Finans piyasalarında yaklaşık 30 yıllık deneyime sahip olan SIGMA AI Kurucusu ve CEO’su Andy Simpson, yapay zekanın finans sektöründeki kullanımında en önemli sorunun teknoloji değil, güvenilirlik olduğunu söylüyor. “Bir demo yalnızca bir kez çalışmak zorundadır. Üretimdeki sistem ise her seferinde çalışmalıdır” diyen Simpson, yapay zekanın finansal kararlardaki sorumluluğu ortadan kaldırmayacağı uyarısında bulunuyor: “Düzenleyici kurumlar yapay zekayı değil, insanları mahkemeye çıkaracak.”
Simpson, yalnızca yapay zekanın geleceğine ilişkin öngörülerde bulunan bir sektör yöneticisi değil. Kurucusu olduğu SIGMA AI, haber akışını ve finansal piyasa verilerini gerçek zamanlı analiz ederek olağandışı hareketleri tespit eden, piyasa oynaklığı ve işlemlerin gerçekleşme olasılığı gibi alanlarda tahminler üreten teknolojiler geliştiriyor. Aynı zamanda küresel finansal işlem teknolojileri şirketi Trading Technologies’in (TT) Yapay Zeka ve İnovasyon Başkanı olan Simpson, yapay zeka uygulamalarını büyük finans kuruluşlarının operasyonlarına taşıma konusunda da çalışıyor.
İstanbul Fintech Week 2026 kapsamında görüştüğümüz Simpson’a göre finans kuruluşları, büyük dil modellerinin yeteneklerine odaklanırken geleneksel makine öğrenmesinin ve güvenilir verinin önemini gözden kaçırmamalı. SIGMA’nın analitik süreçlerinin büyük bölümünü tekrarlanabilir ve denetlenebilir sistemler üzerine kurduğunu anlatan Simpson, asıl rekabetin daha güçlü yapay zeka modelleri geliştirmekten çok, bunları gerçek iş sorunlarını çözmek için kullanmakta yaşanacağını vurguluyor. Türkiye’yi SIGMA için önemli bir büyüme pazarı olarak gördüğünü de belirten Simpson ile yapay zekanın finans sektöründeki sınırlarını, gerçek zamanlı piyasa analizini ve gelecekteki kullanım alanlarını konuştuk.
Finans piyasalarında yaklaşık 30 yıllık deneyiminiz var. Bugün üretken yapay zeka konusunda etkileyici bir demo ile gerçekten güvenilebilecek bir sistem arasındaki fark nedir?
Finans piyasalarında daha önce de birçok teknoloji dalgası gördük. İlk dağıtık defter teknolojisi (DLT) projeleri çoğu zaman çözüm arayan teknolojilerdi. Tokenlaştırılmış repo işlemleri gibi ayakta kalan uygulamalarsa gerçek bir soruna çözüm buldu. Üretken yapay zekada da aynı türden bir heyecana kapılmamaya dikkat etmeliyiz.
Bir demonun bir kez çalışması yeterlidir. Kavram kanıtlama aşamasında sistemin ölçeklenebilir olduğunu göstermeye başlarsınız. Ancak üretime geçtiğinizde durum tamamen değişir. Sistem sürekli çalışmalı, müşterinin beklediği sonucu vermelidir.
Üstelik yalnızca sonuç üretmesi yetmez. Sonucun doğrulanabilir, denetlenebilir, tekrarlanabilir ve düzenleyici gerekliliklerle uyumlu olması gerekir. Basit bir büyük dil modeli uygulamasını kopyalamak kolaydır, ama ona güvenmek çok daha zordur.
Peki şirketler neden çoğu zaman pilot aşamasını aşamıyor?
Çünkü çoğu zaman işe beklenen ticari faydayı tanımlayarak başlamıyorlar. Ellerinde harika bir teknoloji var ve şimdi ona uygun bir problem arıyorlar. Oysa bunun tam tersi olmalı.
Geleneksel proje yönetiminde çok önemli iki kavram vardı: Yatırımın geri dönüşü ve beklenen faydanın gerçekleşmesi. Bunların ölçülmesi ve izlenmesi gerekirdi. Yapay zeka için de aynı yaklaşımı kullanmalıyız.
Elbette bir demo yapıp teknolojinin neler başarabileceğini gösterebiliriz. Ama sonunda işletmenin gerçekten yaşadığı bir sorunu çözmeli ve ölçülebilir bir iyileşme sağlamalıyız.
Geçen yıl en büyük sorunlardan birinin veri kalitesi olduğunu ve tek bir güvenilir veri kaynağına ihtiyaç duyulduğunu söylemiştiniz. Modeller geliştikçe bunun önemi azaldı mı?
Hayır. Bugün üç şeyi birbirinden ayırmalıyız: Verinin kalitesi, modelin kendisi ve modelden elde ettiğimiz çıkarım kapasitesi.
Modeller çok güçlü hale geldi. Elbette gelişmeye devam ediyorlar, ancak artık asıl farklılaşmanın her zaman modelin kendisinden gelmediği bir noktadayız. Önemli olan hangi veriyi kullandığınız ve bu veriden ne elde ettiğiniz.
Eski bir kural vardır: Sisteme kötü veri verirseniz kötü sonuç alırsınız. Aynı şey istemler için de geçerli. Yanlış veya iyi tanımlanmamış bir istemden kaliteli sonuç bekleyemezsiniz. Bu nedenle güvenilir, doğru ve tutarlı veri kaynağı temel önemini koruyor.
Üretken yapay zeka bütün bu süreçleri üstlenebilir mi? Geleneksel makine öğrenmesine hala ihtiyacımız var mı?
Üretken yapay zekayı, yapay zekanın tamamı olarak düşünmemeliyiz. Sinir ağlarını da kapsayan makine öğrenmesi ve ajan tabanlı sistemler, yapay zekanın diğer önemli bileşenleri. Finans piyasalarında bazı işlerde deterministik, yani belirli kurallara göre tekrarlanabilir sonuçlara; bazılarında ise olasılıksal sonuçlara ihtiyacımız oluyor.
Büyük dil modelleri analitik konularda giderek iyileşiyor. Ama temelde kelime tahminine dayalı sistemler olduklarını unutmamalıyız.
Belirli bir iş için geliştirilmiş, kurumun kendi verileriyle çalışan makine öğrenmesi sistemi o işi çok daha iyi yapabilir. Ben bunları birbirinin alternatifi değil, birlikte kullanılması gereken yetenekler olarak görüyorum.
SIGMA’nın AIMA platformunda bu iş bölümü nasıl yapılıyor?
Bizim yaklaşımımız kabaca yüzde 80–20. Analitik işlemlerimizin yaklaşık yüzde 80’i, geliştirdiğimiz ve kontrol ettiğimiz tekrarlanabilir, denetlenebilir makine öğrenmesi ve kural tabanlı sistemlerde gerçekleşiyor. Yaklaşık yüzde 20’sinde ise büyük dil modellerini kullanıyoruz.
Büyük dil modellerini ise bu aşamada daha çok doğal dil üretimi için kullanıyoruz. Çünkü matematiksel işlemlerde, algoritmaların çalıştırılmasında ve halüsinasyonlarda hala zayıflıklar olduğunu biliyoruz.
AIMA bir yandan yapay zeka asistanı ve rapor üretim aracı olarak çalışıyor. Diğer yandan duygu analizi, piyasa davranışlarının incelenmesi ve tahmin modellerini de içeriyor. İnsanların aynı ölçekte üretemeyeceği içgörüleri ortaya çıkarmayı hedefliyoruz.
Duygu analizi için nasıl bir veri altyapısı kullanıyorsunuz?
Her gün yaklaşık 1,4 milyon haber ve makaleyi analiz eden bir altyapımız var. Opoint dahil çeşitli veri sağlayıcılarından gelen içerikleri sürekli analiz ediyoruz.
Amaç yalnızca haberleri toplamak değil. Bu haberlerin hangi temalara işaret ettiğini, piyasa duyarlılığını nasıl etkilediğini ve davranışlarla nasıl ilişkilendirilebileceğini anlamak.
Bunu makine öğrenmesi, geliştirdiğimiz duygu analizi algoritmaları ve diğer tekniklerle yapıyoruz. Böylece kullanıcılar yalnızca geçmişe ilişkin bir rapor almak yerine, piyasalardaki değişimleri çok daha yakından izleyebiliyor.
Büyük dil modellerine sınırlı görevler verdiğinizi söylüyorsunuz. Hangi modeli kullanacağınıza nasıl karar veriyorsunuz?
Platformumuz belirli bir büyük dil modeline bağımlı değil. Farklı modelleri kullanabiliyoruz. AWS Bedrock üzerinden çeşitli modellere erişiyoruz ve ihtiyaca göre seçim yapıyoruz.
Örneğin kısa bir yanıt için Anthropic’in Haiku modelini kullanabiliriz. Başka bir görevde Sonnet veya Opus daha uygun olabilir. Bunların yeteneklerini ve maliyetlerini dikkatle değerlendiriyoruz.
Tek bir tokenın maliyeti düşse de modeller çok daha yoğun kullanıldığı için toplam çıkarım maliyetleri artabiliyor. Dolayısıyla müşteriye yalnızca iyi sonuç vermek değil, bunu ekonomik biçimde sunmak da önemli.
Finans kuruluşları açısından yapay zeka çıktılarının doğruluğu nasıl güvence altına alınabilir?
Özellikle düzenleyici metinlerde mutlak dikkat gerekiyor. Avrupa’daki finansal düzenlemeler hakkında bir boşluk analizi yaptığınızı ve belirli maddelere atıfta bulunduğunuzu düşünün. Bu atıfların kesinlikle doğru olması gerekir.
Büyük dil modellerinin bunu her zaman doğru yapacağını varsayamayız. Bu nedenle sonuçları birbirinden bağımsız modellerin veya algoritmaların kontrol ettiği, bizim AI Judges (yapay zeka denetleyicileri) dediğimiz mekanizmalardan yararlanabiliriz.
Burada önemli olan tek bir modelin verdiği yanıta güvenmek değil, o yanıtı başka kontrol mekanizmalarıyla sınamaktır.
Peki bir yapay zeka sistemi yanlış karar verdiğinde sorumluluk kime ait olacak?
Düzenlemeye tabi bir finans kuruluşu, mevzuata uyum yükümlülüğünü veya hesap verebilirliğini bir yapay zeka sistemine devredemez.
Büyük dil modellerinin zayıflıkları olduğunu biliyoruz. Bu nedenle bankaların ve diğer düzenlemeye tabi kurumların bunlara bütünüyle dayanması son derece dikkatli ele alınmalı.
Sonunda düzenleyici kurum bir yapay zeka modelini ya da üretken yapay zeka sistemini mahkemeye çıkarmayacak. İnsanları mahkemeye çıkaracak. Bunu unutmamak çok önemli.
Trading Technologies’te Yapay Zeka ve İnovasyon Başkanı olarak bir yılı aşkın süredir görev yapıyorsunuz. Bu dönemde neler değişti?
Büyük kuruluşlarda yürütülen çalışmaların önemli kısmı dışarıdan görünmez. Bir buzdağına benzetebilirsiniz. Yapay zekanın kurum genelinde tutarlı biçimde kullanılmasını sağlamak, çalışanların bu araçları doğru kullanabilmesini güvence altına almak büyük emek gerektiriyor.
Biz bu konuda oldukça pragmatik davrandık. Kurumsal olgunluk ve tutarlılık geliştirmeye odaklandık.
Şimdi piyasaya sunulmaya hazırlanan çok sayıda ürün var. Henüz bunların ayrıntılarını paylaşamam. Ama özellikle müşterilere ait özel verilerin korunması konusunda çok dikkatli davranıyoruz. Bir müşterinin verisinin başka müşterilerin verileriyle karışmamasını sağlamak zaman alıyor.
SIGMA’nın BMLL ile gerçekleştirdiği ortaklığa gelirsek, geçmişe dönük derin emir defteri verilerini gerçek zamanlı piyasa verileriyle nasıl birleştiriyorsunuz? Çözüm şu anda hangi aşamada?
BMLL’nin kapsamlı tarihsel emir defteri verileri bize neyin normal olduğunu gösteren bir karşılaştırma zemini sağlıyor. Gerçek zamanlı sistemimiz ise şu anda yaşananların geçmişteki bu normal koşullardan nasıl farklılaştığını tespit ediyor.
Bu sayede tarihsel analizin ötesine geçerek olağandışı durumları ortaya çıktıkları anda belirleyebiliyoruz. İki sistemin birleşimi oldukça güçlü.
SIGMA AI’ı kurduğumuz günden beri iki kavrama odaklandık: Anındalık ve kişiselleştirme. BMLL verileri de tam olarak bunu sunmamıza yardımcı oluyor.
Üretime hazır bir sistemimiz var ve müşterilerimizle onların gereksinimleri üzerinde çalışıyoruz.
Peki gerçek zamanlı analiz, finans kuruluşlarına somut olarak ne kazandırıyor?
Geleneksel sistemlerde verilerin işlenmesi ve raporlanması için bazen ertesi günü beklemek gerekebiliyor. Bizim amacımız ihtiyaç duyulan bilgiye tam ihtiyaç duyulduğu anda ulaşılmasını sağlamak.
Gerçek zamanlı veriyle piyasalardaki olağandışı hareketleri tespit edebilir, uyarılar oluşturabilir ve geleceğe ilişkin tahminler geliştirebiliriz.
Örneğin oynaklık, alış ve satış fiyatları arasındaki fark, emir akışındaki toksisite veya bir işlemin gerçekleşme olasılığı hakkında öngörüler üretebiliyoruz. Geçmiş veriler burada karşılaştırma zemini sağlarken gerçek zamanlı analiz bize neyin değiştiğini söylüyor.
Yapay zeka ile fiyat hareketlerini tahmin etmek de mümkün. Sizce asıl değer burada mı?
Asıl mesele yalnızca fiyatın yükseleceğini tahmin etmek değil. Herkes aynı modele ulaşır ve aynı tahmini kullanırsa bunun sağladığı getiri avantajı çok hızlı biçimde ortadan kalkar.
Bence daha ilginç olan, piyasa davranışlarını ve riskleri tahmin edebilmek. Bir işlemin gerçekleşme olasılığı, piyasa akışının toksisitesi veya değerleme davranışları çok önemli.
Özellikle işlem hacmi düşük finansal ürünlerde, getiri eğrilerinde, swaplarda ve risk yüzeylerinde geçmişte mümkün olmayan ölçekte hesaplamalar yapabiliyor, gelecekteki koşullara ilişkin tahminler geliştirebiliyoruz.
Bir yıl sonra finans kuruluşları bugün kullanmaya çekindikleri hangi yapay zeka uygulamalarını kullanıyor olacak?
Bugün demo düzeyinde olan birçok uygulamanın gerçek platformlara dönüştüğünü ve yatırımın geri dönüşüyle değerlendirildiğini göreceğimizi düşünüyorum.
Düzenleyici kurumlar da insan denetiminin nasıl sağlanacağı, hangi kararların insan tarafından verilmesi gerektiği ve hesap verebilirliğin nasıl korunacağı konusunda daha fazla netliğe kavuşacak.
Kurumlar kendi yapay zeka politikalarını, sınırlarını ve kontrol mekanizmalarını oluşturmuş olacak. Bence farkı yaratan yeni modellerin kendisi değil, bu modellerle hayata geçirilen kullanım alanları olacak. Örneğin, müşterilerimiz için geliştirdiğimiz bazı tahmin modellerinin kapasitesi beni şimdiden gerçekten etkiliyor. Bu modellerde üretken yapay zekayı büyük dil modellerinin analitik zekası için değil, gerçek zamanlı güncellemelerimizi ve tahminlerimizi doğal dille aktarmak için kullanıyoruz. Bu yaklaşımın Inference AI ile gelişeceğini ve giderek daha fazla gerçek zamanlı veriyi işleyerek çok daha güçlü yetenekler sunacağını düşünüyorum.
SIGMA’nın Türkiye’de müşterisi var mı? Türkiye pazarına nasıl bakıyorsunuz?
Henüz Türkiye’de müşterimiz yok. İstanbul Fintech Week’e gelmemin nedenlerinden biri de bu. Burada çok sayıda görüşmem var ve Türkiye’yi SIGMA için önemli bir pazar olarak görüyorum.
Türkiye’nin büyüme performansı ve sanayisinin gelişimi dikkat çekici. Finansal piyasalardaki faaliyetler de oldukça önemli. İstanbul’da olmaktan ve bu alandaki insanlarla görüşmekten heyecan duyuyorum.
Türkiye’deki finans teknolojileri ve mevcut altyapı hakkında izlenimleriniz neler?
Çalıştığımız diğer bütün piyasalarda olduğu gibi Türkiye’de de modern teknolojilerle eski kuşak sistemler bir arada kullanılıyor.
İşlemlerin uçtan uca otomasyonu ve doğrudan işlenmesi gibi teknolojiler kullanılıyor. Öte yandan Türkiye’de yatırım ve alım satım faaliyetlerine güçlü bir ilgi var.
Benim ilgimi çeken alanlar, yatırımcılara daha iyi analiz ve tahmin sunmak, korunma işlemlerinin doğruluğunu artırmak ve insanların riskleri daha iyi yönetmesine yardımcı olmak. Bu alanlarda önemli fırsatlar görüyorum.
Son olarak, otonom yapay zeka ajanlarının finans sektöründeki geleceğini nasıl görüyorsunuz?
Finans piyasalarında makinelerin otomatik işlem gerçekleştirmesine yıllardır izin veriyoruz. Otomatik alım satımda, takas sistemlerinde ve işlemlerin doğrudan işlenmesinde zaten belirli kontrol mekanizmalarımız var.
Şimdi aynı disiplinin ajan tabanlı yapay zeka için de uygulanması gerektiğine inanıyorum. Bu sistemleri yalnızca yeni bir teknoloji olarak görmemeliyiz. Mevcut deneyimlerimizden yararlanarak gerekli sınırları oluşturmalıyız.
Bir başka önemli gelişme ise Avrupa’da ve İngiltere’de egemen yapay zeka kapasitesine yönelik ilginin artması. Yeni nesil modellerin nerede geliştirileceği ve bunların finansal sistemlerde nasıl kullanılacağı önümüzdeki dönemin en ilginç sorularından biri olacak.
