Tağşişi Yakalamak: Gıdada ve Bankada Yapay Zekâ

Tarım ve Orman Bakanlığı’nın taklit ve tağşiş yaptığı tespit edilen üreticileri ifşa etmeye başlaması, “çayda boya, kebapta domuz eti” gibi örneklerle konunun ne kadar yakıcı olduğunu tekrar gösterdi. Bu tarz listeler tek başına bir “haber” değil; aslında toplumun güven ilişkisini ayakta tutan denetim mekanizmalarının nerede güçlenmesi gerektiğine dair açık bir işaret.

Benim bu başlıkta takıldığım nokta şu: Tağşiş, çoğu zaman gözle görülmüyor. Koku, renk, ambalaj, hatta “marka algısı” bile insanı yanıltabiliyor. Tam da bu yüzden, gıda güvenliğinde analiz + veri + akıllı tespit üçlüsü kritik. Aynı durum bankacılıkta da var: Dolandırıcılık çoğu zaman “normal bir işlem” gibi görünür. İyi kamufle edilir. Yine de iz bırakır.

Bu yazı, gıdada tağşişin nasıl bir risk yönetimi problemi olduğunu, denetimde yapay zekânın neden işin merkezine oturduğunu ve en önemlisi bankacılıktaki dolandırıcılık tespitiyle bu konunun neden şaşırtıcı derecede benzer olduğunu anlatıyor. Bu yazı, “Tarım ve Akıllı Tarım Teknolojilerinde Yapay Zekâ” serisinin bir parçası olarak, tarladan sofraya güvenin dijital yöntemlerle nasıl güçlendirilebileceğine odaklanıyor.

Tağşiş neden bu kadar zor yakalanıyor?

Tağşişi zor yapan şey “hile”nin çoğunlukla ürünün içine gömülü olmasıdır. Çaya boya katmak, baharata farklı dolgu karıştırmak, et ürünlerinde içerik oyunları yapmak… Bunlar, duyusal olarak anlaşılması her zaman kolay olmayan müdahaleler.

Denetimin zorlaşmasının 3 ana nedeni var:

• Ölçek: Üretim zinciri çok geniş. Tedarikçi sayısı, parti (lot) sayısı, ürün çeşitliliği arttıkça kontrol maliyeti yükseliyor.
• Değişkenlik: Aynı ürünün farklı partileri arasında doğal farklılıklar var. Bu, “normal sapma” ile “hile”yi ayırmayı zorlaştırıyor.
• Uyum sağlama: Tağşiş yapan taraf, denetim yöntemlerini öğrenip taktik değiştirebiliyor.

Bankacılıkta dolandırıcılık tespitinin zor olmasının nedenleri de benzer: İşlem hacmi devasa, müşteri davranışları çeşitlilik gösteriyor ve dolandırıcılar sürekli yöntem değiştiriyor.

Güvenin kırıldığı yerde iki şey olur: Denetim maliyeti artar ve herkesin hayatı zorlaşır.

Gıda güvenliğinde yapay zekâ nerede devreye giriyor?

Yapay zekâ gıda güvenliğinde “laboratuvarın yerine geçmek” için değil, laboratuvarı daha hedefli ve hızlı çalıştırmak için devreye giriyor. En pratik yaklaşım şu: Her şeyi test edemezsiniz; o zaman en riskli olanı seçip test edersiniz.

Risk bazlı denetim: En doğru başlangıç

Risk bazlı denetim, sınırlı kaynağı en yüksek riske yönlendirmektir. Yapay zekâ burada üç tür veriyle anlamlı sonuç üretir:

1. Tedarik zinciri verileri: Hangi tedarikçi hangi ürünü, hangi sıklıkla, hangi rotayla sevk ediyor?
2. Geçmiş uygunsuzluk kayıtları: Benzer ürünlerde, benzer bölgelerde, benzer zamanlarda ne tür ihlaller çıkmış?
3. Pazar verileri: Fiyat anomalileri var mı? Bir ürün piyasa ortalamasının çok altında satılıyorsa bu “kalite oyunu”na işaret edebilir.

Bu verilerle kurulan modeller, örneğin “numune alma planı”nı optimize eder: Denetçi, rastgele değil, yüksek olasılıklı hedeflere yönelir.

Spektrometri + makine öğrenmesi: Parmak izi yaklaşımı

Tağşiş tespitinde yaygın yaklaşımlardan biri, ürünün kimyasal/fiziksel özelliklerinden bir “parmak izi” çıkarılmasıdır. Örneğin yakın kızılötesi (NIR) gibi analiz yöntemleriyle elde edilen sinyaller, makine öğrenmesiyle sınıflandırılabilir.

• “Bu çay örneği, doğal varyasyon içinde mi?”
• “Bu örnek, daha önce ‘boya şüphesi’ taşıyan kümeye mi benziyor?”

Yapay zekânın gücü, tek bir parametreye bakmak yerine çok boyutlu paterni görmesinde.

Akıllı tarım bağlantısı: Sorun tarlada başlıyor

Tağşiş çoğu zaman “son üründe” konuşuluyor ama kök nedenler üretimde de yatabiliyor:

• Verim baskısı ve maliyet artışı
• Tedarik sürekliliği sorunları
• Kayıt dışı ara aktörler

Akıllı tarım teknolojileri (uydu görüntüsü, sensör verisi, verim tahmini, hastalık tespiti) burada dolaylı ama güçlü bir rol oynar: Üretim dalgalanmalarını daha doğru öngörürseniz, zincirde “panik tedarik” azalır. Panik tedarik azalınca da hile için açılan alan daralır.

Bankacılıkta dolandırıcılık tespitiyle gıdada tağşiş tespiti neden aynı aileden?

İkisi de özünde anomali tespiti problemidir. Birinde “ürün içeriği normal mi?”, diğerinde “işlem davranışı normal mi?” diye sorarsınız.

Ortak mantık: Anomali + doğrulama

• Yapay zekâ, büyük veri içinde “şüpheli olanı” işaretler.
• Ardından ikinci aşama gelir: doğrulama.
  • Gıdada doğrulama çoğu zaman laboratuvar analiziyle yapılır.
  • Bankada doğrulama; ek kimlik doğrulama, müşteri araması, işlem durdurma ya da manuel inceleme olabilir.

Bu iki aşamalı yapı, hem maliyeti hem de hata riskini dengeler.

Yanlış alarm yönetimi: Her şüpheli gerçekten suçlu değil

Yapay zekâ sistemlerinin başarısı sadece “yakalama oranı” değildir. Yanlış pozitif (masum olana şüpheli demek) maliyeti çok yüksektir.

• Gıdada: Masum bir üreticinin marka itibarını zedeleyebilirsiniz.
• Bankada: Müşterinin kartını gereksiz yere bloke edip güven kaybı yaşatabilirsiniz.

Bu yüzden iyi tasarım şu üçlüye dayanır:

1. Açıklanabilirlik: Model “neden şüpheli” dediğini gösterebilmeli.
2. Eşik yönetimi: Her kategori için risk eşiği farklı olmalı (ör. bebek gıdası ile tuz aynı riskte değil).
3. Sürekli öğrenme: Yeni dolandırıcılık/tağşiş yöntemleri geldikçe model güncellenmeli.

Tağşişle mücadelede de dolandırıcılıkla mücadelede de “tek seferlik proje” yaklaşımı çalışmaz. Bu bir operasyon disiplinidir.

Kurumlar için uygulanabilir bir yol haritası (gıda + finans)

Bu bölüm, işi “neden önemli” seviyesinden çıkarıp “nasıl yapılır”a getiriyor. Aynı mantık hem gıda denetiminde hem bankacılık risk yönetiminde çalışır.

1) Veriyi toparla: Tek ekran, tek gerçek

Dağınık veriyle iyi tespit olmaz. İlk adım, kurum içindeki verileri ortak bir yapıda birleştirmek:

• Parti/lot bilgileri, sevkiyat kayıtları, tedarikçi profilleri
• Geçmiş uygunsuzluk ve denetim sonuçları
• Şikâyet kanalları ve çağrı merkezi kayıtları (metin analizi için değerli)

Bankalarda buna benzer şekilde işlem log’ları, cihaz bilgileri, müşteri davranış profilleri, şikâyet kayıtları birleştirilir.

2) Risk skoru üret: Önceliği makine değil iş belirlesin

Modelin hedefi net olmalı: “Tağşiş olasılığı yüksek olan numuneyi seç”, “dolandırıcılık olasılığı yüksek işlemi bayrakla” gibi.

Pratik bir risk skoru bile büyük fark yaratır. Örnek özellikler:

• Aşırı düşük fiyat / olağandışı indirim yoğunluğu
• Kısa sürede sık tedarikçi değişimi
• Coğrafi rota anomalileri
• Aynı gün içinde olağandışı parti büyüklüğü

3) Doğrulama akışı kur: ‘Bayrak’ tek başına karar olmasın

İyi sistemlerde yapay zekâ karar vermez, karar sürecini hızlandırır.

• Gıda tarafında: Hızlı tarama → hedefli laboratuvar testi → resmi süreç
• Banka tarafında: Skorlama → ek doğrulama → bloke/izin → vaka yönetimi

4) KPI’ları doğru seç: “Yakalama” kadar “rahatsız etme” de ölçülmeli

Ölçmezseniz yönetemezsiniz. İki dünyada da ortak KPI’lar:

• Yakalanan vaka oranı (precision/recall mantığı)
• Yanlış alarm oranı
• Müdahale süresi (dakika/saat)
• Bir vakanın uçtan uca maliyeti
• Müşteri/üretici memnuniyeti etkisi

Tüketici için pratik kontrol listesi: Evde yapabilecekleriniz sınırlı ama etkili

Tağşişi laboratuvar dışında %100 yakalamak mümkün değil. Yine de risk azaltmak için işe yarayan adımlar var:

1. Aşırı ucuz fiyatı “kampanya” diye geçmeyin. Sürekli ve belirgin ucuzluk, kalite riskidir.
2. Etiket tutarlılığına bakın. Üretici bilgisi, parti numarası, işletme kayıt bilgisi gibi alanlarda tutarsızlık alarmdır.
3. Tek kanala bağlı kalmayın. Aynı ürün grubunda farklı güvenilir üreticileri deneyin; sürekli tek kaynaktan almak bazen riski büyütür.
4. Şikâyeti kayıt altına alın. Fotoğraf, fiş ve parti numarası saklamak; hem denetim hem de tüketici hakları için somut kanıt sağlar.

Bankacılık tarafında da benzer bir tüketici disiplini var: şüpheli işlem anında bildirim, cihaz güvenliği, SMS/e-posta uyarıları, harcama limitleri.

Güvenin altyapısı: Yapay zekâ tek başına yetmez, sistem kurmak gerekir

Tarım ve Orman Bakanlığı’nın ifşa listeleri, sistemin çalıştığını gösteren bir parça; ama kalıcı etki için “tespit kapasitesi”nin sürekli güçlenmesi şart. Ben burada net bir duruş alıyorum: Tağşişle mücadelede ölçek büyüdükçe manuel yöntemlerle yarışamazsınız. Yapay zekâ, doğru veri ve doğru operasyonla birleştiğinde denetimi hem hızlandırır hem de daha adil hale getirir.

Bankalar yıllardır dolandırıcılık tespitinde şunu öğrendi: Dolandırıcılar yöntem değiştirir; siz de modelinizi, kural setinizi ve doğrulama akışınızı sürekli güncellersiniz. Gıdada da aynı refleks gerekiyor. Çünkü “çayda boya” haberleri sadece gıda meselesi değil; toplumun en temel sözleşmesi olan güven meselesi.

Sizce yapay zekâ, hem etin içeriğini hem de finansal dolandırıcılığı aynı prensiple görüyorsa; denetimde asıl farkı yaratan şey teknoloji mi, yoksa teknolojiyi doğru yöneten kurum kültürü mü?