AICredit

AICredit'i tek ekranlı bir kredi skorlama demo'su olarak değil, karar sürecini uçtan uca yöneten bir operasyon ürünü olarak kurguladım. Çekirdekte tarayıcıda çalışan ONNX/WASM inference hattı var; bunun etrafında başvuru operasyonu, tekil kayıt inceleme, simulator, veri şeffaflığı ve model performans denetimini aynı ürün diline bağladım. Amaç yalnızca bir puan üretmek değil, bu puanın hangi iş akışında nasıl kullanıldığını görünür hale getirmekti.

Model tarafında 60 feature kullanan v3.0.0 distile yapı ve 0.8007 AUC ile 0.6014 GINI değerleri ürünün karar motorunu besliyor. Veri katmanında Home Credit akışı, application_master.csv üzerinden skorlu başvurular ve Neon-backed route'lar var. UI tarafında ise Next.js, TypeScript, Recharts ve hareketli bento düzeni ile karanlık, yüksek kontrastlı bir karar destek deneyimi kuruldu.

Operasyon merkezi

İlk ekran, risk operasyonunun genel bakışını veriyor. Burada toplam başvuru, onay oranı, ortalama risk skoru ve toplam hacim gibi üst seviye KPI'lar tek bakışta okunuyor. Alt tarafta kredi geçmişinin dağılımı ile risk segmentasyonu aynı panelde yer alıyor; böylece operasyon ekibi sadece sayı değil, portföyün kompozisyonunu da anında görüyor.

Bu ekranın amacı güzel bir dashboard göstermek değil; scoring sonucunu günlük karar ritmine çevirmek. Yani model çıktısı doğrudan iş takibine dönüşüyor.

Başvuru arşivi

İkinci katman, operasyonel tarama ekranı. Başvurular skor, karar, tutar ve zaman damgası ile bir arşiv mantığında listeleniyor. Filtreler ve hızlı arama sayesinde ekip, yalnızca bir rapor okumuyor; aktif başvuru havuzunda dolaşıp karar setini anlık biçimde inceleyebiliyor.

Burada özellikle liste deneyimini sade tuttum: kalın tipografi, temiz karar pill'leri ve koyu yüzeyler sayesinde veri yoğunluğu artarken okunabilirlik bozulmuyor.

Tekil kayıt inceleme

Bir başvurunun neden belirli bir puan aldığını görmek için kayıt detay sayfası ayrı bir karar inceleme yüzeyi olarak tasarlandı. Kişi profili, finansal istatistikler, model yorumu, skor göstergesi ve büro bayrakları aynı ekranda toplanıyor. Bu, operasyon ekibinin "bu skor nereden geldi?" sorusuna tek ekranda yanıt almasını sağlıyor.

Bu sayfa özellikle önemli çünkü model ürünlerinin güven problemi çoğu zaman tahminden değil, açıklama eksikliğinden doğuyor. Burada skor, bağlamıyla birlikte gösteriliyor.

Risk simülatörü

Ürünün en değerli taraflarından biri, statik scoring'den çıkıp "what-if" senaryolarına girebilmesi. Simulator ekranında yaş, gelir, kredi yapısı, büro özeti ve dış kaynak sinyalleri değiştirilerek 60-feature inference motoru yeniden çalıştırılıyor. Böylece kredi uzmanı, yeni bir kaydı sadece incelemiyor; olası karar değişimlerini de deneyebiliyor.

Bu katman, modeli pasif bir analiz aracından aktif bir karar laboratuvarına çeviriyor. Ürün açısından asıl fark yaratan noktalardan biri burası.

Ham veri deposu

Veri şeffaflığı tarafını da ürünün parçası yaptım. Home Credit veri setindeki ana tablolar, satır ve sütun ölçekleriyle birlikte ayrı bir katalog ekranında listeleniyor. Bu alan, scoring sisteminin beslendiği veriyi görünür hale getirerek model ile kaynak veri arasındaki ilişkiyi kullanıcıya açıyor.

Bu yaklaşım sayesinde proje yalnızca "sonucu" gösteren bir dashboard olmuyor; sonucun hangi veri tabanından ve hangi tablo ailesinden türetildiği de ürünün bir parçasına dönüşüyor.

Zeka performansı denetimi

Model tarafındaki kalite kontrol de ayrı bir ekran olarak ele alındı. ROC eğrisi, confusion matrix ve doğruluk / kesinlik / duyarlılık / F1 gibi metrikler tek bir denetim sayfasında toplanıyor. Bu, AUC 0.8007 gibi üst seviye sonuçları göstermenin ötesine geçip model davranışını operasyonel olarak izlenebilir hale getiriyor.

Burada amaç yalnızca veri bilimcinin bakacağı bir metrik panosu yapmak değildi; ürün yöneticisi veya operasyon sahibi de model sağlığını anlayabilsin istedim.

Sonuç

Sonuçta AICredit, tek parça bir kredi tahmin demosundan daha fazlasına dönüştü. ONNX Runtime Web ile çalışan karar motoru, Neon destekli veri akışı, dashboard, arşiv, tekil kayıt, simulator, veri kataloğu ve analitik katmanlarla tam bir kredi risk operasyon deneyimi oluşturuyor. Bu yüzden projeyi yalnızca bir ML uygulaması değil, model ile iş akışını aynı üründe birleştiren kurumsal bir karar destek sistemi olarak konumluyorum.