik elde eder.
- En yüksek puanlı 5% bant, sahtekârlık etiketlerinin 58.32% bölümünü 40.13% kesinlikle yakalar.
- Ayrılmış test kümesinde High bandının 30.34%, eğitime kullanılan bölümde ise 44.59% olduğunu ayrı ayrı raporlar.
Nasıl incelenir
- Önce canlı gösterge panelini açın, ardından açıklamaları depo belgeleriyle karşılaştırın.
- Model bölümünden önce dbt mart yapısını ve raporlama tablolarını inceleyin.
- Eşik simülasyonunu ve inceleme kuyruğunu temel iş kararı arayüzü olarak değerlendirin.