Vergi kaçakçılığının şifresini çözmek: Güçlü uygulama için Yapay zekâ/makine öğreniminden yararlanma konusunda yasal bir bakış açısı
Kuruluşların ve hükümetlerin büyük miktarda veriyle boğulduğu bir çağda, vergi kaçakçılığını etkili bir şekilde tespit etme ve önleme zorluğu yoğunlaşmıştır. Mevcut bilginin ezici büyüklüğü çoğu zaman insanın karmaşık kalıpları ve düzensizlikleri ayırt etme kapasitesini aşmaktadır. Bununla birlikte yapay zekâ (artificial intelligence-AI), geniş veri kümelerini verimli bir şekilde işleme ve analiz etme yeteneği nedeniyle vergi sahtekârlığının tespit edilmesine yönelik zorluklara (tax fraud detection challenges) potansiyel bir çözüm sunmaktadır.
Vergi sahtekârlığının tespitinde yapay zekâ kullanmanın en ilgi çekici avantajlarından biri, gerçek zamanlı izleme kapasitesidir. Vergi makamları, varlık satın alımları, uluslararası fon transferleri gibi büyük tutarlarda para içeren göze çarpan işlemlere göz kulak olmak için yapay zekâ/makine öğrenimi (machine learning-ML) odaklı denetimlerden yararlanabilir ve özellikle bu tür işlemler vergi mükellefinin beyan ettiği geliri veya önceki finansal davranışlarıyla tutarsız olduğunda kırmızı bayraklar kaldırabilir. Vergi kaçakçılığını tespit etmeye yönelik geleneksel yöntemler ağırlıklı olarak tepkisel olup, dolandırıcılık faaliyetlerini ancak ortaya çıktıktan sonra tespit etmektedir. Buna karşılık yapay zekâ, işlemlerin ve davranışların sürekli gözetimini kolaylaştırarak şüpheli faaliyetlerin anında tespit edilmesini sağlar. Bu proaktif yaklaşım, yalnızca potansiyel dolandırıcılığın zamanında tespit edilmesine yardımcı olmakla kalmaz, aynı zamanda caydırıcı olarak da hareket ederek dolandırıcılık faaliyetlerinin gerçekleşmesini engeller.
Bu makale, vergi sahtekârlığının tespitinde yapay zekânın bir alt kümesi olan makine öğreniminden yararlanmanın inceliklerini incelemeyi ve vergi kaçakçılığı tespit mekanizmalarını geliştirmede yapay zekâ odaklı modellerin dönüştürücü potansiyelini keşfetmeyi amaçlamaktadır. Makalede ayrıca, yapay zekânın gelir vergisi sistemlerine kapsamlı entegrasyonuna yönelik yolda ilerlerken ortaya çıkan zorluklara ve düşüncelere değinilecektir.
Vergi Kaçakçılığıyla Mücadele ve Mali Temelleri Güçlendirmek için Makine Öğreniminden Yararlanma
Genellikle vergi kaçakçılığı olarak da adlandırılan vergi sahtekârlığı (tax fraud, commonly referred to as tax evasion), bireylerin veya tüzel kişilerin, gelirlerini eksik beyan ederek, asılsız kesintiler ileri sürerek veya varlıklarını gizlice koruyarak (asserting unfounded deductions, or clandestinely safeguarding assets(1)) mali yükümlülüklerini kasıtlı olarak atlatmaları durumunda ortaya çıkar. Vergi yolsuzluğunun sonuçları mali sonuçların ötesine uzanır; bir ülkenin ekonomik yapısının dokusuna ciddi bir tehdit oluşturmaktadır. Haziran 2023 itibarıyla Hindistan’ın vergi geliri(2), gayrisafi yurtiçi hâsılanın [GSYH (gross domestic product-GDP)] yüzdesi olarak ölçüldüğünde yalnızca %6,1 seviyesinde bulunuyordu. Bu, Mart 2023’te kaydedilen %7,5’lik önceki rakama göre gözle görülür bir düşüşe işaret etmektedir. Verginin GSYH’ye oranının (tax-to-GDP ratio(3)) azalması, yatırım kapasitelerinin azalması, mali açıkların artması ve ulusal borcun artması dâhil olmak üzere her zaman olumsuz ekonomik sonuçlara yol açmaktadır. Bu faktörlerin her biri, doğrudan veya dolaylı olarak, bir ülkenin ekonomik büyüme yörüngesini ve enflasyon eğilimlerini etkileme potansiyeline sahiptir. Sonuç olarak, vergi uygulamalarını ilerletmek, vergi kaçakçılığı ile etkili bir şekilde mücadele etmek ve vergi rejiminin kutsallığına olan kamu güvenini yeniden tesis etmek için yapay zekâ/makine öğrenimi ve gelişmiş veri analitiği gibi yenilikçi metodolojileri keşfetmek zorunlu hale gelmektedir.
Gelir Vergisi Dairesi’nin (Income Tax Department) Ön Vergi Uygulaması için Yapay Zekâ/Makine Öğrenimini Benimsetmeye Yönelik Öncü Adımı
Vergi uygulamalarının evrimi, başta yapay zekâ ve makine öğrenimi olmak üzere ileri teknolojilerin entegrasyonuyla önemli bir değişime tanık oldu. Hindistan Hükümeti’nin Sezgi Projesi’ni (Project Insight(4)) uygulamaya koyması bu dönüşümün bir kanıtıdır. Gelir Vergisi Dairesi’nin öncülük ettiği bu girişim, yüksek değerli işlemleri titizlikle izlemek için yapay zekâ ve makine öğrenimi ve büyük veri analitiğinden yararlanıyor(5), böylece vergi kaçakçılarını ortaya çıkarmayı ve kara para dolaşımını engellemeyi amaçlıyor. Projenin üç aşamalı hedefleri açıktır: Gönüllü uyumu teşvik etmek, vergi sisteminin adaletine güven aşılamak ve makul vergi yönetimini sağlamak.
‘Project Insight’ kapsamında entegre bir veri ambarı ve iş zekâsı platformunun aşamalı olarak kullanıma sunulması iki önemli merkezin doğmasına yol açmıştır: Gelir Vergisi İşlem Analiz Merkezi (Income Tax Transaction Analysis Centre-INTRAC) ve Yasal Uyum Yönetimi Merkezi İşleme Merkezi (Compliance Management Centralized Processing Centre-CMCPC). Özellikle Gelir Vergisi İşlem Analiz Merkezi, veri entegrasyonu ve işlemeden uyarı oluşturma ve araştırma desteğine kadar çok çeşitli görevleri kapsayan, Vergi İdaresinde veri analitiğinden faydalanmasıyla öne çıkmaktadır.
Gelir Vergisi Dairesi’nin yapay zekâ ve makine öğrenimini stratejik olarak konuşlandırması veri ambarı ile sınırlı değildir. Söz konusu daire, veri madenciliği ve büyük veri analitiğinden yararlanarak, sosyal medya platformlarındaki vergi kaçakçılarını tespit etmeyi ve böylece harcama kalıpları ile beyan edilen gelir arasındaki tutarsızlıkları tespit etmeyi amaçlamaktadır. Yapay zekâyı vergi dolandırıcılığının tespitine(6) entegre etmenin avantajları çok çeşitlidir. Yapay zekâ, çok büyük veri kümelerini beşeri denetçilerle kıyaslanamayacak bir hızda işlemekle kalmıyor, aynı zamanda yinelenen yanlış kesintiler veya olağandışı vergi kredisi talepleri gibi karmaşık dolandırıcılık modellerini de tespit edebiliyor. Bu hassasiyet, gerçek zamanlı izleme yetenekleriyle birleştiğinde yapay zekâyı vergi sahtekârlığına karşı zorlu bir araç olarak konumlandırıyor.
Dahası, yapay zekânın finansal tablolar ve varlık kayıtları gibi vergi ile ilgili birden fazla veri kümesini(7) aynı anda tarama ve analiz etme yeteneği, sınır ötesi dolandırıcılığı tespit etme gücünü artırmaktadır. Bu, özellikle paravan şirketlerin ve paravan şirketlerin oluşturduğu karmaşık ağların (intricate networks of front companies and shell firms) arkasına saklanan vergi kaçakçılarının maskesinin düşürülmesinde yaşamsal önem taşır.
Yapay zekânın yetenekleri ile uzmanlık alanı arasında köprü kurmak, bu teknolojilerin vergi uygulama alanında nasıl işlediğine dair ince ayrımları daha derinlemesine araştırmak için çok önemlidir. Yapay zekâ, vergi ile ilgili geniş veri kümelerinin taranması ve analizi de dâhil olmak üzere geniş bir yetenek yelpazesi sunarken, bu süreci hassas şekilde ayarlayan şey, makine öğrenimindeki uzmanlaşmış tekniklerdir. Yapay zekânın bir alt kümesi olan makine öğrenimi(8), vergi uygulamalarına yönelik özellikle iki önemli araç sunar: gözetimli ve gözetimsiz öğrenme (supervised and unsupervised learning). Gözetimli öğrenme bilinen sonuçlara odaklanırken gözetimsiz öğrenme, normalde tespit edilemeyecek veri kümelerindeki kalıpları ortaya çıkarır. Ancak bu araçların uygulanması insan müdahalesinden yoksun değildir. Veri bilimcileri, konunun uzmanlarıyla işbirliği içinde, algoritmaların ince ayarlanmasında, bulguların yorumlanmasında ve sonraki eylemlerin belirlenmesinde önemli bir rol oynamaktadır.
Gözetimli öğrenme alanında, vergi uygulamadaki başlıca uygulamalarından biri uyumsuzluk olasılığının tahmin edilmesidir. Sistem, uygunsuz olduğu tespit edilen vergi beyannamelerini etiketleyerek kalıpları öğrenir ve bu kalıplara dayanarak gelecekteki uyumsuzlukları tahmin edebilir. Beri yandan, kümeleme ve anormallik tespiti gibi yöntemlerle gözetimsiz öğrenme, tespit edilemeyen kalıpların ve potansiyel uyumsuzluk göstergelerinin keşfedilmesini kolaylaştırır.
Makine öğrenimi, yasal uyum faaliyetlerine ilişkin getirileri seçme konusunda daha gelişmiş bir yaklaşım sunsa da, zorlukları da yok değildir. Makine öğreniminin güçlü yönleri, büyük miktarlarda veriyi özümseme ve ince kalıpları tanımlama yeteneği aynı zamanda karmaşıklıkları da beraberinde getirir. Belirli algoritmaların “kara kutu” (black box) doğası/niteliği, belirli tahminlerin veya kararların ardındaki mantığı anlamayı ve açıklamayı zorlaştırabilir. Bu şeffaflık, özellikle kararların şeffaf olmadığı veya taraflı olarak algılandığı durumlarda yasal ve etik zorluklara yol açabilir. Yapay zekânın vergi sistemlerine bütünleşmesini daha derinlemesine araştırdıkça, bu zorlukların üstesinden gelmek ve teknolojik ilerleme arayışının vergi idaresinde adalet ve adaletten ödün vermemesini sağlamak zorunlu hale geliyor.
Yapay Zekâ Kara Kutusu: Yasal Zorluklarda Yeni Bir Dönem
Yapay zekâ ve makine öğreniminin vergi uygulamalarında entegrasyonu, vergi başvurularında gelişmiş inceleme ve doğruluk vaat ederken, aynı zamanda yeni bir yasal zorluklar çağının da habercisi oluyor. Bu zorluklar, Gelir Vergisi Mahkemelerinden Yüksek Mahkemeye kadar çeşitli yargı düzeylerinde davalar şeklinde kendini göstermeye başlayacaktır. İlginç bir şekilde, bu davaların özü gelecekte değişecek ve yalnızca vergi yasalarının karmaşıklığıyla boğuşmak yerine artık yapay zekâ teknolojisinin doğasında bulunan karmaşıklıklarla iç içe geçecektir.
Bu karmaşıklıkların merkezinde veri analizindeki ‘Kara Kutu Etkisi’ (Black Box Effect(9)) yer alır. Bu fenomen (görüngü), eyleme geçirilebilir sezgiler/kavramalar üretirken iç mekanizmaları konusunda suskun kalan yapay zekâ sistemleri ile ilgilidir. Temelde, çıktılar görünür ve çoğu zaman faydalı olsa da, bu çıktılara yol açan temel süreçler, mühürlü bir ‘kara kutuya’ benzer şekilde gizemle örtülmeye devam ediyor. Yapay zekâ ve makine öğrenimi odaklı algoritmalardaki bu doğal opaklık, ‘kara kutu karmaşıklığı’ (black box complexity) kavramının ortaya çıkmasına neden olur.
Kara Kutu Sorunu (Black Box Problem), özünde, yapay zekânın karar verme yolları hakkındaki sınırlı anlayışımızın ve bunun sonucunda onun kararlarını veya sonuçlarını tahmin edemememizin ortaya çıkardığı zorlukları özetlemektedir. Bu yapay zekâ sistemlerinin, özellikle de derin sinir ağlarının temeli, yapay nöron kavramı üzerine inşa edilmiştir. Her ne kadar insan ve hayvan beyinlerinde bulunan biyolojik nöronlardan ilham alsa da yapay nöron, biyolojik karşılığının dijital bir kopyası değildir. Bunun yerine, biyolojik nöronların doğasında bulunan öğrenme yeteneklerini kopyalama tutkusuyla tasarlanmıştır. Bu ağlarda, karar verme sürecinin belirli bir yönünden sorumlu tek bir nöron yoktur(10). Bunun yerine, bir sonuca ulaşmak için binlerce hatta yüzbinlerce nöronun işbirliği yaparak kolektif olarak çalışırlar. Karmaşıklık, bu makine öğrenimi algoritmalarının aynı anda birden fazla değişkeni göz önünde bulundurarak insan kavrayışının veya görselleştirmesinin ötesindeki kalıpları ayırt etmesiyle ortaya çıkmaktadır. Vergi uygulamaları giderek daha fazla bu tür yapay zekâ odaklı kararlara dayandıkça, hukuk birliği, gizemli bir sistem tarafından alınan kararları meşrulaştırma ve bunlara meydan okumanın keşfedilmemiş sularında gezinmekle görevlendiriliyor.
Yapay Zekâ Odaklı Vergi Denetim Sistemi ve Etkileri
Gelir Vergisi Dairesi’nin, özellikle sosyal medyadan vergi tutarsızlıklarını tespit etmek için geniş veri rezervuarlarından yararlanmaya yönelik iddialı çabası, çok yönlü bir bilmeceyi ortaya koymaktadır. Amaç vergi eşitsizliklerini tespit etmek ve düzeltmek olsa da, kullanılan yöntem (metodoloji), özellikle de yapay zekânın gözetimsiz öğrenmeye dayanması, derin hukuki ve etik kaygılara yol açmaktadır.
Bu açıklayıcı senaryoyu düşünelim: Vergi dairesi, potansiyel vergi kaçakçılığını ortaya çıkarmak amacıyla vergi beyannamelerini titizlikle denetlemek için son teknoloji ürünü bir derin sinir ağı yapay zekâ sistemini devreye alıyor. Vergi mükelleflerinin sosyal medya ayak izlerinden gerçek zamanlı finansal işlemlerine ve geçmiş vergi verilerine kadar çok sayıda veri kaynağına erişimle desteklenen bu yapay zekâ, hızla şüpheli vergi faaliyetlerini vurgulama konusunda usta, zorlu bir araca dönüşüyor. Sosyal medyayı, özellikle de gösterişli yaşam tarzlarını sergileyen gönderileri titizlikle izlemeye başlıyor ve tutarsızlıkları ayırt etmek için bunları vergi beyannamesi verileriyle karşılaştırıyor. Eş zamanlı olarak, gerçek zamanlı finansal işlemleri inceliyor, gizli gelir veya açıklanmayan varlıklara dair işaretler arıyor. Yapay zekânın her yerde bulunması, vergi mükelleflerine otomatik sorgulamalar göndermesi ve gözetleme becerisini stratejik sosyal medya gönderileri aracılığıyla ustaca sergilemesi nedeniyle daha da vurgulanıyor.
Ancak bu verimlilik maskesinin altında bir karmaşıklıklar labirenti (labyrinth of complexities(11)) yatıyor. Binlerce birbirine bağlı yapay nörondan oluşan, derin sinir ağları tarafından örülmüş karmaşık ağ, yapay zekânın karar verme sürecini ezoterik hale getiriyor(12). Vergi dairesi acil bir ikilemle boğuşuyor: yapay zekânın kararlarını anlamak ve gerekçelendirmek (comprehending and justifying the AI’s decisions). Yapay zekâ neden bazı vergi mükelleflerini işaretleyip diğerlerini görmezden geliyor? Bu şeffaflık, özellikle kendilerini haksız yere dışlanmış olarak gören mağdur vergi mükelleflerinin, bir takım hukuki zorluklarla karşılaşmasının yolunu açıyor. Yersiz hedefleme veya gizlilik ihlalleri iddiasıyla yapay zekânın tespitlerine adli forumlarda itiraz edebilirler. Yapay zekânın şaka amaçlı bir sosyal medya gönderisini yanlış yorumlaması veya bağlamı yanlış yorumlayarak hatalı işaretlemeye yol açması bu endişeleri daha da artırır.
Sonuçlar bireysel şikâyetlerin ötesine uzanmaktadır(13). Yaygın bir gözetim duygusu, yapay zekânın incelemesinden endişe duyan işletmeleri ve bireyleri çevrimiçi olarak şeffaf finansal kamuyu aydınlatma açıklamaları (transparent financial disclosures online) yapmaktan caydırabilir. Bu, işlemleri yapay zekânın dikkatli bakışından gizlemek için kripto para birimlerine başvurmak gibi gizli finansal faaliyetlerde bir artışı katalize edebilir. Sonuç olarak, vergi otoritesinin yapay zekâ girişimi, yapay zekâ uygulamalarını ve veri gizliliğini düzenleyen net düzenlemeleri ve etik kuralları gerektirerek hararetli tartışmaları ateşleyebilir. Söylem, kaçınılmaz olarak, vergi gelirinin uygun (optimum) seviyede toplanması (optimal tax revenue collection) için yapay zekâdan yararlanmak ile kutsal bireysel hakları ve mahremiyeti korumak (safeguarding sacrosanct individual rights and privacy) arasında makul bir denge kurma etrafında dönecektir. Bu yapay zekâ girişiminin gidişatı, ister başarılı olsun ister olmasın, şüphesiz diğer devlet dairelerinin yapay zekâyı benimseme stratejilerini etkileyecektir.
Yapay zekânın vergi uygulamalarına entegrasyonunun getirdiği karmaşıklıklara dayanarak, Avrupa Birliği (AB), algoritmik karar almada şeffaflığa ve hesap verebilirliğe olan zorunlu ihtiyacı kabul etmiştir(14). AB Parlamentosu’nun Bilim ve Teknoloji Seçenekleri Değerlendirmesi (EU Parliament’s Science and Technology Options Assessment-STOA(15)) tarafından 2019 yılında yürütülen bir çalışma, algoritmik süreçlerin ortaya çıkardığı çok yönlü zorlukları ele almak için kapsamlı bir çerçeve çizmiştir. Bu çerçeve, kapsamı geniş olmakla birlikte, özellikle daha önce vurgulanan endişeler ışığında, yapay zekâdan yararlanan vergi otoriteleri açısından önemli çıkarımlara sahiptir.
AB Parlamentosu “Bilim ve Teknoloji Seçenekleri Değerlendirmesi” çalışması dört temel politika seçeneği önermektedir:
- Farkındalığı Artırma (Awareness Raising): Bu, algoritmik süreçlerin anlaşılmasında, gözlemcilerin yapay zekâ uygulamalarını izlemedeki rolünün güçlendirilmesinde ve ihbarcıların potansiyel suiistimalleri bildirmelerine izin verilmesinde eğitimin önemini vurgulamaktadır.
- Kamu Kesiminin Hesap Verebilirliği (Public-Sector Accountability): Kamunun vergi makamlarına duyduğu güven göz önüne alındığında, bu politika, karar alma için yapay zekâ araçlarını kullanırken saydamlık ve sorumluluk ihtiyacının altını çiziyor.
- Düzenleyici Gözetim ve Yasal Sorumluluk (Regulatory Oversight and Legal Liability): Bu seçenek, kurumları yapay zekâ odaklı kararlardan sorumlu tutan ve vergi mükelleflerinin haklarının korunmasını sağlayan sağlam bir yasal çerçeveyi savunur.
- Küresel Koordinasyon (Global Coordination): Teknolojinin sınırsız doğasının bilincinde olan bu politika, algoritmik yönetişim standartlarının oluşturulmasında uluslararası işbirliğini vurgular.
Algoritmik etki değerlendirmeleri tasarısı/teklifi (proposal of algorithmic impact assessments), çevresel etki değerlendirmelerini yansıtıyor ve yapay zekâ uygulamalarının potansiyel sonuçlarını, kullanıma alınmadan önce değerlendirmeyi amaçlıyor. Otonom sistemlerin şeffaflığını artırmaya yönelik IEEE P7001(16) (Institute of Electrical and Electronics Engineers; Elektrik ve Elektronik Mühendisleri Enstitüsü) standardı, yapay zekâ işlevselliklerinde anlaşılırlığın sağlanması için altın bir standart oluşturmaktadır.
Vergi uygulamaları bağlamında bu AB yönergeleri, yapay zekâdan elde edilen verimlilik kazanımları ile onun sunduğu etik ve yasal zorlukları dengelemek için bir yol haritası sunmaktadır. Vergi otoriteleri bu tür önlemleri benimseyerek gelir tahsilatını artırmak için yapay zekânın gücünden yararlanırken bunu vergi mükelleflerinin haklarından ve mahremiyetinden ödün vermeden yapmalarını sağlayabilir.
Vergi uygulamalarında yeni bir çağın eşiğindeyken yapay zekâ ve makine öğreniminin bütünleşmesi, vergi makamlarının çalışma biçiminde devrim yaratacak benzersiz fırsatlar sunuyor. Yapay zekânın büyük miktarda veriyi işleme, karmaşık kalıpları belirleme ve gerçek zamanlı izleme sağlama potansiyeli yadsınamaz. Ancak büyük güç, büyük sorumluluğu da beraberinde getirir. ‘Kara Kutu Etkisi’nin getirdiği karmaşıklıklar ve yapay zekâ odaklı kararlarda şeffaflığı ve adaleti sağlamanın zorlukları, düşünceli ve ölçülü bir yaklaşım gerektirmektedir.
Sonuç
Yapay zekâ ile vergi uygulamalarının birleşimi yalnızca teknolojik bir ilerleme değildir; bu, hükümetlerin yurttaşlarıyla etkileşiminde bir paradigma (değer dizisi) değişikliğidir. Gelir tahsilatının arttırılmasından vergi kaçakçılığının zamanında tespit edilmesine kadar potansiyel faydalar çok büyük olsa da, etik ve yasal sonuçlar göz ardı edilemez. Avrupa Birliği’nin algoritmik tasarımda şeffaflığa ilişkin yönergeleri ileriye giden yolu aydınlatan bir yol göstericidir. Saydamlığı benimseyerek, eğitime öncelik vererek, kamu sisteminin hesap verebilirliğini ön planda tutarak ve küresel işbirliğini teşvik ederek, adalet, dürüstlük/insaf ve bireysel haklara saygı ilkelerini korurken vergi uygulamalarında yapay zekânın tüm potansiyelinden yararlanılabilir. Bu yolculuğa çıkarken teknolojinin insanlığa hizmet etmesi gerektiğini, tersini değil, unutmamak gerekir. Vergi uygulamalarının geleceği sadece algoritmalarda ve veri kümelerinde değil, aynı zamanda bu araçların daha büyük fayda için akılcı ve etik bir şekilde uygulanmasında da yatmaktadır.
(1) ‘Varlıkları gizlice koruma’ konusunda bkz. https://www.epw.in/journal/2022/53/commentary/estimate-evasion-personal-income-tax-india-2011%E2%80%9312.html
(2) “Hindistan’ın Haziran 2023 vergi gelirleri” için bkz. https://www.ceicdata.com/en/indicator/india/tax-revenue--of-gdp
(3) Bu konuda bkz. https://www.pwc.in/research-and-insights-hub/immersive-outlook/addressing-the-tax-gap-in-india.html
(4) “Project Insight” hakkında genel bilgi için bkz. https://www.cnbctv18.com/finance/an-insight-into-the-algorithm-taxmen-are-using-to-nab-tax-evaders-12822542.htm [Çevirenin Notu: Anılan projeye resmi “Income Tax Department|Reporting Portal|Project Insight” sitesinden erişim (28 Ekim 2023; 17.10) sağlanamamıştır.]
(5) https://pib.gov.in/PressReleasePage.aspx?PRID=1911271
(6) https://www.technoarete.org/common_abstract/pdf/IJERCSE/v5/i3/Ext_21639.pdf
(7) https://www.tandfonline.com/doi/full/10.1080/08839514.2021.2012002
(8) https://www.urban.org/sites/default/files/2022-06/Machine%20Learning%20and%20Tax%20Enforcement.pdf
(9) “Kara kutu etkisi” için bkz. https://link.springer.com/article/10.1007/s10506-023-09356-9
(10) Flach, Peter, Machine Learning: The Art and Science of Algorithms that Make Sense of Data, United Kingdom, Cambridge University Press, 2012.
(11) Bu konuda bkz. https://www.popsci.com/artificial-intelligence-takes-chess-beyond-brute-force/
(12) Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning (Adaptive Computation and Machine Learning series), MIT Press (2016).
(13) https://jolt.law.harvard.edu/assets/articlePDFs/v31/The-Artificial-Intelligence-Black-Box-and-the-Failure-of-Intent-and-Causation-Yavar-Bathaee.pdf
(14) Bu konuda ayrıntılı bilgi için bkz. https://www.europarl.europa.eu/meetdocs/2014_2019/plmrep/COMMITTEES/JURI/DV/2020/01-09/AI-report_EN.pdf
(15) “AB Parlamentosu ‘Bilim ve Teknoloji Seçenekleri Değerlendirmesi’ çalışması” için bkz. https://www.europarl.europa.eu/thinktank/en/document/EPRS_STU(2019)624262
(16) Söz konusu ‘standart’ için bkz. https://www.frontiersin.org/articles/10.3389/frobt.2021.665729/full
