Finans, bankacılık ve fintech için yapay zeka: GPU sunucu, veriler Türkiye'de

Finans ve bankacılıkta yapay zeka için GPU sunucu: kısa cevap

Finans ve bankacılıkta yapay zekanın başlıca kullanım alanları dolandırıcılık tespiti (fraud detection), kredi skorlama, kara para aklamayla mücadele (AML), dekont ve KYC belgesi okuma ile risk simülasyonudur. Tablo verisiyle çalışan XGBoost gibi fraud, kredi ve AML modelleri çoğunlukla 48 GB'lık tek bir L40S'e sığar. Aylık kiraladığınız GPU sunucu yalnızca size ayrılır; veriler İstanbul Bağcılar'daki kendi tesisimizde, Türkiye'de kalır.

Belge yapay zekası ve müşteri asistanı gibi dil modeli isteyen işler için 96 GB'lık RTX PRO 6000, çift hassasiyet (FP64) isteyen risk hesapları için H100 uygundur. Bankalar, ödeme ve elektronik para kuruluşları, sermaye piyasası kurumları, kripto varlık hizmet sağlayıcıları ve sigorta şirketleri birincil ve ikincil sistemlerini yurt içinde bulundurmak zorundadır; uyum değerlendirmesi ise kurumunuza aittir.

• Dolandırıcılık tespiti ve kredi skorlama: L40S (48 GB ECC), aylık $900.
• Belge yapay zekası, LLM asistanı, MIG ile aynı kartta birden çok servis: RTX PRO 6000 (96 GB ECC), aylık $1.600.
• FP64 risk ve fiyatlama simülasyonları: H100 (80 GB), aylık $2.500.
• Geliştirme, test ve düşük hacimli skor servisi: RTX PRO 4000 (24 GB ECC), aylık $450.

Hangi finans iş yükü için hangi GPU?

Tablo verisi modellerinde 20–48 GB çoğu zaman yeter; dil ve görsel-dil modellerinde ihtiyaç, model boyutuna ve eşzamanlı istek sayısına göre 20–96 GB arasında değişir; FP64 ağırlıklı hesapta Hopper mimarili H100 öne çıkar. Fiyatlar GPU başına, aylık ve KDV hariçtir.

RTX 5090 tabloda yok: NVIDIA'nın resmi özelliklerinde ECC yer almaz ve kart MIG'i desteklemez. 7/24 çalışan üretim servislerinde ECC'li bellek için L40S ya da RTX PRO 6000, kartı MIG ile bölmek için RTX PRO 6000 daha uygundur (RTX 5090 mı, RTX PRO 6000 mi?).

Dolandırıcılık tespiti ve kredi skorlama GPU'da nasıl çalışır?

Yapay zeka dolandırıcılığı geçmiş işlemlerden öğrenerek tespit eder: dolandırıcılık ya da normal diye etiketlenmiş işlemlerle eğitilen model, her yeni işleme bir risk skoru verir; skoru eşiği aşan işlem durdurulur ya da incelemeye gönderilir. Etiketin az olduğu AML işlerinde anomali tespiti olağan dışı para akışlarını öne çıkarır. Kredi skorlama da aynı mantıkla başvuranın krediyi geri ödememe olasılığını tahmin eder.

Gradient boosting modelleri GPU'da tek parametreyle eğitilir: XGBoost'ta device="cuda", LightGBM'de device_type="gpu", CatBoost'ta task_type="GPU". Hesaplar, işyerleri ve cihazlar arasındaki ilişkileri yakalamak için bunlara grafik sinir ağı (GNN) eklenebilir.

NVIDIA'nın belgelerindeki örnek iş akışı bu yapıyı somut gösterir. IBM TabFormer veri setindeki 24 milyon kredi kartı işlemi cuDF ile hazırlanır; kullanıcı ile işyeri arasındaki graf üzerinde PyTorch Geometric ile iki atlamalı (2-hop) bir SAGEConv modeli eğitilir; GNN'in ürettiği gömmeler GPU'daki XGBoost'a verilir ve model Triton ile servis edilir. NVIDIA bu örnek için en az 64 GB sistem belleği ve 100 GB disk önerir. Tek L40S'li bir sunucuyla 12 CPU çekirdeği, 72 GB RAM ve 1 TB SSD gelir; bu öneri karşılanır.

• Açıklanabilirlik: XGBoost, SHAP değerlerini GPU'da da hesaplar (pred_contribs=True). KVKK m.11/1-g, verilerin münhasıran otomatik sistemlerle analiz edilmesiyle kişinin aleyhine çıkan sonuca itiraz hakkı tanır; model kararlarını açıklayabilmek bu yüzden pratik bir ihtiyaçtır.
• Tekrarlanabilirlik: CatBoost belgelerine göre GPU'da eğitim deterministik değildir. Model doğrulamasında kütüphane sürümlerini ve tohum (seed) değerlerini sabitleyin; aynı modeli CPU'da ve GPU'da eğitip metrikleri karşılaştırın.
• Kredi kararı kurumda kalır: BDDK'nın Bankaların Destek Hizmeti Almalarına İlişkin Yönetmeliği (RG 05.11.2011/28106), kredi taleplerinin değerlendirilmesini ve kredi kararını destek hizmeti kuruluşlarından alınamayacak işler arasında sayar (m.4/1-b). Modeli kurumunuz geliştirir ve işletir; biz size ayrılmış sunucuyu sağlarız.

AML ve anomali tespitinde scikit-learn'deki IsolationForest, HDBSCAN ve DBSCAN cuml.accel ile; NetworkX'teki louvain_communities, weakly_connected_components ve pagerank gibi algoritmalar nx-cugraph ile (NX_CUGRAPH_AUTOCONFIG=True) kod değiştirmeden GPU'da çalışır. NVIDIA'nın nx-cugraph belgesindeki örnekte cit-Patents grafında betweenness_centrality(G, k=10) 7 dakika 41 saniyeden 5,32 saniyeye indi; belgede kullanılan donanım belirtilmemiş. Kurulum ve CPU'nun yettiği durumlar için veri bilimi sayfamıza bakın.

Dekont, fatura ve KYC belgeleri yapay zeka ile nasıl okunur?

Muhasebe tarafında e-Fatura zaten XML olduğu için GPU gerektirmez; taranmış dekont, sözleşme ve kimlik belgeleri içinse OCR ya da görsel-dil modeli ve alanları JSON'a çeviren bir dil modeli gerekir. Gelir İdaresi'ne göre e-Fatura XML tabanlı UBL-TR standardındadır; alanları bir XML ayrıştırıcıyla doğrudan okursunuz.

Taranmış belgeler için iki yaygın yol vardır:

• Belge dönüştürücü: MIT lisanslı Docling, PDF'lerdeki sayfa düzenini ve tabloları çıkarır, taranmış sayfalarda OCR yapar ve görsel-dil modeliyle çalışan bir hattı da destekler. Desteklediği OCR motorlarından Tesseract'ın hazır bir Türkçe dil modeli (tur) vardır.
• Görsel-dil modeli: Nisan 2026'da yayımlanan, Apache 2.0 lisanslı Qwen3.6-27B gibi açık ağırlıklı modeller görüntüyü doğrudan okur; Qwen'in model kartı OCRBench'te 89,4 puan bildirir. Türkçe belgelerdeki doğruluğu kendi örneklerinizle ölçün.

Çıktıyı vLLM'in yapılandırılmış çıktı (structured outputs) özelliğiyle bir JSON şemasına bağlarsanız model yalnızca istediğiniz alanları üretir. Bellek ihtiyacı model boyutuna ve eşzamanlı istek sayısına göre değişir. Değerler VRAM hesaplayıcımızdan, 8.192 token bağlamla:

Tek istekte KV önbelleği BF16, 16 istekte FP8 varsayılmıştır. Görsel-dil modellerinde her sayfa görüntüsü bağlama ayrıca token ekler. Modeli OpenAI uyumlu bir API olarak sunmanın ayrıntıları LLM inference sayfamızda.

KYC tarafında ödeme ve elektronik para kuruluşları için TCMB tebliğinin 22. maddesi (son değişiklik RG 04.09.2026), uzaktan kimlik tespitinde kimlik belgesinin esas olarak yakın alan iletişimi (NFC) ile, bu yapılamazsa optik karakter tanıma (OCR) gibi yöntemlerle doğrulanmasını ister. Canlılık testi rastgele komutlarla en az üç görüntü üzerinden yapılır ve kayıtlar gerçek zamanlı olarak kuruluşun sunucularına yazılır. Yüz eşleştirmede kullanılan biyometrik veri KVKK m.6'ya göre özel nitelikli kişisel veridir. Müşteri destek asistanı için kurumsal yapay zeka sayfamıza bakın.

Risk simülasyonu için FP32 mi, FP64 mü?

Modeliniz FP32'de yeterli doğrulukla çalışıyorsa L40S ya da RTX PRO 6000 yeter; FP64 gerekiyorsa H100 seçin. CUDA Programlama Kılavuzu'na göre FP32'nin FP64'e hız oranı Ada ve Blackwell (SM 12.x) kartlarda 64:1, Hopper'da 2:1'dir. Teorik olarak bu, L40S'te yaklaşık 1,4, RTX PRO 6000'de 1,7–2,0, H100'de ise sürüme göre 26–34 TFLOPS FP64 eder.

CuPy, NumPy uyumlu API'siyle aynı kodu GPU'da çalıştırır. Aşağıdaki örnek 50 varlıklı bir portföy için 2 milyon senaryoyla günlük riske maruz değeri (VaR) ve beklenen kaybı (ES) hesaplar:

import cupy as cp

rng = cp.random.default_rng(42)
n, k = 2_000_000, 50                      # senaryo ve varlık sayısı
gecmis = rng.standard_normal((750, k), dtype=cp.float32) * 0.01  # örnek veri: yerine günlük getirileriniz
L = cp.linalg.cholesky(cp.cov(gecmis, rowvar=False)).astype(cp.float32)
w = cp.full(k, 1 / k, dtype=cp.float32)   # eşit ağırlıklı örnek portföy

z = rng.standard_normal((n, k), dtype=cp.float32)
pnl = (z @ L.T) @ w                       # senaryo başına 1 günlük portföy getirisi
var99 = -cp.percentile(pnl, 1)            # %99 güven düzeyinde 1 günlük VaR
es99 = -pnl[pnl <= -var99].mean()         # aynı düzeyde beklenen kayıp (ES)
print(f"VaR: {var99.item():.4f}  ES: {es99.item():.4f}")

Aynı simülasyonu bir örnek üzerinde float32 ve float64 ile çalıştırıp VaR farkının kabul edilebilir olup olmadığına bakın; kart kararını bu karşılaştırmaya göre verin.

Banka ve fintech verisi yurt dışındaki bulutta işlenebilir mi?

Düzenlemeye tabi finans kuruluşlarının büyük bölümü için hayır. Ekim 2026 itibarıyla bankalar, finansal kiralama, faktoring ve finansman şirketleri, ödeme ve elektronik para kuruluşları, sermaye piyasası kurumları, kripto varlık hizmet sağlayıcıları ve sigorta şirketleri birincil ve ikincil sistemlerini yurt içinde tutmak zorundadır; BDDK, TCMB ve SPK kurallarında dış hizmet ya da bulut olarak alınan sistemler de bu kapsama girer. Bazı halka açık ortaklıklar için muafiyet ve müşteri verisi içermeyen test ortamları gibi istisnalar aşağıda.

SPK'nın eski Bilgi Sistemleri Yönetimi Tebliği (VII-128.9), yenisinin yürürlüğe girdiği 30 Haziran 2025'te kaldırıldı. Kripto varlık hizmet sağlayıcıları ayrıca TÜBİTAK'ın belirlediği bilgi sistemleri kriterlerine uyar (m.31/2).

Dış hizmet alırken üç noktaya dikkat edin:

• Karar kurumda kalır: Bilgi sistemleri dış hizmete ancak karar alma gücü ve sorumluluk kurumda kalmak şartıyla verilebilir (BDDK yönetmeliği m.29/9, TCMB tebliği m.16/1). BDDK, sözleşmede hizmet seviyelerini, hizmet sonunda verinin teslimini ve imhasını, güvenlik ihlallerinin bildirimini ve Kurum'un kayıtlara erişimini arar (m.29/2).
• Sır: Banka ve müşteri sırrının paylaşımı ayrıca 5411 sayılı Kanun'un 73. maddesine ve Sır Niteliğindeki Bilgilerin Paylaşılması Hakkında Yönetmeliğe (RG 04.06.2021/31501) tabidir.
• Kişisel veri: Kişisel veriyi yurt dışındaki bir GPU'da işlemek KVKK m.9'a göre yurt dışına aktarımdır. Ayrıntılar KVKK rehberimizde.

Size ayrılmış fiziksel bir sunucunun bu tanımlar karşısındaki yeri (dış hizmet, özel bulut vb.) kurumunuzun değerlendirmesine bağlıdır. Sunucularımız İstanbul Bağcılar'daki kendi tesisimizde UPS, jeneratör desteği ve yedekli internet bağlantılarıyla çalışır; GPU başka müşterilerle paylaşılmaz ve veriler Türkiye'de kalır.

Bu bölüm genel bilgi amaçlıdır, hukuki tavsiye değildir. Uyum değerlendirmesi kurumunuzun hukuk ve uyum birimlerine aittir.

Aylık ve yerel sunucu ne zaman mantıklı, ne zaman değil?

Skor servisi 7/24 çalışıyorsa, modeller düzenli olarak yeniden eğitiliyorsa ve müşteri verisi yurt içinde kalmak zorundaysa aylık, size ayrılmış bir sunucu mantıklıdır. Aylık bedel ABD doları cinsinden sabittir; fatura, düzenlendiği günkü TCMB döviz satış kuruyla Türk lirası olarak kesilir. Kiralama en az 1 aydır, tek siparişte en fazla 8 GPU kiralanabilir ve yıllık kiralamada aylık fiyata %20 indirim uygulanır; ayrıntılar GPU sunucu fiyatları sayfasında.

Şu durumlarda başka bir seçenek daha mantıklı olabilir:

• Müşteri verisi içermeyen denemeler: Ödeme ve elektronik para kuruluşları için TCMB tebliği, gerekli güvenlik tedbirleri alınmış ve müşteri verisi içermeyen test ve geliştirme ortamlarını bulut kısıtının dışında tutar (m.16/7). Sentetik veriyle ayda birkaç günlük bir deneme için saatlik bir bulut GPU daha ucuz olabilir; L40S'in aylık fiyatının saatlik karşılığı $1,23.
• Küçük skor kartları: NVIDIA'nın cuML ölçümünde 100 MB'lık veride LogisticRegression işlemcide 0,68 saniyede eğitildi; böyle bir model için GPU gerekmez.
• Kişisel veri içermeyen belgeler: Kamuya açık raporları özetlemek gibi işlerde en güçlü kapalı modeller (API'ler) açık modellerden daha iyi sonuç verebilir.
• Daha yüksek bir SLA ya da sertifika şartı: Aylık %99,5 erişilebilirlik hedefi ve hizmet kredisi içeren koşullarımız SLA ve destek sayfamızda. Dış hizmet politikanız bundan yüksek bir SLA ya da belirli bir belge istiyorsa bunu sipariş öncesinde bize yazılı olarak sorun; sorulacak sorular kurumsal güvenlik rehberimizde.

Özet

• Dolandırıcılık tespiti, kredi skorlama ve AML gibi tablo verisi işleri çoğunlukla tek bir 20–48 GB'lık GPU'ya sığar; dil modeli isteyen belge ve asistan işleri için 96 GB'lık RTX PRO 6000, FP64 risk hesabı için H100 uygundur.
• XGBoost, LightGBM ve CatBoost GPU'da tek parametreyle çalışır; XGBoost SHAP değerlerini GPU'da hesaplar, CatBoost'un GPU eğitimi ise deterministik değildir.
• Bankalar (BDDK m.25), finansal kiralama ve faktoring şirketleri, ödeme kuruluşları (TCMB m.21), sermaye piyasası kurumları ve kripto varlık hizmet sağlayıcıları (SPK VII-128.10 m.27) ile sigorta şirketleri (SEDDK m.16) birincil ve ikincil sistemlerini yurt içinde tutmak zorundadır.
• e-Fatura XML'dir ve GPU gerektirmez; taranmış belgeler ve KYC için OCR ya da görsel-dil modeli gerekir. Biyometrik veri özel nitelikli kişisel veridir.
• Uyum değerlendirmesi kurumunuza aittir; bu sayfa hukuki tavsiye değildir.

Kaynaklar

• BDDK: Bankaların Bilgi Sistemleri ve Elektronik Bankacılık Hizmetleri Hakkında Yönetmelik
• BDDK: Bankaların Destek Hizmeti Almalarına İlişkin Yönetmelik
• TCMB: Ödeme ve Elektronik Para Kuruluşlarının Bilgi Sistemleri ile Ödeme Hizmeti Sağlayıcılarının Ödeme Hizmetleri Alanındaki Veri Paylaşım Servislerine İlişkin Tebliğ
• Resmi Gazete, 13 Mart 2025: SPK Bilgi Sistemleri Yönetimine İlişkin Usul ve Esaslar Tebliği (VII-128.10)
• SEDDK: Sigortacılık ve Özel Emeklilik Sektörlerinde İç Sistemlere Dair Yönetmelik
• 6698 sayılı Kişisel Verilerin Korunması Kanunu
• NVIDIA: Fraud Detection Model Lifecycle with cuDF, Prefect, MLflow, and Triton
• NVIDIA CUDA Programming Guide: Compute Capabilities
• NVIDIA AI Blueprint: Financial Fraud Detection (donanım gereksinimleri)
• XGBoost: GPU Support
• CatBoost: Training on GPU
• NVIDIA cuGraph: nx-cugraph
• NVIDIA cuML: cuml.accel benchmarks
• Docling (GitHub)
• Docling: kurulum ve OCR motorları
• Tesseract: Türkçe dil modeli (tur.traineddata)
• Qwen3.6-27B model kartı
• Gelir İdaresi Başkanlığı: e-Fatura (UBL-TR)
• 5411 sayılı Bankacılık Kanunu
• Resmi Gazete, 4 Haziran 2021: Sır Niteliğindeki Bilgilerin Paylaşılması Hakkında Yönetmelik