SWAN: Bankacılıkta Analitik Modeller için Uçtan Uca Akıllı Çözüm Platformu 

TRAI kurumsal üyelerinden Yapı Kredi Teknoloji analitik modeller için uçtan uca çözüm sunan SWAN’ı anlattı. 

Yapı Kredi Teknoloji Veri Bilimi ekibi olarak, yapay zekâ ve makine öğrenimi alanında yenilikçi çözümler geliştirerek iş süreçlerini yeniden şekillendiriyoruz. Bu bağlamda, üzerinde çalıştığımız ve Model Validasyon ekipleri tarafından aktif olarak kullanılan SWAN uygulamasını sizlere tanıtmak istiyoruz.

SWAN, analitik modellerin geliştirilmesi, hiperparametre optimizasyonu, model validasyonu ve performans takibi gibi uçtan uca süreçleri kapsayan bir AutoML platformudur. Kullanıcıların veri bilimi ve makine öğrenimi konularında uzmanlık sahibi olmadan, en iyi performansı veren modelleri otomatik olarak seçmesini ve eğitmesini sağlamaktadır. Böylece, daha verimli bir model geliştirme süreci sunarken, zaman ve maliyet tasarrufu sağlamaya olanak tanımaktadır.

Bu yazıda SWAN’ın teknik yeteneklerini, sağladığı avantajları ve iş süreçlerini nasıl dönüştürdüğünü detaylı bir şekilde ele alacağız.

Risk yönetimi, bankaların karşılaştığı belirsizlikleri tanımlamak ve ölçmek için kritik süreçler içermektedir. Bu süreçlerin temel taşlarından biri de makine öğrenmesi modellerinin performanslarının düzenli olarak izlenmesi ve değerlendirilmesidir. Bu ihtiyaç doğrultusunda, SWAN, Yapı Kredi Bankası Model Validasyon ekipleri için özel olarak tasarlanmış bir otomasyon yapısı sunmaktadır. Validasyon süreci aşağıdaki adımları içermektedir.

• Kullanıcılar, veri ön işleme kuralları, validasyon kuralları gibi kritik bilgileri içeren config dosyalarını FileGator aracılığıyla kolayca yükleyebilmektedir.
• Yüklenen dosyalar, arka planda Apache Airflow altyapısı üzerinden iş akışına dâhil edilmektedir. Bu süreç, manuel iş yükünü azaltmakta ve zamandan tasarruf sağlamaktadır. Aynı zamanda SWAN’ ın doğru ve standart bir şekilde çalışmasına olanak tanımaktadır.

• Modellerin güvenilirliğini ve genelleme yeteneklerini değerlendirmek için otomatik validasyon süreçleri uygulamaktadır.
• Regresyon modelleri için MAE, MSE, RMSE gibi metrikler; sınıflandırma modelleri için ise Accuracy, Precision, Recall, F1-Score ve ROC-AUC gibi metrikler kullanılarak modellerin performansları değerlendirilmektedir.

• Düzenli aralıklarla kalibrasyon, istikrarlılık ve performans testlerini gerçekleştirmektedir. Bu sayede, modellerin zamanla doğruluklarını koruyup korumadığı izlenmektedir.

Hiperparametre Optimizasyonu, üzerinde çalışılan modellerin makine öğrenmesi teknikleri kullanılarak oluşturulması nedeniyle zamanla performans kontrolünden geçmesi gereken bir süreçtir. Bu bağlamda, modellerin performansının alternatif yaklaşımlarla karşılaştırılması, modelin sağlıklı olup olmadığını ve en iyi performansı sergileyip sergilemediğini değerlendirmek önemlidir.

SWAN, otomatik hiperparametre optimizasyonu ile tekil model performansını artırmakta ve süreç verimliliğini iyileştirmektedir. Algoritmaların kritik parametrelerinin en iyi kombinasyonlarını bulmak için Bayesian optimizasyonu gibi modern yöntemlerden faydalanmaktadır.  Bayesian optimizasyonu, hiperparametre optimizasyonunda kullanılan en gelişmiş yöntemlerden biridir. Grid Search ve Random Search gibi geleneksel yöntemlerin aksine, arama sürecini daha akıllı bir şekilde yönlendirmektedir.  Az sayıda hiperparametre kombinasyonu test ederek en iyi sonuçlara ulaşabilmektedir.  Daha az hesaplama gücü ve zaman gerektirmekte, bu da hem verimli hem de hızlı bir çözüm sağlamaktadır.

Bu uygulama ile, yalnızca hiperparametre optimizasyonu ile sınırlı kalmayan, aynı zamanda ensemble (topluluk) modelleme teknikleriyle kullanıcılara kapsamlı bir çözüm sunulmaktadır. SWAN içerisinde, farklı makine öğrenmesi algoritmalarını (Random Forest, Gradient Boosting temelli XGBoost, LightGBM, CatBoost gibi modeller ve derin öğrenme temelli FastAI) bir araya getirerek otomatik olarak en iyi modeli seçen ve hibrid yapılar kuran bir yaklaşım geliştirilmiştir. Bu yaklaşım, tek bir modelin sınırlarını aşarak, birden fazla modelin güçlü yönlerini birleştirir ve daha yüksek doğruluk, kararlılık ve genelleştirilebilir bir performans sağlamaktadır.

SWAN, veri setine uygun olarak birden fazla makine öğrenmesi algoritmasını otomatik şekilde eğitmekte ve bu modellerin performanslarını karşılaştırmaktadır. Bu süreçte kullanılan bazı öne çıkan özellikler şunlardır:

• Katmanlı Model Eğitimi (Stacking): Modelleri yalnızca ayrı ayrı eğitmekle kalmayıp, aynı zamanda bu modelleri birbirine bağlayan katmanlı bir yapı kullanmaktadır. İlk katmanda farklı algoritmalar eğitilmekte ve ikinci katmanda bu algoritmaların tahminleri birleştirilerek daha yüksek doğruluk sağlanmaktadır.
• Modellerin Otomatik Sıralanması ve Ağırlıklandırılması: Farklı algoritmaların performansını değerlendirir ve elde edilen doğruluk veya hata oranına göre modelleri sıralar. Daha yüksek performans gösteren modeller, hidrid model yapısında daha yüksek ağırlıklarla temsil edilmektedir.
• Otomatik Özellik Seçimi: Farklı modeller için veri setindeki özellikleri otomatik olarak seçer ve hangi modelin hangi özelliklerle daha iyi performans verdiğini analiz eder. Bu, modellerin daha verimli ve etkili bir şekilde çalışmasını sağlamaktadır.

Zaman, Maliyet Tasarrufu ve Verimlilik

SWAN içerisinde açık kaynak kodlu kütüphanelerin kullanımı, lisans maliyetlerini ortadan kaldırarak maliyet avantajı sağlamakta; ayrıca manuel süreçlerin otomatikleştirilmesi ise önemli bir iş gücü ve zaman tasarrufu sunmaktadır. Örneğin, bir modelin valide edilmesi için gerekli performans testi süreçleri manuel olarak 15 dakika sürse bile, aylık 100 model kontrolü yapıldığında yıllık yaklaşık 35 iş günü tasarruf edilebilir. Bu durum, süreçlerin verimliliğini artırarak operasyonel maliyetleri düşürmektedir.

Özetle SWAN, bankaların risk yönetimi validasyon süreçlerinde kullanılan yapıların sağlamlığı ve etkinliği açısından büyük önem taşımaktadır. Risk yönetiminin etkin bir şekilde yapılmasına katkıda bulunarak, daha verimli ve hızlı model geliştirme süreçleri ile finansal kararların doğruluğunu arttırmaktadır. SWAN, sadece teknik bir çözüm değil, aynı zamanda makine öğrenmesi dünyasındaki yenilikçi yaklaşımların öncüsü olarak bankacılık süreçlerini şekillendirmektedir.