Bankalarda kredi risk modellemesinde yapay zekâ ve makine öğreniminin kullanımının değerlendirilmesi

Bu araştırma, bankalarda kredi riski yönetiminde AI/ML modellerinin uygulanmasını inceleyecek ve süreçteki modellerin verimliliğini etkileyen faktörleri belirlemeye çalışacaktır. Araştırma aynı zamanda kredi riski yönetimi sürecinde modellerin yorumlanabilirliğine ilişkin çalışanın tutumunu belirlemeyi ve uygun sonuçları analiz etmeyi amaçlamaktadır. Bu çalışmada, katılımcıların verileri yapılandırılmış bir anket aracılığıyla toplanmıştır; 102 yanıt alındı ve analiz edildi. Regresyon analizi sonucunda kredi puanı (β =-0,228, p = 0,029), borç-gelir oranı (β=0,158, p=0,125), talep edilen kredi tutarı (β=-0,240, p=0,081) ve yıllık gelir (β=0,003, p=0,980) kredi sonuçlarını önemli ölçüde etkileyerek varyansın %14,7'sini açıklamaktadır (R²=0,147, F (5,96) =3,301, p=0,009). Ayrıca korelasyon sonuçları, etkileşim tercihlerinin yorumlanabilirlik standartlarının desteğiyle pozitif ve anlamlı bir şekilde ilişkili olduğunu ortaya çıkardı, r = 0,265, p = 0,007. Gelecekteki çalışmalar, makroekonomik dikkate alınarak bir modelin zaman içindeki performansının sürekli izlenmesini hedeflemelidir. Ayrıca davranışsal veriler ve farklı AI/ML yöntemlerinin performansının karşılaştırılması yapılabilir. Bu, artan karmaşık finansal ortamda AI/ML modelleri için sağlam ve etik en iyi uygulamaları korurken, daha iyi AI/ML modelinin oluşturulmasına ve geliştirilmesine başlamaya yardımcı olacaktır. Anahtar Kelimeler: Kredi riski değerlendirmesi, AI/ML modelleri, kredi sonuçları, yorumlanabilirlik, finansal kurumlar.