BANKACILIK ALANINDA DÜZENLEYİCİ TESPİTE ANLAMSAL BİR YAKLAŞIM

Abstract

Bankacılık Düzenleme ve Denetleme Kurumu'nun (BDDK) bankacılık sistemlerinde önceden belirlenmiş regülasyonları takip etmek, performanslarını iyileştirmelerine yardımcı olabilir. Bir denetim sistemi, BDDK düzenlemelerini izleyerek bir bankada regülasyonların ne kadar takip edildiğini belirleyebilir. Bu izleme şimdiye kadar manuel olarak yapılmıştır ancak bu işlem çok zaman alıcı ve zahmetli bir operasyondur. Bu regülasyonların otomatik olarak izlenmesi önemli miktarda zaman ve emek tasarrufu sağlayabilir. Bu makale, Türkiye'deki bankacılık alanında regülasyon tespiti için bir Semantik yaklaşım önermektedir. Önerilen sistem, anlamsal analizi gerçekleştirmek için YAKE anahtar kelime çıkarıcı ve Cümle Dönüştürücülerle (sentence-transformer’lar) entegre edilmiş Türkçe dili için eğitilmiş bir BERT modelini kullanır. Önerilen sistem için girdi, büyük bir mevzuat koleksiyonu kapsayan bir metin dosyası ve denetlenecek belirli düzenlemeleri içeren bir hedef dosyadır. Analiz edilen metin, BDDK tarafından yayınlanan düzenleyici belgelerden elde edilmiş, hedef metin dosyası ise bir Türk bankası tarafından sağlanmıştır. Önerilen sistem, yeni düzenlemeleri belirlemeye olanak tanır; Ayrıca bir uzmanın önerilen çıktılardan hangisinin doğru hangisinin doğru olmadığını seçmesine olanak tanır, bu da önerilen yaklaşımı yarı-otomatik hale getirir. Sistem, temel görevleri otomatikleştirerek regülasyonları %86 Hassasiyet (Precision) ve %89 Kapsam (Recall) ile belirleyebilmiştir.

Keywords

• Mevzuat tespiti
• Mevzuata uygunluk
• anlamsal analiz
• Doğal dil işleme
• Cümle dönüştürücüler
• BERT.

A SEMANTIC APPROACH TO REGULATION DETECTION IN BANKING DOMAIN

Abstract

Bankacılık Düzenleme ve Denetleme Kurumu'nun (BDDK) bankacılık sistemlerinde önceden belirlenmiş regülasyonları takip etmek, performanslarını iyileştirmelerine yardımcı olabilir. Bir denetim sistemi, BDDK düzenlemelerini izleyerek bir bankada regülasyonların ne kadar takip edildiğini belirleyebilir. Bu izleme şimdiye kadar manuel olarak yapılmıştır ancak bu işlem çok zaman alıcı ve zahmetli bir operasyondur. Bu regülasyonların otomatik olarak izlenmesi önemli miktarda zaman ve emek tasarrufu sağlayabilir. Bu makale, Türkiye'deki bankacılık alanında regülasyon tespiti için bir Semantik yaklaşım önermektedir. Önerilen sistem, anlamsal analizi gerçekleştirmek için YAKE anahtar kelime çıkarıcı ve Cümle Dönüştürücülerle (sentence-transformer’lar) entegre edilmiş Türkçe dili için eğitilmiş bir BERT modelini kullanır. Önerilen sistem için girdi, büyük bir mevzuat koleksiyonu kapsayan bir metin dosyası ve denetlenecek belirli düzenlemeleri içeren bir hedef dosyadır. Analiz edilen metin, BDDK tarafından yayınlanan düzenleyici belgelerden elde edilmiş, hedef metin dosyası ise bir Türk bankası tarafından sağlanmıştır. Önerilen sistem, yeni düzenlemeleri belirlemeye olanak tanır; Ayrıca bir uzmanın önerilen çıktılardan hangisinin doğru hangisinin doğru olmadığını seçmesine olanak tanır, bu da önerilen yaklaşımı yarı-otomatik hale getirir. Sistem, temel görevleri otomatikleştirerek regülasyonları %86 Hassasiyet (Precision) ve %89 Kapsam (Recall) ile belirleyebilmiştir.

Keywords

• Mevzuat tespiti
• Mevzuata uygunluk
• anlamsal analiz
• Doğal dil işleme
• Cümle dönüştürücüler
• BERT.

References

1. Al-Shabandar, R., Liu, J., Lightbody, G., Wang, H., Browne, F., & Zheng, H. (2019). The Application of Artificial Intelligence in Financial Compliance Management. In AIAM 2019: Proceedings of the 2019 International Conference on Artificial Intelligence and Advanced Manufacturing (pp. 1-6). Association for Computing Machinery. https://doi.org/10.1145/3358331.3358339
2. Aziz, L. A.-R., & Andriansyah, Y. (2023). Innovative Approaches to Banking Fraud Prevention and Risk Management using AI. RCBA, 6(1), 110-130. https://doi.org/10.12345/rcba-2023-061
3. Bischof, J., Daske, H., Elfers, F., & Hail, L. (2021). A Tale of Two Supervisors: Compliance with Risk Disclosure Regulation in the Banking Sector. Journal of Accounting Research. https://doi.org/10.1111/1911-3846.12715
4. Benkassioui, B., Kharmoum, N., Hadi, M. Y., & Ezziyyani, M. (2023). NLP methods’ information extraction for textual data: An analytical study. In International Conference on Advanced Intelligent Systems for Sustainable Development (AI2SD 2022) (pp. 515–527). Springer. https://doi.org/10.1007/978-3-031-15711-7_42
5. Calderón, A. (2020). Regulatory Compliance & Supervision in AI Regime: Banks and FinTech (Master's thesis, University of Helsinki, Faculty of Law).
6. Campos, R., Mangaravite, V., Pasquali, A., Jorge, A., Nunes, C., & Jatowt, A. (2020). YAKE! Keyword extraction from single documents using multiple local features. Information Sciences, 509, 257-289
7. Campos, R., Mangaravite, V., Pasquali, A., Jorge, A. M., Nunes, C., & Jatowt, A. (2018). A Text Feature Based Automatic Keyword Extraction Method for Single Documents. In G. Pasi, B. Piwowarski, L. Azzopardi, & A. Hanbury (Eds.), Advances in Information Retrieval: ECIR 2018 (Lecture Notes in Computer Science, Vol. 10772, pp. 684–691). Springer, Cham. https://doi.org/10.1007/978-3-319-76941-7_63
8. Campos, R., Mangaravite, V., Pasquali, A., Jorge, A. M., Nunes, C., & Jatowt, A. (2018). YAKE! Collection-independent automatic keyword extractor. In Advances in Information Retrieval. https://doi.org/10.1007/978-3-319-76941-7_63

9. Cyree, K. B. (2016). The Effects of Regulatory Compliance for Small Banks around Crisis-Based Regulation. Journal of Financial Research, 39(3), 289-309. https://doi.org/10.1111/jfir.12096
10. Devlin, J., Chang, M. W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers), 4171-4186. https://doi.org/10.18653/v1/N19-1423
11. Gupta, A., Chadha, A., & Tewari, V. (2024). A Natural Language Processing Model on BERT and YAKE Technique for Keyword Extraction on Sustainability Reports. IEEE Access, 12, 7942-7951. https://doi.org/10.1109/ACCESS.2024.3352742
12. Jain, V., Balakrishnan, A., Beeram, D., Najana, M., & Chintale, P. (2024). Leveraging Artificial Intelligence for Enhancing Regulatory Compliance in the Financial Sector. International Journal of Computer Trends and Technology (IJCTT), 72(5), 56-65. https://doi.org/10.14445/22312803/IJCTT-V72I5P116
13. Khurana, D., Koli, A., Khatter, K., et al. (2023). Natural language processing: State of the art, current trends and challenges. Multimedia Tools and Applications, 82(5), 3713–3744. https://doi.org/10.1007/s11042-022-13428-4
14. Zhang, J., & El-Gohary, N. M. (2013). Semantic NLP-Based Information Extraction from Construction Regulatory Documents for Automated Compliance Checking. Journal of Computing in Civil Engineering, 27(6), 668-676. https://doi.org/10.1061/(ASCE)CP.1943-5487.0000315