Portföy Yönetiminde Üretken Yapay Zekâ:
Hız ile Güvenlik Arasında Denge Kurmak
Finansal teknoloji dünyası üretken yapay zekâyı hızla benimsiyor. Piyasa analizinden kişiselleştirilmiş yatırım içgörülerine, otomatik raporlamadan risk senaryosu üretimine kadar pek çok başlıktaki modeller iş yapış şeklimizi değiştiriyor.
Sahada gördüğüm tabloyu özetlemek gerekirse: Kurumsal tarafta işin zor kısmı teknolojinin kendisi değil. Asıl soru, müşteri verisinin gizliliğini ve mevzuata uyumunu koruyarak bu modellerin nasıl çalıştırılacağı.
Sermaye piyasalarında deneme yanılma lüksü yok. Bir veri sızıntısı ya da mevzuat ihlali, telafisi çok pahalı bir güven kaybına dönüşüyor. Bu yüzden infina olarak biz, yapay zekâ tarafındaki mimari kararlarımızı dört temel başlık üzerine kuruyoruz.
1. Veri sahipliği: Veri nerede işleniyor?
En sık karşılaştığım mimari hata; müşteri portföy verisinin ya da hassas finansal analizlerin, kurumsal sözleşmesi bulunmayan, halka açık arayüzler ve eklentiler üzerinden dışarıya göndermesi.
Ücretsiz sunulan modellerde girilen içerik, sağlayıcının kullanım şartlarına bağlı olarak model iyileştirmesinde kullanılabiliyor. Finansal bir kurum için bu, ticari sırrın ifşasının da ötesinde: müşteri sırrı ve 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) hükümleri açısından doğrudan bir ihlal riski demek.
Burada sıkça duyduğum bir yanlışı düzeltmek isterim:Kurumsal API (Uygulama Programlama Arayüzü) ve kurumsal abonelik planlarında büyük sağlayıcılar, müşteri verisini varsayılan olarak model eğitiminde kullanmıyor. Yani “ücretlisinde de aynı risk var” demek teknik olarak doğru değil.
Ancak risk ortadan kalkmıyor, yalnızca biçim değiştiriyor ve sorular teknik ayrıntıya kayıyor: Veri hangi ülkede işleniyor? Kötüye kullanım denetimi için ne kadar süre saklanıyor? Zincirde hangi alt işleyiciler var? Sözleşme, veri işleme bölgesini gerçekten sabitliyor mu? KVKK’nın yurt dışına aktarım rejimi, Sermaye Piyasası Kurulu’nun (SPK) bilgi sistemleri yönetimine ilişkin düzenlemeleri ve müşteri sırrı hükümleri tam bu noktada devreye giriyor.
Uygulamada önümüzde üç seçenek var:
- Kapalı devre: Llama, Mistral, Qwen gibi açık ağırlıklı modelleri kurumun kendi altyapısında (özel bulutta ya da tamamen yerel sunucuda) barındırmak.
- Sözleşmeli kurumsal servis: Veri işleme bölgesi, saklama süresi ve eğitimde kullanılmama taahhüdü sözleşmeyle sabitlenmiş servisler.
- Hibrit Yapı: Hassas veri içeride, anonim ya da kamuya açık iş yükleri dışarıda bir yapı.
Biz hassas iş yüklerinde kapalı devreyi varsayılan kabul ediyoruz. Model seçiminin, veri sınıflandırmasından sonra gelen bir konu olması sebebiyle bizim karar ölçütümüz, “hangi model daha zeki?” değil; “bu veri sınıfı hangi çemberin dışına çıkabilir?” sorusundan geçiyor.
2. Gizlilik Katmanı: Maskeleme ve Anonimleştirme
Türkiye’deki sermaye piyasası mevzuatı; müşteri sırrı, finansal verinin mahremiyeti ve kişisel verilerin korunması konusunda dünyanın en katı düzenlemeleri arasında. Ancak bu katılık, yapay zekâ kullanımının önünde sanıldığı kadar büyük bir engel değil. Nedeni basit: Modelin bu verilerin çoğuna zaten ihtiyacı yok.
Bir modelin portföy analizi yapması veya fon dağılımı önerisi üretmesi için müşterinin adına, T.C. kimlik numarasına, hesap numarasına veya adres bilgisine erişmesi gerekmiyor. Ham finansal büyüklükleri, varlık dağılımını ve tarihsel serileri görmesi, beklenen analitik çıktı için fazlasıyla yeterli.
Bu yüzden veri tabanı ile model arasına bir maskeleme katmanı koyuyoruz. Veri modele gitmeden önce bu katmanda taranıyor; kimliğe götüren alanlar maskeleniyor ve eşleme tablosu kurumun içinde kalıyor. Model anonim finansal mantığı yürütüyor, dönen yanıt aynı katmanda yeniden zenginleştirilerek portföy yöneticisinin ekranına düşüyor.
Fakat elbette, burada dikkat edilmesi gereken kritik bir nokta var: anonimleştirme sanıldığı kadar kolay değil. Bir fonun tek bir kurumsal yatırımcısı varsa ya da pozisyon büyüklüğü tek başına kimliği ele veriyorsa, ismi silmek işe yaramaz. Bu nedenle maskeleme kurallarını yalnızca alan düzeyinde değil, yeniden kimliklendirme (re-identification) riski üzerinden de gözden geçiriyoruz.
3. Halüsinasyon: Olasılıksal model, deterministik doğrulama
Üretken modeller doğası gereği olasılıksal çalışır; en olası görünen devamı tahmin ederek yanıt üretir. Bu yapının yan etkisi, modelin “bilmiyorum” demek yerine makul görünen bir değer uydurabilmesi. Portföy yönetiminde, yatırım kararını etkileyen bir rapora yanlış bir getiri rakamının girmesi kabul edilebilir bir hata değil.
Bunu ise iki katmanla çözüyoruz.
Birincisi, erişim desteklli üretim (RAG-Retrieval-Augmented Generation). Model yanıt üretmeden önce kurumun kendi doğrulanmış ve güncel veri tabanlarından, fon raporlarından besleniyor. Bilgi her zaman kaynak sistemden gelir; hesaplama gerekiyorsa model kendi başına işlem yapmaz, ilgili aracı ya da sorguyu çağırır (araç çağırma – tool calling). Modelin işi hesaplamak değil; yorumlamak ve anlatmak.
İkincisi, deterministik doğrulama. Sonucu baştan belli, kural tabanlı kontrollerden söz ediyorum. Üretilen her rapor son kullanıcıya ulaşmadan önce klasik yazılım denetimlerinden geçiyor; model çıktısındaki sayılar sistemdeki gerçek değerlerle eşleşmiyorsa rapor durduruluyor. Yapay zekânın esnekliği ile geleneksel yazılımın disiplinini bu şekilde dengeliyoruz.
Buna bir de sürüm disiplinini eklemek gerekiyor. İstem (prompt), model ya da erişim (retrieval) mantığı değiştiğinde akışı bir altın veri kümesi (golden set) üzerinde yeniden çalıştırıp çıktıları karşılaştırıyoruz. Bir model güncellemesi masum bir “iyileştirme” değil, davranış değişikliğidir; en az bir kütüphane yükseltmesi kadar ciddi bir regresyon testi ister. Bu kontrolleri, ajan tabanlı (agentic) iç mimarimizle otomatik hâle getiriyoruz.
4. Yeni saldırı yüzeyi: İstem Enjeksiyonu
SQL enjeksiyonu ve XSS (siteler arası betik çalıştırma) derken listeye bir de istem enjeksiyonu (prompt injection) eklendi. Üstelik en riskli hâli, kullanıcının doğrudan yazdığı komut değil; dolaylı (indirect) olanı. Modelin okuduğu bir PDF’in, bir e-postanın, bir fon izahnamesinin ya da bir web sayfasının içine gömülmüş talimatlardan söz ediyorum. Model bu içeriği “veri” yerine “komut” olarak yorumlarsa, kendisine verilen kuralları çiğnemesi ya da görmemesi gereken veriye uzanması mümkün hâle geliyor.
Bu konu kapsamında ise aldığımız önlemler şöyle:
- Modele giden tüm girdiler ve modelden çıkan tüm yanıtlar, gerçek zamanlı güvenlik filtrelerinden ve anomali taramalarından geçiyor.
- Modele ana veri tabanında yazma, silme veya güncelleme yetkisi verilmiyor. Model, rol tabanlı erişim denetimi (RBAC – Role-Based Access Control) ilkeleriyle salt okunur ve daraltılmış bir yetki havuzunda çalışıyor.
- Modelin yetkisi, o an sistemi kullanan kişinin yetkisini asla aşmıyor. Kullanıcının kendi ekranında göremediği bir veriyi, aynı kullanıcı modele sorarak da göremiyor.
- Araç düzeyinde beyaz liste uyguluyoruz. MCP (Model Context Protocol) gibi araç protokolleriyle çalışırken her aracın ayrı ayrı yetkilendirilmesi, tek bir “her şeye erişen ajan” kurgusundan çok daha güvenli.
- Para hareketi, emir iletimi ve talimat oluşturma gibi etkisi geri alınamayan işlemlerde insan onayı zorunlu. Bu konuda pazarlık yok.
- Sıkça atlanan bir başlık: izlenebilirlik. Hangi istem, hangi bağlam, hangi model sürümü, hangi çıktı, hepsi kayıt altına alınıyor. Bir denetimde “model öyle dedi” diye bir savunma yok; kararın izini sürebilmeniz ve açıklanabilirliğini sağlayabilmeniz gerekiyor.
Yapay zekânın yetki sınırları yazılımsal olarak net çizildiğinde, istem düzeyindeki müdahaleler sistemin çekirdeğine zarar veremiyor.
Güvenli ve uyumlu yenilik
Portföy yönetiminde yapay zekâ çağını yakalamak, en gelişmiş modeli sisteme bağlamakla olmuyor. Asıl iş; hızı, üretkenliği ve analitik derinliği işleyişe katarken güvenlikten, mevzuattan ve veri gizliliğinden ödün vermeyen mimariyi kurmak.
Yazımın sonuna gelirken, bir noktaya daha dikkat çekmek isterim: Riski sıfırlayan bir mimari yok. Olan şey, riski yönetilebilir, ölçülebilir ve denetlenebilir kılan bir mimari. Kurumsal yapay zekâda olgunluk da tam burada başlıyor: modelin ne kadar iyi olduğunu değil, hata yaptığında sistemin ne yapacağını konuşmaya başladığınız noktada.
infina olarak, finansal yazılım ve kritik altyapı mimarileri alanındaki çeyrek asra yaklaşan birikimimizle, yapay zekâyı sağlam mühendislik uygulamalarıyla birleştiriyoruz. Sermaye piyasalarında bu dönüşümü konuşmaya, kurumlara özel yol haritaları çıkarmaya ve riski kontrol altında tutan esnek mimariler tasarlamaya her zaman açığız.