Makine öğrenmesi teknikleriyle mobil ödemede sahtekarlık tespiti

Mobil çağın gelişmesi ile birlikte ödeme dünyası mobil cihazlarda hayat bulmuştur. Gelişen teknolojide mobil ödeme hemen hemen her sektörde olduğu gibi toplu taşıma sektöründe de sıklıkla tercih edilmektedir. Mobil biletleme sistemi toplu taşıma yolcularına zaman, maliyet, kullanım kolaylığı açısından birçok fayda sağlamaktadır. Mobil ödemenin diğer ödeme türlerine göre daha çok tercih edilmesi, birçok güvenlik ve gizlilik kaygısını da beraberinde getirmiştir. Toplu taşıma gibi çok kullanıcılı ve aktif kullanılan sistemlerde, mobil uygulamayı çalıntı kredi kartı veya çalıntı hesaplarla kullanmaya çalışan ve kullanım amacı dışına çıkarak sistem zafiyetlerini arayan riskli kullanıcıların bulunması kaçınılmazdır. Söz konusu sahtekar kullanıcıların belirlenebilmesi hem uygulama sahibinin itibarı ve karlılığı hem de müşteri memnuniyeti ve devamlılığı açısından hayati önem taşır. Bu çalışmanın amacı, ulaşım sektöründe faaliyet gösteren bir şirketin sisteminde var olan sahtekar kullanıcıların tespit edilmesidir. Çalışma akıllı ulaşım sistemlerinde öncü bir firmanın gerçek bir sistemi üzerinde gerçekleştirilmiştir. ABD 'de yer alan Kentkart mobil uygulamasını kullanan kullanıcılar ve kullanıcıların geçmiş hareketleri temel alınarak çalışma yürütülmüştür. Sahteci kullanıcıları belirleyebilmek için bağlam duyarlı yaklaşım ile kullanıcı hareketleri belirlenmiş, sistemde risk analizi yapılmış ve ardından makine öğrenmesi teknikleri kullanılarak kullanıcıların hareketlerine göre kara liste ve beyaz liste şeklinde kullanıcı sınıflandırmaları sağlanmıştır. Çalışmada sınıflandırma problemlerinde sıklıkla kullanılan yöntemlerden olan Rassal Orman, Destek Vektör Makineleri, Lojistik Regresyon, K-En Yakın Komşu ve Naif Bayes makine öğrenme teknikleri tercih edilmiştir. Mobil uygulama kullanıcıları üzerinde elde edilen sonuçlar basit topluluk öğrenme yöntemleriyle birleştirilmiştir. Uygulamada topluluk öğrenme tekniklerinden Yumuşak Oylama ve Basit Çoğunluk Oylama yöntemleri kullanılmıştır. En yüksek performanslı çalışan sistemin belirlenebilmesi için beş farklı senaryo hazırlanmış ve tüm senaryolarda topluluk öğrenme yöntemlerinin, sınıflandırma algoritmalarından daha başarılı sonuçlar elde ettiği görülmüştür. Bu çalışma ile toplu taşıma firmasının müşterileri arasında sahtekar kullanıcıları kara listeye otomatik olarak alan bir sistem tasarlanmış, bu kullanıcıların firmada sebep oldukları sahtekarlık maliyetleri önlenmiştir.