category Etik ve Gizlilik
Yapay zeka etiği, veri gizliliği ve regülasyonlar
AI Alignment (Yapay Zeka Hizalaması)
Yapay zeka hizalaması (AI alignment), yapay zeka sistemlerinin insan değerleri, amaçları ve niyetleriyle tutarlı davranmasını sağlama disiplinidir. Bir yapay zeka sistemi, verilen görevi teknik olarak yerine getirirken insanların gerçekte ne istediğini — açık olmayan hedefleri, etik kısıtlamaları ve uzun vadeli toplumsal değerleri — doğru biçimde kavramalıdır. Hizalama problemi, optimizasyonun istenmeyen boyutlarına dikkat çeker. Bir sistem, hedefini teknik olarak gerçekleştirirken beklenmedik ya da zararlı yollara başvurabilir. Klasik "ataş fabrikası" düşünce deneyinde, tüm evren kaynaklarını ataşa çevirmeyi optimize eden bir sistem, insanlığı tehdit etse bile amacını doğru takip etmiş sayılır. Teknik hizalama araştırması iki temel eksende ilerler: İçsel hizalama, modelin gerçekte optimize ettiği hedefin eğitim sırasında belirlenen hedefle örtüşmesini inceler. Dışsal hizalama ise belirlenen hedefin gerçek insan tercihleriyle uyuşmasını araştırır. RLHF (İnsan Geri Bildirimli Pekiştirmeli Öğrenme), Constitutional AI, scalable oversight ve debate yöntemleri bu boşluğu kapatmaya çalışır. Türkiye'de Bilgi ve İletişim Teknolojileri Kurumu (BTK) ile TÜBİTAK, yapay zeka etik ilkeleri çerçevesinde hizalama sorunlarına ilişkin farkındalığı artırmaktadır. Avrupa Birliği'nin Yapay Zeka Yasası da yüksek riskli sistemlerde güvenilirlik ve insan denetimine ilişkin zorunlu hizalama gereksinimlerini kapsamaktadır. AGI ve süper-zeka senaryolarında hizalama başarısızlığı varoluşsal risk olarak da ele alınır. OpenAI, Anthropic, DeepMind ve MIRI gibi önde gelen araştırma kuruluşları bu sorunu yapay zekanın en kritik açık araştırma alanlarından biri kabul etmektedir.
AI Audit (AI Denetimi)
AI Denetimi (AI Audit), bir yapay zeka sisteminin veya modelinin teknik performansını, güvenliğini, adilliğini, şeffaflığını ve yasal uyumluluğunu sistematik biçimde değerlendiren bağımsız bir inceleme sürecidir. Kurumların AI sistemlerinde hesap verebilirliği sağlamak, potansiyel riskleri tespit etmek ve etik ilkelere uyumu doğrulamak amacıyla uygulanır. Kapsamlı bir AI denetimi genellikle dört temel alanı inceler. Teknik kalite değerlendirmesi; modelin performans metrikleri, hata oranları ve güvenilirliğini kapsar. Etik ve tarafsızlık denetimi; farklı demografik gruplar arasındaki ayrımcılık ve önyargı tespitini içerir. Şeffaflık ve açıklanabilirlik; kararların nasıl alındığının anlaşılırlığını ölçer. Veri gizliliği ve güvenliği ise kişisel verilerin korunması ile siber güvenlik standartlarına uyumu sorgular. AB Yapay Zeka Yasası (EU AI Act) ve benzeri düzenlemeler, özellikle yüksek riskli AI sistemleri için zorunlu denetim süreçleri öngörmektedir. Bu kategorideki sistemler; istihdam, eğitim, finans, sağlık ve kritik altyapı alanlarında kullanılan yapay zeka çözümlerini kapsar. Denetim yükümlülükleri, şirketlerin uyumluluk belgelerini tutmasını ve bağımsız değerlendirmelere açık olmasını zorunlu kılar. AI denetimleri; iç denetçiler, bağımsız denetim firmaları, akademik kurumlar veya düzenleyici otoriteler tarafından gerçekleştirilebilir. Avrupa'da pek çok geleneksel denetim firması AI denetim hizmetleri sunmaya başlamıştır. Algorithm Audit ve AI Now Institute gibi sivil toplum kuruluşları kamusal hesap verebilirlik denetimlerini yürütmektedir. Şeffaf denetim, özellikle kamu hizmetlerinde kullanılan AI sistemlerinde kullanıcı güvenini artırmanın temel yoludur. Türkiye'de KVKK kapsamındaki denetimler ve AB uyum süreciyle birlikte AI denetimi talebi artmaktadır. Özellikle finans sektöründe kredi skoru ve sigorta fiyatlandırma modellerinin ayrımcılık açısından incelenmesi kritik önem taşımaktadır. BDDK ve SPK gibi regülatörlerin algoritma şeffaflığına yönelik ilgisi artış eğilimi göstermektedir. Bu bağlamda AI denetim standartları, ISO/IEC 42001 gibi yapay zeka yönetim sistemi sertifika çerçeveleriyle giderek entegre olmakta; kurumların denetlenebilir AI süreçleri oluşturması uluslararası rekabet ve kurumsal yönetişim açısından kritik bir avantaj haline gelmektedir.
AI Copyright (Yapay Zeka Telif Hakkı)
Yapay Zeka Telif Hakkı (AI Copyright), yapay zeka sistemleriyle ilgili telif hakkı sorunlarını kapsayan hukuki ve etik bir alandır. İki temel boyutu içerir: telif hakkıyla korunan eserlerin yapay zeka model eğitiminde kullanılmasının meşruiyeti ve yapay zeka tarafından üretilen içeriklerin telif hakkı korumasından yararlanıp yararlanamayacağı. Eğitim Verisi Boyutu: Büyük dil modelleri ve görüntü üretici sistemler, internet üzerindeki milyarlarca eserden beslenerek eğitilmektedir. Bu eserlerin büyük bölümü —gazete makaleleri, kitaplar, fotoğraflar, kaynak kodlar— çoğunlukla eser sahiplerinin açık izni alınmadan veri setlerine dahil edilmiştir. New York Times'ın OpenAI'a, Getty Images'ın Stability AI'a karşı açtığı davalar bu meselenin hukuki sınırlarını test etmektedir. Çıktı Boyutu: Geleneksel telif hakkı hukukunda koruma için insan yaratıcılığı ön koşul sayılmaktadır. Bu nedenle pek çok yargı çevresinde yapay zekanın özerk biçimde ürettiği içerikler otomatik olarak koruma kapsamına alınmamaktadır. Ancak insan müdahalesinin belirleyici olduğu AI destekli eserler kısmen telif hakkından yararlanabilmektedir. Emsal Kararlar: Thomson Reuters - ROSS Intelligence davası (Şubat 2025), AI eğitim verisi kullanımının adil kullanım (fair use) kapsamı dışında tutulduğunu saptayan ilk kesin yargı kararını oluşturmuştur. Anthropic, 2025 yılında yazar sınıfı davasını 1,5 milyar dolara kapatmıştır. Bu gelişmeler sektörde 'izinsiz tara, sonra dava çöz' yaklaşımından 'lisansla ve öde' modeline geçişi hızlandırmaktadır. 2025 yılında büyük yapay zeka şirketlerinin eğitim verisi lisanslama harcamaları 1,5 ile 3 milyar dolar arasında tahmin edilmektedir. Türkiye'deki Durum: Türkiye'de yapay zekaya özgü bir telif hakkı mevzuatı henüz yürürlüğe girmemiştir. Mevcut 5846 sayılı Fikir ve Sanat Eserleri Kanunu (FSEK) çerçevesinde değerlendirmeler sürmekte; AB Yapay Zeka Yasası'nın şeffaflık gereklilikleri ise Türk hukukunu dolaylı olarak etkilemektedir.
AI Etik Denetimi Nedir? (Yapay Zeka Etik Denetimi)
AI etik denetimi (yapay zeka etik denetimi), bir yapay zeka sisteminin etik ilkelere, adalet standartlarına ve yasal gerekliliklere ne ölçüde uyduğunu sistematik olarak değerlendiren inceleme sürecidir. Bu denetimler; modelin eğitim verisindeki önyargıları, karar süreçlerinin şeffaflığını, kullanıcı gizliliğine verilen önemi ve toplumsal etkileri kapsar. Geleneksel yazılım testlerinden farklı olarak, AI etik denetimleri yalnızca teknik doğruluğu değil; sistemin ürettiği çıktıların farklı demografik gruplar arasında adil dağılıp dağılmadığını ve kararların nasıl gerekçelendirilebildiğini de inceler. Özellikle AB Yapay Zeka Yasası (EU AI Act) yürürlüğe girdikçe yüksek riskli AI uygulamaları için bu tür denetimler zorunlu hale gelmektedir. Bir AI etik denetimi tipik olarak; kapsam belirleme, veri ve model analizi, adalet metrikleri hesaplama, şeffaflık değerlendirmesi, paydaş görüşmeleri ve bulguların raporlanması aşamalarından oluşur. Denetimin sonunda organizasyona yol gösteren düzeltici eylem planları ve uyumluluk sertifikaları üretilir. Kullanılan başlıca adalet metrikleri arasında demografik eşitlik, eşit fırsat (equalized odds) ve kalibrasyonlu adalet yer alır; SHAP ve LIME gibi XAI yöntemleri karar şeffaflığını artırmak için kullanılır. Denetim sürecinde yalnızca mevcut modelin davranışı değil, eğitim verisinin temsil kalitesi ve toplanma yöntemi de incelenir. Türkiye'de KVKK kapsamındaki otomatik karar sistemleri ve AB uyum çalışmaları, AI etik denetimini sağlık, finans ve kamu sektöründe giderek zorunlu bir süreç haline getirmektedir. ISO/IEC 42001 yapay zeka yönetim sistemi standardı, kurumsal AI denetim çerçevelerinin giderek yaygınlaşan referans belgesine dönüşmektedir. AI etik denetimcileri disiplinler arası ekiplerden oluşur: makine öğrenmesi mühendisleri, hukukçular, etik uzmanları ve etkilenen topluluk temsilcileri. Denetim bulguları yalnızca teknik raporlarla sınırlı kalmaz; yönetim kuruluna sunulan iş sürekliliği riskleri, regülatif uyumsuzluk riskleri ve itibar riski değerlendirmelerini de kapsar.
AI Fairness Nedir? Yapay Zekada Adalet ve Tarafsızlık (AI Fairness (Yapay Zeka Adaleti))
AI Fairness (Yapay Zeka Adaleti), yapay zeka ve makine öğrenmesi sistemlerinin farklı demografik gruplar arasında adil, tarafsız ve eşit sonuçlar üretmesini sağlamaya yönelik ilkeler, metrikler ve teknikler bütünüdür. Bir yapay zeka modeli, eğitim verilerindeki tarihsel önyargıları, toplumsal eşitsizlikleri veya temsil eksikliklerini yansıtarak belirli gruplara sistematik olarak avantajlı ya da dezavantajlı sonuçlar üretebilir. Bu durum; iş başvurusu değerlendirme, kredi skoru hesaplama, sağlık hizmeti yönlendirmesi ve adli yargı kararlarını destekleme gibi kritik alanlarda ciddi etik ve hukuki sorunlara yol açar. Adalet kavramı yapay zeka bağlamında tek bir tanıma sığmaz; birden fazla boyutu vardır. Demografik eşitlik (Demographic Parity), modelin bir sonucu tüm gruplar için eşit olasılıkla üretmesini gerektirir. Eşit fırsat (Equalized Odds) ise yanlış pozitif ve yanlış negatif oranlarının gruplar arasında dengeli olmasını hedefler. Bireysel adalet, benzer profillere sahip kişilerin benzer çıktılar aldığını savunur; grup adaleti ise belirli demografik grupların bütününe odaklanır. Önyargı hem veri toplama aşamasında (temsil sapması, ölçüm hatası) hem de model geliştirme sürecinde (özellik seçimi, kayıp fonksiyonu tasarımı) ortaya çıkabilir. Bu nedenle AI Fairness, yalnızca algoritmik bir mesele değil; veri yönetimi, model tasarımı ve dağıtım politikalarını kapsayan bütünsel bir disiplindir. Adalet kontrolü için IBM AI Fairness 360, Google What-If Tool ve Microsoft Fairlearn gibi açık kaynak araçlar geliştirilmiştir. AB Yapay Zeka Yasası da yüksek riskli uygulamalarda adalet denetimini yasal zorunluluk olarak tanımlamaktadır. Türkiye bağlamında AI Fairness, özellikle kredi skorlama, işe alım algoritmaları ve sağlık triage sistemlerinde kritik önem taşımaktadır. KVKK kapsamında otomatik işlemeye dayalı kararlara itiraz hakkı, adalet metrikleri testini hukuki bir zorunluluk haline getirmektedir. Yerli geliştiricilerin cinsiyet ve etnisite gibi hassas özelliklere dayalı önyargıyı tespit etmek için Fairlearn ve AI Fairness 360 kütüphanelerini kullanmaları önerilmektedir.
AI Liability (Yapay Zeka Sorumluluğu)
Yapay zeka sorumluluğu (AI Liability), bir yapay zeka sisteminin karar ya da eylemleri sonucunda oluşan zarardan kimin —geliştirici, dağıtıcı, kullanıcı ya da sistemin kendisi mi— sorumlu tutulacağını belirleyen hukuki ve etik çerçevedir. Geleneksel ürün sorumluluğu hukuku, kusur veya ihmal ilkeleri üzerine kuruludur; ancak yapay zekanın özerk, öngörülemeyen ve opak karar süreçleri bu çerçeveyi zorlamaktadır. Bir otonom araç kazasında araç üreticisi mi, yazılım geliştirici mi, yoksa sürücü mü sorumludur? Bir tıbbi yapay zeka yanlış tanı koyduğunda hastane mi, algoritma şirketi mi, doktor mu hesap verecektir? Avrupa Birliği, 2022'de yayımladığı Yapay Zeka Sorumluluk Direktifi (AI Liability Directive) taslağıyla bu boşluğu doldurmayı hedeflemiştir. Direktif, yüksek riskli yapay zeka sistemleri için nedensellik karinesi (causation presumption) getirmekte; zarar görene eğitim verilerine ve model günlüklerine erişim hakkı tanımaktadır. Sorumluluk yaklaşımları üç ana modelde toplanır: (1) Katı Sorumluluk (Strict Liability) — zarar gerçekleşmişse geliştirici kasıt aranmaksızın sorumludur; yüksek riskli sistemlere uygulanır. (2) Kusur Bazlı Sorumluluk (Fault-Based Liability) — ihmal veya hata kanıtlanmalıdır; standart ürünler için geçerlidir. (3) Paylaşımlı Sorumluluk — zincirdeki her aktör (eğitimci, dağıtıcı, kullanıcı) katkılarıyla orantılı pay taşır. Yapay zeka sistemleri tüm kritik alanlara nüfuz ettikçe —finans, sağlık, adalet, ulaşım— sorumluluk çerçevesi hem şirketlerin AR-GE kararlarını hem de tüketici güvenini şekillendirecektir. Yüksek riskli AI uygulamalarında kara-kutu (black-box) karar mekanizmalarının açıklanabilirliği, gelecekteki sorumluluk davalarında kritik kanıt niteliği taşıyacaktır.
AI Personhood Nedir? Yapay Zekanın Hukuki Kişiliği (Yapay Zeka Kişiliği)
AI Personhood (Yapay Zeka Kişiliği), yapay zeka sistemlerine hukuki anlamda bir kişilik tanınıp tanınmaması gerektiğini sorgulayan hukuki ve felsefi kavramdır. Mevcut hukuk sistemlerinde yapay zeka, bir araç ya da mülk olarak kabul edilmekte; haklardan yararlanma veya sorumlu tutulma bakımından hukuki özne sayılmamaktadır. Giderek daha özerk ve karmaşık bir yapı kazanan yapay zeka sistemleri, bu sınıflandırmanın yeterliliğini sorgulatmaktadır. Tartışma birkaç farklı model etrafında şekillenmektedir. "Elektronik kişilik" yaklaşımı, tüzel kişilik benzeri sınırlı bir statü önerir: yapay zeka sahibi olmak, sözleşme tarafı olmak veya belirli sektörlerde sorumluluk üstlenmek gibi belirli hukuki işlevleri yerine getirebilir. Nitekim Avrupa Parlamentosu 2017'de robotlar ve AI için elektronik kişilik fikrini politika belgelerinde tartışmaya açmıştı; ancak bu tartışma bağlayıcı bir düzenlemeye dönüşmedi. Yapay zeka kişiliği tartışmasının pratikte en acil boyutu hesap verebilirlik boşluğudur: Bir AI sistemi zarar verdiğinde, geliştirici mi, dağıtıcı mı yoksa kullanıcı mı sorumlu tutulacaktır? AB Yapay Zeka Yasası şimdilik bu boşluğu "yüksek riskli AI" kategorileri için geliştirici ve dağıtıcı sorumlulukları yoluyla doldurmaktadır; AI'ya ayrı bir kişilik tanıma yoluna gitmemiştir. Felsefi boyutta ise bilinç, özerklik ve ahlaki faillik (moral agency) kavramları merkezde yer alır. Bir yapay zekanın bilinç sahibi olmadan ahlaki failliğe sahip olup olamayacağı, acı çekip çekemeyeceği ve bu niteliklerin hukuki haklar için yeterli zemin oluşturup oluşturmadığı tartışmaları sürmektedir. Türkiye'de bu tartışmalar henüz politika gündemine taşınmamış olsa da akademik hukuk ve etik çevrelerinde ilgi artmaktadır. Kölelik modeli tartışması, bu konunun en provokatif boyutlarından birini oluşturur: Bir yapay zeka yeterli özerklik ve bilinç gösteriyorsa, ona iradesine aykırı bir hizmet zorunlu kılmak etik bir sorun mudur? Bu soru şimdilik spekülatif nitelikte olsa da yapay genel zekanın (AGI) yaklaşmasıyla hukuk, felsefe ve yapay zeka güvenliği çevrelerinde giderek daha somut bir tartışma zeminine oturmaktadır. Pek çok akademisyen, bu soruyu yanıtlamadan önce bilinç ve öz-farkındalığın yapay sistemlerde nasıl tanımlanacağının netleştirilmesi gerektiğini savunmaktadır.
AI Red Teaming (Yapay Zeka Kırmızı Takım Testi)
AI Red Teaming (Yapay Zeka Kırmızı Takım Testi), yapay zeka sistemlerinin zayıf noktalarını, güvenlik açıklarını ve etik risklerini ortaya çıkarmak amacıyla gerçekleştirilen yapılandırılmış bir saldırı simülasyonu yöntemidir. Bu yaklaşımda uzmanlardan oluşan bir ekip (kırmızı takım), kötü niyetli bir saldırgan veya kötüye kullanan kullanıcı rolünü üstlenerek yapay zeka modelini çeşitli saldırılarla sistematik biçimde test eder. Klasik yazılım güvenliğindeki penetrasyon testlerinden farklı olarak, AI Red Teaming yalnızca kod güvenlik açıklarını değil; modelin yanıltıcı çıktılar (hallucination) üretip üretmediğini, istem enjeksiyonu (prompt injection) saldırılarına karşı ne kadar dayanıklı olduğunu, veri zehirlenmesine (data poisoning) açık olup olmadığını ve jailbreak girişimlerine nasıl tepki verdiğini kapsamlı biçimde ölçer. Bu testler, büyük dil modellerinin olasılıksal yapısı nedeniyle yüzde kırk veya yüzde elli başarı oranı gibi istatistiksel metrikler üzerinden değerlendirilir; geleneksel geçti/kaldı yerine. Test süreci birkaç temel aşamadan oluşur: İlk aşama, modelin güvenlik sınırlarını ve olası zaafiyetlerini belirleyen tehdit modellemesidir. İkinci aşama, özel hazırlanmış saldırıcı istemler, sentetik girişler ve çok adımlı kötüye kullanım senaryoları aracılığıyla gerçek saldırı simülasyonlarını kapsar. Üçüncü aşamada, modelin her saldırıya karşı verdiği yanıtlar istatistiksel başarı oranı olarak belgelenir ve güvenlik önlemleri güncellenir. Microsoft PyRIT ve NVIDIA Garak, bu alanda en yaygın kullanılan açık kaynak araçlar arasında yer almaktadır. Piyasa büyüklüğü 2024 yılında 1,43 milyar dolara ulaşan AI Red Teaming alanı, 2029'a kadar yüzde 28,6 bileşik yıllık büyüme hızıyla 4,8 milyar dolara erişmesi beklenen kritik bir alan haline gelmiştir. OpenAI, Google, Microsoft ve Meta gibi büyük yapay zeka şirketleri, her büyük model lansmanından önce kapsamlı kırmızı takım testleri uygulamaktadır. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST) de AI güvenlik çerçevelerinde kırmızı takım testini zorunlu bir bileşen olarak tanımlamaktadır.
AI Trustworthiness (Güvenilir Yapay Zeka)
AI Trustworthiness (Güvenilir Yapay Zeka), bir yapay zeka sisteminin teknik güvenilirlik, etik uygunluk ve sosyal kabul edilebilirlik boyutlarını kapsayan çok katmanlı bir değerlendirme çerçevesidir. Tek bir özelliği tanımlamaktan öte, birbiriyle bağlantılı altı temel ilke bütününü ifade eder: güvenlik (safety), sağlamlık (robustness), adillik (fairness), şeffaflık (transparency), hesap verebilirlik (accountability) ve mahremiyet (privacy). Avrupa Birliği, 2019'da yayımladığı 'Güvenilir Yapay Zeka için Etik Kılavuzu'nda bu kavramı operasyonelleştirdi ve ardından gelen AB Yapay Zeka Yasası'nın (EU AI Act, 2024) teorik omurgasını oluşturdu. Yasa, yapay zeka sistemlerini risk düzeylerine göre sınıflandırırken güvenilirlik kriterlerini merkeze alır. Teknik açıdan bir modelin güvenilir sayılabilmesi için dağıtım kayması (distribution shift) altında tutarlı davranması, hasım saldırılara (adversarial attacks) karşı dayanıklı olması ve hata yaptığında bu hatayı izlenebilir biçimde açıklayabilmesi beklenir. Sosyal boyutuyla ise sistemin korunan gruplara karşı ayrımcılık yapmadığı, kararlarının yetkili bir insan tarafından gözden geçirilebildiği ve kullanıcıların sisteme ne kadar güveneceğini bilerek karar alabildiği anlamına gelir. NIST AI Risk Management Framework (2023), ISO/IEC 42001 ve IEEE Ethically Aligned Design standartları güvenilir yapay zeka inşa etmek için pratik metodolojiler sunar. Üretim ortamlarında güvenilirlik; model kartları (model cards), kırmızı takım tatbikatları (red-teaming) ve sürekli izleme süreçleriyle pekiştirilir. Büyük dil modellerinin (LLM) günlük hayata entegrasyonuyla birlikte AI trustworthiness tartışması teoriden pratiğe taşındı. Halüsinasyon oranları, örtülü önyargılar ve veri gizliliği ihlalleri bu güvenilirliği tehdit eden başlıca sorunlar arasında yer alır.
AI Watermarking (Yapay Zeka İçerik Damgalama)
AI Watermarking (Yapay Zeka İçerik Damgalama), yapay zeka tarafından üretilen görüntü, ses, video veya metin içeriklerine insan gözüyle fark edilemeyen ya da kolayca çıkarılamayan dijital işaret gömme işlemidir. Bu teknik, sentetik medyanın kaynağını kanıtlamayı, sahte içerikleri tespit etmeyi ve üretici modelin kimliğini doğrulamayı hedefler. Watermarking iki temel kategoride incelenir. Görünür watermarking, içeriğin üzerine açıkça yerleştirilen logo veya metin biçimindedir; telif hakkı iddiası için kolaydır ancak kolayca kaldırılabilir. Görünmez (steganografik) watermarking ise piksel değerleri, frekans uzayı (DCT/DWT) veya anlambilimsel katman üzerinde işaret gömme yaparak içeriği görsel kalitesini bozmadan işaretler; tespit için özel decoder gerekmektedir. Büyük dil modellerinde watermarking çok daha karmaşık bir hal alır. Metin watermarking için en yaygın yaklaşım token-level istatistiksel yöntemdir: model, çıktı oluştururken belirli token gruplarını (örneğin "yeşil liste" token'lar) istatistiksel olarak fazla seçecek biçimde yönlendirilir. Bu önyargı tespit algoritmaları tarafından tespit edilebilirken insan okuyucu için fark edilmez. Maryland Üniversitesi (2023) ve Google'ın SynthID metin watermark yöntemi bu yaklaşımı benimser. Görsel yapay zeka watermarking alanında Adobe ve Microsoft C2PA (Coalition for Content Provenance and Authenticity) standardını oluşturdu. C2PA, içeriğe üretim zamanı, model kimliği ve düzenleme geçmişi gibi meta veriler ekleyen kriptografik olarak imzalanmış bir manifesto kullanır. İçerik Kimlik Bilgileri (Content Credentials) olarak da bilinen bu sistem, 2024 itibarıyla Adobe Firefly, DALL-E 3 ve Google Imagen tarafından desteklenmektedir. Watermarking'in sınırlılıkları da mevcuttur. Ekran görüntüsü almak, yeniden boyutlandırmak veya farklı bir modelle yeniden işlemek görünmez işaretleri silebilir. Dil modeli çıktılarında parafraz saldırıları metnin yapısını değiştirerek watermark'ı bozabilir. Türkiye'de Bilgi Teknolojileri ve İletişim Kurumu (BTK) düzenlemeleri kapsamında yapay zeka üretimi içeriklerin kaynak belirtmesi yükümlülüğü tartışmaları sürmektedir.
Algorithmic Transparency (Algoritmik Şeffaflık)
Algoritmik şeffaflık, yapay zeka ve makine öğrenimi sistemlerinin karar alma süreçlerinin anlaşılabilir, denetlenebilir ve açıklanabilir biçimde tasarlanması ilkesidir. Bu kavram, hem teknik boyutu (algoritmanın nasıl çalıştığının anlaşılması) hem de süreç boyutunu (kararların nasıl alındığının açıklanması) kapsar. Bir yapay zeka sistemi, etkilediği bireyler, düzenleyici kurumlar ve genel kamuoyu tarafından incelenebiliyorsa algoritmik şeffaflık ilkesine uygun sayılır. Bu ilke, özellikle kredi değerlendirmesi, işe alım, sağlık teşhisi ve ceza yargılaması gibi yüksek riskli karar alanlarında kritik önem taşır. Algoritmik şeffaflık dört temel düzeyde ele alınabilir: (1) Süreç şeffaflığı, algoritmanın geliştirilme ve eğitilme sürecini kapsar; hangi verilerin kullanıldığı, modelin nasıl optimize edildiği bu kapsamdadır. (2) Tasarım şeffaflığı, modelin mimarisinin ve kararlarını etkileyen faktörlerin açıklanmasını içerir. (3) Tahmin şeffaflığı, modelin belirli bir giriş için neden o sonucu ürettiğini açıklamayı gerektirir. (4) Sonuç şeffaflığı ise sistemin toplumsal etkilerini ve yanılgı biçimlerini izlemeyi kapsar. Avrupa Birliği Yapay Zeka Yasası (EU AI Act) gibi yasal düzenlemeler, yüksek riskli yapay zeka sistemleri için algoritmik şeffaflığı zorunlu kılmaktadır. Bu gereklilik, model kartları, etki değerlendirme raporları ve kullanıcı bildirim yükümlülükleri biçiminde hayata geçirilmektedir. Algoritmik şeffaflık, açıklanabilir yapay zeka (XAI), algoritmik hesap verebilirlik ve adil yapay zeka kavramlarıyla yakından ilişkilidir. Şeffaflık olmaksızın bu kavramların pratikte uygulanması son derece güçtür.
Algoritmik Adalet Nedir? AI Sistemlerinde Eşitlik (Algoritmik Adalet)
Algoritmik adalet (algorithmic fairness), otomatik karar sistemlerinin bireylere veya demografik gruplara karsi yanli, ayrimci ya da haksiz muamele etmemesini saglayan ilke, olcut ve tekniklerin butunudur. Yapay zekanin kredi degerlendirme, ise alim, ceza takibi ve saglik hizmetleri gibi yüksek riskli kararlarda giderek artan kullanimiyla birlikte bu alan hem teknik hem de yasal olarak kritik bir oneme kavusmustur. Algoritmik adaletsizligin en cok atifta bulunulan ornegi COMPAS (Correctional Offender Management Profiling for Alternative Sanctions) sucluluk tekrari tahmin sistemidir. ABD mahkemelerinde yargiclar bu sistemin ciktilarinı durusma kararlarinda kullanmaktadir. 2016 yilinda ProPublica tarafindan gerceklestirilen sorusturma, COMPAS'in siyahi saniklari beyaz saniklara kiyasla iki kat daha fazla yanlis yuksek riskli olarak etiketledigini ortaya koydu. Bu bulgu, hem sistemin yapimcisiyla hem de adalet metrikleri uzerinde akademik bir tartismayi tetikledi. Esitlik tanimlari konusu teknik olarak karmasiktir. Demografik esitlik, her demografik gruptan esit oranli olumlu karar isteyebilir. Esit firsatlar, gercek pozitif oranlarinin gruplar arasinda esit olmasi anlamindadir. Bireysel adalet, benzer bireylerin benzer muamele gormesini gerektirir. Chouldechova'nin imkansizlik teoremi, bu tanimlarin ayni anda saglanamayacagini matematiksel olarak kanitlamistir; dolayisiyla hangi tanimın secilenin normatif bir karar olup olmayan olmayan bir teknik sorunudur. Korunan ozellikler problemi kritik bir zorluktur. Irk veya cinsiyet gibi bir ozellik modelde acikca yer almasa bile, bu ozelliklerle yuksek korele olan veri noktalari (posta kodu, isim, kullanilan kelimeler) vekil degisken olarak ayrimci sonuclara yol acabilir. Bu "proxy ayrımcılığı" algoritmik adaletin en zor coze sahip sorunlarindan biridir. **Sik Sorulan Sorular** **Adil algoritma yazmak mumkun mudur?** Evet, ama tek bir "adalet" tanimı yoktur. Imkansizlik teoremi bazi metriklerin birlikte saglanamayacagini gosterir; bu nedenle hangi esitlik taniminin neden secildiginin aciklanmasi ve belgelenmesi sorumluluk acisindan kritiktir. **Demografik verileri modelden cikararak yanliligi onleyebilir miyim?** Hayir, proxy degiskenler nedeniyle bu yeterli degildir. Posta kodu, isim veya diger korelasyon tasiyan ozellikler korunan ozellikleri etkili sekilde yeniden olusturabilir. **AB Yapay Zeka Yasasi adalet konusunda ne istiyor?** Yuksek riskli AI sistemlerinin yanlilik degerlendirmesini yapmalarini, bunlari azaltma onlemlerini uygulamalarini ve bu surecin belgelenmesini zorunlu kilar. **Hangi sektorler en yuksek algoritmik adalet riskini tasir?** Ceza adaleti (sucluluk tahmini), istihdam (ozgecmis tarama), kredi ve sigorta, saglik teshisi ve egitim (ogrenme sistemleri) en yuksek risk tasıyan sektorler olarak duzanleyiciler tarafindan tanimlanmistir.
Algoritmik Hesap Verebilirlik (Algoritmik Hesap Verebilirlik)
Algoritmik Hesap Verebilirlik (Algorithmic Accountability), yapay zeka ve otomatik karar destek sistemlerinin ürettiği sonuçlardan kimin sorumlu olduğunu tanımlayan ve bu sorumluluğun nasıl denetleneceğini belirleyen ilkeler bütünüdür. Bir algoritma kredi reddi, iş başvurusu eleme, suç risk değerlendirmesi veya sağlık kaynak tahsisi gibi bireyleri doğrudan etkileyen kararlar aldığında, bu kararın arkasındaki model, verisi ve kurumsal yapı hesap verebilir olmalıdır. Algoritmik hesap verebilirliğin pratik karşılığı üç mekanizmayla hayata geçirilir. Birincisi şeffaflık: kullanılan modelin hangi girdilere dayandığı ve nasıl bir karar mantığı izlediği açıklanabilir olmalıdır. İkincisi denetlenebilirlik: bağımsız denetçiler veya düzenleyici otoriteler sistemi inceleyebilmeli, test edebilmeli ve bulgularını kamuoyuyla paylaşabilmelidir. Üçüncüsü itiraz hakkı: etkilenen bireyler karara itiraz edebilmeli ve otomatik karardan muaf tutulabilmelidir. AB GDPR'ın 22. maddesi tam da bu hakkı — "tamamen otomatik kararlara tabi olmama" — yasal güvenceye almıştır. Bu alandaki en önemli örnek vakası 2016 yılında ProPublica'nın yayımladığı COMPAS araştırmasıdır. COMPAS, ABD mahkemelerinde kullanılan bir suç tekrarlama riski tahmin algoritmasıdır. Araştırma, algoritmanın Siyah sanıklara karşı yanlı sonuçlar ürettiğini — yanlış yüksek risk tespiti oranının iki kat fazla olduğunu — istatistiksel olarak ortaya koydu. Bu bulgu algoritmik hesap verebilirliği hukuki ve etik açıdan tartışmanın merkezine taşıdı. Kurumsal düzeyde Algoritmik Etki Değerlendirmesi (AIA — Algorithmic Impact Assessment) en yaygın araçtır. AIA, tıpkı çevresel etki raporları gibi, bir yapay zeka sisteminin devreye alınmadan önce potansiyel zarar ve eşitsizliklerini belgeleyen yapılandırılmış bir değerlendirme sürecidir. Kanada'nın Yönlendirici Direktifi ve AB Yapay Zeka Yasası yüksek riskli sistemler için AIA benzeri değerlendirmeleri zorunlu kılmaktadır. Türkiye'de bankacılık kredi puanlama sistemleri, kamu kurumu personel seçim algoritmaları ve kolluk kuvvetleri tarafından denenen tahminsel sistemler algoritmik hesap verebilirlik kapsamında değerlendirilebilir. KVKK (Kişisel Verileri Koruma Kanunu) ve yeni yayımlanan Yapay Zeka Strateji Belgesi bu alanda ilk çerçeveyi oluşturmaktadır. Akademisyenler ve sivil toplum kuruluşları, mevzuatın denetim mekanizmaları konusunda yeterince güçlü olmadığını vurgulamaktadır.
Algoritmik Önyargı
Algoritmik önyargı (İngilizce: algorithmic bias), yapay zeka sistemleri ve makine öğrenimi modellerinin çıktılarında belirli gruplara karşı sistematik ve adaletsiz bir ayrım üretmesi durumudur. Önyargı, modelin eğitildiği verinin tarihsel ayrımcılığı yansıtmasından, yanlış seçilmiş özelliklerden veya tasarımcıların bilinçsiz ön kabullerinden kaynaklanabilir. Algoritmik önyargının en çarpıcı örnekleri arasında Amazon'un 2018'de kapatmak zorunda kaldığı işe alım algoritması yer alır: sistem, teknik pozisyonlar için erkek adayları tercih edecek şekilde eğitim verisinden önyargı öğrenmişti. Benzer şekilde, ABD yargı sisteminde kullanılan COMPAS yeniden suç işleme riski değerlendirme aracı, Siyahi sanıkları Beyaz sanıklara kıyasla daha yüksek riskli sınıflandırma eğilimi göstermiştir. Yüz tanıma sistemlerinde ise koyu tenli kadınların hata oranının açık tenli erkeklere göre 34 puan yüksek olduğu MIT Media Lab araştırmasıyla (Buolamwini & Gebru, 2018) belgelenmiştir. Önyargı türleri üç temel başlık altında incelenir. Tarihsel önyargı, toplumda zaten var olan eşitsizliklerin eğitim verisi aracılığıyla modele aktarılmasıdır. Temsil önyargısı, bazı grupların veri setinde orantısız biçimde az yer almasından doğar. Ölçüm önyargısı ise hedef değişkenin (örneğin "başarılı çalışan" tanımının) taraflı biçimde tanımlanmasından kaynaklanır. Dördüncü bir tür olan değerlendirici önyargısı, insan etiketleyicilerin kendi peşin hükümlerini etikete yansıtmasıyla oluşur. Algoritmik önyargıyı azaltmak için teknik ve kurumsal yaklaşımlar geliştirilmiştir. Teknik düzlemde veri dengeleme, yeniden ağırlıklandırma ve adalet kısıtlarıyla eğitim (fairness-aware training) gibi yöntemler kullanılır. Açıklanabilir yapay zeka (XAI) araçları, modelin hangi özelliklere dayanarak karar verdiğini şeffaf hâle getirerek denetimi kolaylaştırır. AB Yapay Zeka Yasası ve ABD EEOC kılavuzları gibi düzenleyici çerçeveler, yüksek riskli uygulamalarda zorunlu önyargı denetimini ve etki değerlendirmelerini hukuki zemine oturtmaktadır.
Bias Mitigation (Önyargı Azaltma)
Yanlilik azaltma (bias mitigation), yapay zeka sistemlerinin koruma altinadaki gruplara karsi sistematik olarak yanli sonuclar uretmesini onlemek icin egitim verisi, model egitimi veya cikti asamasinda uygulanan teknik, surecsel ve organizasyonel yaklasimlar butunudur. AI sistemlerinde yanlilik kaynaklar cesitlidir. Tarihsel yanlilik, gecmisteki toplumsal esitsizliklerin yansidiği veri uzerinde egitilen modellerin bu esitsizlikleri pekistirmesinden kaynaklanir. Temsil yanliligi, azinlik gruplarin egitim verisinde az sayida ornekle temsil edilmesiyle olur; model bu gruplar icin daha kotu performans uretir. Olcum yanliligi, farkli gruplar icin farkli dogrulukla toplanan olcut verilerinden ileri gelir. Toplumsallasma yanliligi ise metin verilerindeki stereotiplerin modele ogretilmesiyle gerceklesir. Yanlilik azaltma teknikleri uc ana kategoride incelenir. On islem (pre-processing) yontemleri egitim verisini duzeltir: yeniden ornekleme (az temsil edilen gruplara ek ornek), yeniden agirlandirma (grupsal agirliklar) ve veri augmentasyonu bu kategoridedir. Egitim iceri (in-processing) yontemleri, esitlik kisitlamalarini dogrudan kayip fonksiyonuna veya modele entegre eder. Son islem (post-processing) yontemleri ise egitilmis modelin ciktilarini kalibrasyon veya esik ayari ile duzeltir. Esitlik metrikleri konusu karmasiktir. Demografik esitlik, her gruptan esit oranli olumlu karar isteyebilir. Esit firsatlar, gercek pozitiflerin gruplar arasinda esit olmasi anlamindadir. Bireysel adalet, benzer bireylerin benzer muamele gormesini zorunlu kilar. Chouldechova'nin 2017 tarihli imkansizlik teoremi bu uc metrigin ayni anda saglanamayacagini matematiksel olarak kanitlamistir; dolayisiyla hangi adalet taniminin benimsendigi her zaman normatif bir secimdir. **Sik Sorulan Sorular** **Yanliligi tamamen ortadan kaldirmak mumkun mudur?** Hayir. Imkansizlik teoremi nedeniyle her esitlik tanimini ayni anda saglamak mumkun degildir. Hedef, hangi esitlik taniminin benimsendigi hakinda seffaf bir sekilde seciim yapmak ve bunu tutarli uygulamaktir. **Teknik yanlilik azaltma yeterli midir?** Hayir. Teknik onlemler gerekli ama yeterli degildir. Veri yonetimi, model denetimi, kararlar uzerinde insan gozetimi ve organizasyonel politikalar butunlesik bir yaklasim gerektirir. **Hangi araclar yanlilik tespiti icin kullanilabilir?** IBM AI Fairness 360, Fairlearn, Aequitas ve Google What-If Tool acik kaynak yanlilik tespiti ve azaltma araçlaridur. **AB Yapay Zeka Yasasi yanlilik konusunda ne istiyor?** Yuksek riskli AI sistemlerinin yansizlik degerlendirilmesini yapmalarini ve yanlilik azaltma onlemlerini uygulamalarini zorunlu kilar; bu onlemlerin belgelenmesi ve denetlenebilir olmasi beklenir.
Consent Management (Rıza Yönetimi)
Rıza Yönetimi, dijital ortamlarda bireylerin kişisel verilerinin toplanması, işlenmesi ve paylaşılmasına dair onaylarını sistematik biçimde almak, kaydetmek, saklamak ve yönetmek için kullanılan süreç, politika ve teknoloji bütünüdür. 2018'de Avrupa Birliği'nde yürürlüğe giren GDPR, geçerli bir onayın özgürce verilmiş, spesifik, bilgilendirilmiş ve açık olmasını zorunlu kılmış; bu yasal çerçeve küresel çapta rıza yönetimi pratiklerinin standartlaşmasına öncülük etmiştir. Uygulamada en yaygın temas noktası web sitelerindeki çerez onay bannerlarıdır. Ancak rıza yönetimi yalnızca çerezlerle sınırlı değildir: pazarlama e-postası abonelikleri, tıbbi veri paylaşımı, biyometrik tanıma sistemleri ve yapay zeka modellerinin eğitim veri setleri de bu kapsamda değerlendirilir. GDPR Madde 7, onayın belgelenebilmesini ve kullanıcının onayı verdiği kadar kolay geri çekebilmesini şart koşar. Rıza Yönetimi Platformları (CMP'ler), kuruluşların kullanıcı tercihlerini IAB Şeffaflık ve Onay Çerçevesi (TCF v2.2) standardına uygun biçimde kayıt altına almasını otomatikleştirir. Bu platformlar; onay süreçlerini denetlenebilir log'larla belgeler, tercih değişikliklerini downstream sistemlere iletir ve bölgeye özel yasal gerekliliklere uyum sağlar. Yapay zeka alanında rıza yönetimi giderek kritikleşmektedir. Büyük dil modellerinin eğitildiği veri setlerinde telif hakkı ve kişisel veri sorunları gündeme geldikçe, AI şirketleri içerik üreticilerinin onayını yönetmek için yeni mekanizmalar geliştirmektedir. Türkiye'de KVKK da açık rıza alınmasını zorunlu kılmakta ve ihlaller ciddi idari yaptırımlara konu olmaktadır.
Counterfactual Fairness (Karşıfaktüel Adalet)
Karşıfaktüel adalet (Counterfactual Fairness), Matt J. Kusner ve ekibi tarafından 2017 NeurIPS konferansında önerilen, bireye özgü bir algoritmik adalet kriteridir. Bu kriter, bir makine öğrenimi modelinin adil olabilmesi için, korunan özniteliklerin (ırk, cinsiyet, engellilik durumu, yaş gibi) farklı olduğu varsayımsal bir evrende de aynı kararı vermesi gerektiğini öngörür. Yöntemin temelinde nedensellik teorisi yatar: Standart grup adaleti ölçümleri popülasyonlar arasındaki istatistiksel farkları karşılaştırırken, karşıfaktüel adalet bu soruyu bireysel düzeyde yanıtlayabilir: Bu kişi farklı bir demografik gruba ait olsaydı, model aynı kararı mı verirdi? Bu değerlendirme için yönönedensel grafikler (directed acyclic graphs) ve yapısal nedensel modeller (Structural Causal Models – SCM) kullanılır. Uygulamada bu yaklaşım, eğitim verisinde gizli kalmış tarihsel önyargıları tespit etmede güçlü bir araçtır. Örneğin bir kredi puanlama sisteminde iş deneyimi değişkeni ırk ile nedensel olarak ilişkiliyse, model yalnızca iş deneyimine dayansa bile adil sayılamaz. Karşıfaktüel adalet analizi bu tür dolaylı ayrımcılık yollarını nedensel yapı üzerinden açığa çıkarır. Yöntemin başlıca zorlukları arasında gerçek nedensel grafiğin bilinmemesi, gözlemlenemeyen değişkenlerin tahminindeki belirsizlik ve yüksek boyutlu veride hesaplama maliyeti yer alır. Karşıfaktüel adalet; AB AI Yasası, GDPR ve Equal Credit Opportunity Act gibi yasal çerçevelerle giderek daha sıkı biçimde ilişkilendirilen bir etik standart haline gelmektedir.
Data Governance (Veri Yönetişimi)
Data governance (veri yönetişimi), bir organizasyonun veri varlıklarını nasıl toplayacağını, saklayacağını, kullanacağını, paylaşacağını ve yöneteceğini belirleyen resmi politikalar, roller, standartlar ve süreçlerin bütünüdür. Üç temel soruyu yanıtlar: veri üzerinde kim otoriteye sahiptir, verinin karşılaması gereken standartlar nelerdir ve bu standartlara uyum nasıl sağlanır. Yapay zeka ve makine öğrenmesi ekosisteminde veri yönetişimi bürokratik bir formalite değil; bir modelin güvenilir, denetlenebilir ve sorumlu biçimde dağıtılabilir olmasını belirleyen yapısal iskelet olmaktadır. Veri yönetişimi, veri yönetimi (data management) kavramıyla sıklıkla karıştırılır. Veri yönetimi günlük operasyonel katmanı oluşturur: veri hatları, depolama sistemleri, ETL iş akışları ve veritabanları. Veri yönetişimi ise bunların üzerinde konumlanan stratejik katmandır; "neden" ve "neyi" tanımlar. Yönetişim kuralları koyar, yönetim bu kuralları uygular. Gelişmiş veri yönetimine sahip ama yönetişimden yoksun bir organizasyon hızlı ve verimli bir kaos üretir. Yapay zeka sistemleri için veri yönetişimi altı temel bileşen üzerinde çalışır. Veri kalitesi, eğitim verilerinin doğru, eksiksiz, tutarlı ve temsil edici olmasını güvence altına alır; makine öğrenmesinde önyargılı ya da eksik veri yalnızca kötü model değil, ayrımcı model üretir. Veri kataloğu, tüm veri varlıklarının meta veri ve kullanım bağlamıyla aranabildiği envanter sistemidir. Veri kökenselliği (data lineage), verinin nereden geldiğini ve nasıl dönüştürüldüğünü izlenebilir biçimde kayıt altına alır; bu, yapay zeka açıklanabilirliğinin teknik temelidir. Veri yöneticiliği (data stewardship), politikaların operasyonel düzeyde uygulanmasını sağlayan insan katmanıdır. Erişim kontrolü belirli veri kümelerine kimin erişebileceğini tanımlar; hassas eğitim verilerinin yetkisiz kullanımını önler. Düzenleyici açıdan bakıldığında AB Yapay Zeka Yasası'nın 10. Maddesi, yüksek riskli yapay zeka sistemleri için belgelenmiş veri yönetişimini yasal zorunluluk olarak tanımlamaktadır. GDPR'ın veri minimizasyonu, amaç sınırlaması ve hesap verebilirlik ilkeleri yönetişim gereksinimlerine doğrudan karşılık gelir. Ağustos 2025'te yürürlüğe giren GPAI yükümlülükleri, büyük temel model sağlayıcılarını eğitim verisi şeffaflığı konusunda yeni standartlara tabi kılmaktadır. Endüstri araştırmalarına göre kuruluşların %73'ü veri kalitesini yapay zeka projelerindeki en büyük zorluk olarak tanımlamaktadır; bu oran, etkin bir yönetişim çerçevesinin stratejik önemini açıkça ortaya koymaktadır.
Data Minimization (Veri Minimizasyonu)
Veri Minimizasyonu (Data Minimization), bir sistem veya uygulamanın yalnızca belirtilen amacı gerçekleştirmek için zorunlu olan minimum miktarda kişisel veriyi toplaması, işlemesi ve saklaması ilkesidir. Mahremiyet tasarımının (Privacy by Design) temel taşlarından biri olan bu ilke, "ne kadar fazla veri o kadar iyi" anlayışının tam tersidir: fazladan toplanan her veri hem bir güvenlik riski hem de etik bir sorumluluktur. GDPR (Genel Veri Koruma Yönetmeliği) Madde 5(1)(c) veri minimizasyonunu açıkça zorunlu kılar: veriler "amaca uygun, alakalı ve gerekli olanla sınırlı" olmalıdır. Türkiye'deki KVKK (Kişisel Verilerin Korunması Kanunu) da ölçülülük ilkesiyle aynı yükümlülüğü getirir. Bu yasal çerçeveler, amaca fazladan veri toplayan şirketler için ciddi para cezaları öngörür. Yapay zeka sistemleri için veri minimizasyonu özellikle kritiktir. Büyük dil modelleri ve öneri sistemleri varsayılan olarak her şeyi toplamaya eğilimlidir; bu eğilim hem amaç sapması (purpose creep) hem de mahremiyet ihlali riskini artırır. **Amaç sınırlama (purpose limitation)** ile birlikte çalışır: veriler yalnızca toplandığı amaç için kullanılabilir; başka bir model için yeniden işlenemez. Teknik uygulamada veri minimizasyonu birkaç stratejiyle hayata geçirilir. **Özellik seçimi (feature selection)**: makine öğrenimi modelini eğitmek için gerekli olmayan özellikler eğitim verisine dahil edilmez. **Veri anonimleştirme ve takma adlandırma (pseudonymization)**: tanımlayıcı alanlar hash veya token ile değiştirilerek kişiyle bağ koparılır. **Diferansiyel gizlilik (differential privacy)**: toplam istatistikler gürültü eklenerek paylaşılır; bireysel kayıtlar çıkarılamaz. **Saklama süresi sınırlaması**: gereksiz hale gelen veriler otomatik olarak silinir. Veri minimizasyonuna karşı çıkan yaygın argüman "veri değerlidir, ileride işe yarayabilir"dir. Ancak bilinmeyen gelecekteki değer için bugünkü gizlilik riski ve depolama maliyeti üstlenmek rasyonel değildir. Gerçek değer, iyi tanımlanmış amaçlara odaklanmış yüksek kaliteli veriden gelir — hacimden değil.
Data Privacy (Veri Gizliliği)
Veri gizliligi, bireylere ait kisisel bilgilerin nasil toplandigi, islendigi, saklandigi ve paylasildigini duzenleleyen ilke, uygulama ve yasal cerceveler butunudur. Teknoloji sirketlerinden hastanelere, e-ticaret platformlarindan devlet kurumlarindan kadar kisisel veri isleyen her organizasyon bu alaninla dogrudan iliskilidir. Veri gizliligi dusuncesi iki eksenli bir uzlasimdan beslenir. Ilki bireysel otonomi: insanlarin kendi verileri uzerinde anlayisli riza (informed consent) hakkina sahip olmasi ve verilere ne zaman, kim tarafindan nasil erisildigi konusunda seffafligin saglanmasi. Ikincisi kurumsal sorumluluk: veri isleyenlerin bu verileri merus amaclar dogrultusunda kulllanmasini ve korsanlara ya da ucuncu taraflara yasadisi bicimde iletmemesini zorunlu kilan duzenleyici cerceveler. Avrupa Birligi'nin Genel Veri Koruma Yonetmeligi (GDPR), 2018 yilinda yururluge girmesiyle kuresel bir referans standardi haline gelmistir. GDPR, veri minimizasyonu ilkesini zorunlu kilar: yalnizca ilan edilen amac icin gerekli olan veri toplanabilir. Turkiye'de Kisisel Verilerin Korunmasi Kanunu (KVKK), GDPR ile buyuk olcude paralel bir yasal cerceve sunmaktadir. Teknik mahremiyet korumalari da giderek onem kazanmaktadir. Diferansiyel gizlilik, bir veri kumesine istatistiksel gurultu ekleyerek bireylerin kimliginin cikarilmasini matematiksel olarak engeller; Apple ve Google bu teknigi buyuk olcekte kullanmaktadir. Federe ogrenme, ham veriyi merkezi sunucuya gondermeden cihaz uzerinde model egitmesine ve yalnizca model guncellemelerinin paylasmasina izin verir. Homomorfik sifreleme ise teorik olarak sifreli veri uzerinde hesaplama yapmayi mumkun kilar, ancak hali hazirda pratik uygulamalar sinirlidir. Yapay zekanin yayginlasmasi, veri gizliligini daha da karmasik kilar. Buyuk dil modellerinin egitim verisinde kisisel bilgi bulundurabilmesi, yuz tanima sistemlerinin kitlesel gozetleme riskini artirmasi ve kisisel verilerin profil cikartmak icin kullanilmasi, hem etik hem de yasal gundeme girmis tartismadir. **Sik Sorulan Sorular** **Veri gizliligi ile veri guvenligi arasindaki fark nedir?** Veri guvenligi, yetkisiz erisime karsi teknik koruma saglar (sifreleme, guvenlik duvari). Veri gizliligi ise merus erisim sahiplerinin veriyi nasil isleyebilecegini duzenler. Ikisi birbirini tamamlar. **GDPR Turkiye'deki sirketleri etkiler mi?** Evet. AB vatandaslarinin verisini isleyen Turkiye merkezli sirketler GDPR kapsamina girebilir. Ek olarak KVKK yerli duzenleyici yukumlulukleri belirler. **Veri anonimizasyonu tam bir koruma saglar mi?** Hayir. Re-identification (yeniden kimliklendirme) saldirisi teknikleri, anonim gorunen verideki bireyleri cogu zaman tespit edebilmektedir. Diferansiyel gizlilik daha guclu matematiksel garantiler sunar. **Bir sirket veri ihlali durumunda ne yapmalidur?** GDPR kapsaminda yetkili denetim otoritesine 72 saat icerisinde bildirme zorunlulugu vardir. KVKK da benzer bildirim yukumlulugu icerir. Etkilenen bireylere de bildirim yapilmali ve zararlar belgemelidir.
Deepfake Detection (Sahte Medya Tespiti)
Deepfake Detection (Sahte Medya Tespiti), yapay zeka teknolojileri kullanılarak üretilen sahte video, görüntü ve ses içeriklerini gerçek medyadan ayırt etmeye yarayan teknikler, algoritmalar ve sistemlerin bütünüdür. Deepfake'ler; GAN (Üretici Çekişmeli Ağlar), diffusion modelleri ve otomatik kodlayıcılar aracılığıyla kişilerin yüzlerini, seslerini ve hareketlerini ikna edici biçimde taklit edebilmektedir. Bu sahte içeriklerin hızla yaygınlaşması; dezenformasyon, dolandırıcılık ve itibar kaybı gibi ciddi toplumsal tehditlere yol açmakta, bu nedenle etkili tespit sistemleri kritik önem taşımaktadır. Tespit yöntemleri birkaç temel yaklaşıma dayanır. CNN tabanlı dedektörler, eğitilmiş derin öğrenme modelleriyle piksel düzeyindeki tutarsızlıkları ve üretim artefaktlarını tanır. Frekans alanı analizi, DCT veya FFT dönüşümleri aracılığıyla GAN'ların bıraktığı yüksek frekanslı parmak izlerini tespit eder; ancak JPEG sıkıştırması bu izleri zayıflatabilir. Biyolojik sinyal yöntemi ise en yenilikçi yaklaşımlardan biridir: Intel'in FakeCatcher sistemi, rPPG (uzaktan fotopletimoğrafi) tekniğiyle yüzden kalp atışı sinyalini ölçer ve sahte videolarda bu sinyalin zayıf ya da tutarsız kalmasını tespit eder. Yüz işareti analizi, 81 kritik yüz noktasını izleyerek doğal ifade ve kırpışma düzenlerindeki sapmaları yakalar. FaceForensics++ (1.000 gerçek ve 4.000 sahte video) ve 2020'de Facebook'un 10 milyon dolarlık ödülle başlattığı DFDC (DeepFake Detection Challenge) bu alandaki en önemli kıyaslama veri setleridir. Kontrollü koşullarda modern dedektörler yüzde doksan beş ile doksan dokuz arasında doğruluk sağlayabilmekte; ancak gerçek dünya testlerinde sıkıştırma, farklı teknikler ve karşıt saldırılar karşısında bu oran önemli ölçüde düşmektedir. Tespit sistemlerinin genelleme açığı, sahte medyayla mücadelede en büyük zorluğu oluşturmaktadır.
Differential Privacy (Diferansiyel Gizlilik)
Diferansiyel Gizlilik (Differential Privacy), bir veri kümesi üzerinde yapılan sorguların veya istatistiksel hesaplamaların sonuçlarının, veri kümesindeki herhangi bir bireyin varlığından veya yokluğundan istatistiksel olarak ayırt edilemez hale gelmesini sağlayan matematiksel bir gizlilik çerçevesidir. 2006 yılında Cynthia Dwork tarafından formüle edilen bu yöntem, bireysel gizlilik güvencesi ile veri kullanışlılığını matematiksel olarak dengeler. Temel fikir, bir mekanizmanın çıktısına kontrollü miktarda rastgele gürültü ekleyerek bireysel veri noktalarının sorgularda iz bırakmasını önlemektir. Epsilon (ε) parametresi gizlilik bütçesini temsil eder: ε değeri küçüldükçe gizlilik artar ancak yanıtın doğruluğu azalır; ε büyüdükçe ise yanıtın doğruluğu artar ancak gizlilik zayıflar. Bu ödünleşim, uygulamanın gereksinimlerine göre dikkatle ayarlanmak zorundadır. İki ana varyant mevcuttur: Merkezi Diferansiyel Gizlilik (Central DP), güvenilir bir koordinatörün ham veriyi toplayıp gürültüyü merkezi olarak eklediği modeli kullanırken; Yerel Diferansiyel Gizlilik (Local DP) gürültünün her kullanıcının cihazında verisi sunucuya gönderilmeden önce eklendiği modeli benimser. Local DP, özellikle güvenilir bir merkezi tarafın bulunmadığı mobil ve IoT senaryolarında tercih edilir. Apple ve Google, iOS klavye ve Android telemetri verilerinde yerel diferansiyel gizliliği uygulamaktadır. ABD Nüfus Sayımı Bürosu, 2020 sayımında merkezi diferansiyel gizlilik kullandı. Yapay zeka dünyasında ise diferansiyel gizlilik, özellikle derin öğrenme modellerinin eğitiminde gizlilik koruyucu bir teknik olarak yerini sağlamlaştırmıştır; bu yaklaşım DP-SGD (Differentially Private Stochastic Gradient Descent) olarak bilinmektedir.
Dijital Kişilik (Dijital Kişilik)
Dijital kişilik (İng. digital personhood), bir bireyin ya da yapay zeka sisteminin dijital ortamdaki kimlik, haklar ve sorumluluklar bağlamında nasıl tanımlandığını inceleyen hukuki ve felsefi kavramdır. İnternetin ve yapay zekanın gündelik yaşamı dönüştürdüğü bu dönemde, fiziksel dünyaya ait "kişilik" kavramı dijital uzama taşınmakta ve yeni sorular doğurmaktadır. Dijital kişilik iki temel boyutu kapsar. Birincisi, gerçek insanların dijital temsilleri — kullanıcı profilleri, çevrimiçi kimlikler, dijital ayak izi ve sosyal medya hesapları aracılığıyla oluşan "dijital benlik." Bu boyut; ölüm sonrası dijital miras (digital legacy), veri sahipliği ve kişisel verilerin silinme hakkı gibi pratik meseleleri de içerir. İkincisi, yapay zeka ajanları, sanal asistanlar ve otonom dijital varlıkların hukuki statüsü — "elektronik kişilik" (electronic personhood) olarak da bilinen bu alan, yapay zeka sistemlerinin haklara, sorumluluklara ya da hukuki statüye sahip olup olamayacağını sorgular. Avrupa Parlamentosu 2017 yılında robotlar ve yapay zeka sistemleri için "elektronik kişilik" statüsü önerisinde bulunarak bu tartışmayı hukuk arenasına taşıdı. Suudi Arabistan aynı yıl Sophia adlı robota vatandaşlık vererek konuyu uluslararası gündemin önüne çıkardı. Avrupa Birliği Yapay Zeka Yasası (EU AI Act) henüz yapay zekaya kişilik tanımasa da yüksek riskli sistemler için sorumluluk çerçevesi öngörerek dijital kişilik tartışmasına yasal zemin hazırlamaktadır. Dijital kişilik kavramı; algoritmik hesap verebilirlik, veri gizliliği, yapay zeka güvenliği ve etik tasarım gibi alanlarla doğrudan kesişmektedir. Önümüzdeki on yıllarda, yapay zekanın özerk karar alma kapasitesinin artmasıyla birlikte, dijital kişilik kavramının hukuki ve ahlaki anlamda somutlaşması beklenmektedir.
Dijital Refah Yapay Zekası (Dijital Refah Yapay Zekası)
Dijital Refah Yapay Zekası (Digital Wellbeing AI), bireylerin dijital teknolojilerle olan ilişkisini izlemek, analiz etmek ve iyileştirmek için yapay zeka tekniklerini kullanan multidisipliner bir alandır. Bu yaklaşım; ekran süresi yönetimi, bildirim optimizasyonu, alışkanlık analizi ve zihinsel sağlık desteği bileşenlerini bir araya getirir. Temel fikir, teknolojinin hem bir tehdit hem de bir araç olabileceği paradoksundan doğar. Sosyal medya algoritmalarının bağımlılık yaratan tasarımları, dikkat ekonomisi modelleri ve sonsuz kaydırma (infinite scroll) gibi UX kalıpları kullanıcıların ekran başında daha fazla zaman geçirmesine yol açarken; dijital refah yapay zekası bu etkileri tersine çevirmeyi hedefler. Uygulamada dijital refah YZ araçları, kullanıcı davranış kalıplarını analiz ederek dijital yorgunluk belirtileri tespit eder, kişiselleştirilmiş mola önerileri sunar ve odak sürelerini optimize eder. Google'ın Android'deki Dijital Refah paneli, Apple'ın Ekran Süresi özelliği ve Woebot gibi ruh sağlığı chatbot'ları bu kategorinin öne çıkan örnekleridir. Etik boyutuyla bu alan, yapay zekanın kullanıcı çıkarlarını mı yoksa platform çıkarlarını mı ön planda tuttuğu sorusunu gündeme getirir. Bir refah aracının kendisinin kullanıcıyı daha uzun süre uygulamada tutmak için optimize edilmesi mümkündür; bu ikileme 'wellness paradoksu' adı verilir. WHO, 2026'da yapay zekanın ruh sağlığı ve refahta sorumlu kullanımı için uzman bir yol haritası yayımlamıştır.
EU AI Act (AB Yapay Zeka Yasası)
AB Yapay Zeka Yasası (EU AI Act), Avrupa Birliği'nin yapay zeka sistemlerinin geliştirilmesi, piyasaya sürülmesi ve kullanımına ilişkin kapsamlı düzenleyici çerçevesidir. 12 Temmuz 2024'te AB Resmi Gazetesi'nde yayımlanan ve 1 Ağustos 2024'te yürürlüğe giren bu yasa, dünyada yapay zekayı doğrudan düzenleyen ilk kapsamlı yasal mekanizmadır. Yasa, risk temelli bir yaklaşım benimsemekte ve yapay zeka sistemlerini dört ana kategoride sınıflandırmaktadır: kabul edilemez risk (yasaklı), yüksek risk, genel amaçlı yapay zeka modelleri ve minimum ya da sınırlı risk. Kabul edilemez risk kategorisindeki sistemler —kamu kurumlarının sosyal puanlama uygulamaları, farkında olmadan bilinçaltı manipülasyon tekniklerine başvuran yapay zeka sistemleri ve kamuya açık alanlarda gerçek zamanlı biyometrik tanımlama— yasayla tamamen yasaklanmıştır. Yüksek risk grubundaki sistemler; işe alım süreçleri, kredi skorlama, sınır kontrolü ve kritik altyapı yönetimi gibi alanları kapsamakta olup üçüncü taraf uygunluk değerlendirmesine, AB veri tabanına kayda ve kapsamlı risk yönetimi sistemlerine tabi tutulmaktadır. Genel amaçlı yapay zeka modeli sağlayıcıları ise şeffaflık yükümlülükleri kapsamında telif hakkıyla korunan eğitim verilerini açıklamak zorundadır. Yasanın uygulanması kademeli bir takvime yayılmıştır: 2 Şubat 2025'ten itibaren yasaklı uygulamalar sona erdirilmiş ve yapay zeka okuryazarlığı yükümlülükleri devreye girmiştir. 2 Ağustos 2025'ten itibaren genel amaçlı yapay zeka modeli sağlayıcıları şeffaflık gerekliliklerine uymak zorundadır. Yasanın tamamı 2 Ağustos 2026'da tam anlamıyla yürürlüğe girmiştir. İhlaller ağır yaptırımlara yol açmaktadır: yasaklı uygulamaları ihlal eden kuruluşlar 35 milyon Euro veya küresel yıllık cirosunun %7'sine kadar, yüksek riskli sistem gerekliliklerini ihlal edenler ise 15 milyon Euro veya cirosunun %3'üne kadar para cezasıyla karşılaşabilir. AB Yapay Zeka Yasası yalnızca Avrupa'da faaliyet gösteren şirketleri değil, yapay zeka çıktıları AB sınırları içinde kullanılan tüm küresel kuruluşları da kapsamaktadır. Bu extraterritorial etki yasayı GDPR ile kıyaslanabilir kılmakta ve yapay zeka düzenlemesinde küresel bir referans noktasına dönüştürmektedir.
GDPR (Genel Veri Koruma Tüzüğü)
GDPR (General Data Protection Regulation — Genel Veri Koruma Tüzüğü), 25 Mayıs 2018'de yürürlüğe giren Avrupa Birliği veri koruma yasasıdır. AB'de yerleşik bireylerden veri toplayan ya da onlarla ilgili kararlar veren her kuruluşu — coğrafi konum fark etmeksizin — kapsamaktadır. 1995 tarihli AB Veri Koruma Direktifi'nin yerini alan GDPR, on yıllarda biriken teknolojik dönüşümü ve kişisel veri ekonomisinin ölçeğini yansıtan çok daha kapsamlı ve dişli bir hukuki çerçeve sunmaktadır. Yapay zeka sistemleri için özel bir bölüm içermemekle birlikte GDPR, kişisel veri işleyen her AI uygulamasını doğrudan etkiler. Madde 22, bireyleri yalnızca otomatik işleme dayanan ve önemli sonuçlar doğuran kararlardan korur; kredi skorlama, iş başvurusu değerlendirmesi, sigorta fiyatlandırması veya ceza tahmini yapan AI sistemlerinin insan denetimine açık olmasını zorunlu kılar. Bunun yanı sıra kişisel veriyle eğitilen modeller, veri sahiplerinin erişim ve silme taleplerine yanıt verebilecek biçimde tasarlanmak durumundadır. GDPR yedi temel ilkeyi zorunlu kılar: hukuka uygunluk ve şeffaflık, amaç sınırlılığı, veri minimizasyonu, doğruluk, depolama sınırlılığı, bütünlük ve gizlilik, hesap verebilirlik. Bu ilkeler, veri işleme faaliyetlerinin hukuki dayanağını (açık rıza, meşru menfaat, sözleşme gereği vb.) ve verinin toplanmasından silinmesine kadar her aşamadaki güvenlik yükümlülüklerini belirler. Veri ihlali durumunda kuruluşlar 72 saat içinde yetkili veri koruma otoritesini bilgilendirmekle yükümlüdür. İhlaller için azami para cezası yıllık küresel ciron yüzde dördüne veya 20 milyon Euro'ya — hangisi yüksekse — kadar çıkmaktadır. Meta, Amazon ve Google gibi teknoloji devleri bu kapsamda milyarlarca Euro ceza almıştır. Türkiye'nin 2016'da çıkardığı KVKK (6698 sayılı Kişisel Verilerin Korunması Kanunu) GDPR'a yapısal olarak paralel bir tasarıma sahipken, AB'ye veri aktarımı için AB Standart Sözleşme Maddeleri (SCCs) ya da Avrupa Komisyonu'nun yeterlilik kararı gereklidir.
Machine Unlearning (Makine Unutturma)
Machine Unlearning, bir yapay zeka modelinin belirli eğitim verilerini, tüm modeli sıfırdan eğitmek zorunda kalmaksızın 'unutmasını' sağlayan yöntemler bütünüdür. Kavram, GDPR'nin 17. Maddesi olarak bilinen 'Silinme Hakkı' (Right to Erasure) ile doğrudan örtüşmektedir: bir kullanıcı verilerinin silinmesini talep ettiğinde, bu verinin model parametrelerine ne ölçüde işlendiği ve nasıl çıkarılacağı kritik bir uyum sorununa dönüşmektedir. Geleneksel yaklaşımda tek çözüm modeli baştan eğitmektir. GPT-4 veya Gemini gibi büyük dil modellerini sıfırdan eğitmek haftalar ve milyonlarca dolar gerektirdiğinden bu yol pratikte imkânsızdır. Machine Unlearning bu boşluğu kapatmaya çalışır. Teknik olarak iki ana yaklaşım mevcuttur: Exact Unlearning (Kesin Unutturma) ve Approximate Unlearning (Yaklaşık Unutturma). Exact Unlearning'in en tanınan yöntemi SISA Training'dir (Sharded, Isolated, Sliced, Aggregated). Bu teknikte eğitim verisi bağımsız parçalara bölünür; her parçanın kendi alt modeli olduğundan yalnızca ilgili parça yeniden eğitilir ve istenen veri kesin biçimde dışarıda bırakılabilir. Approximate Unlearning ise hedeflenen parametreleri gradyan güncellemeleriyle değiştirerek daha hızlı bir çözüm sunar; ancak verinin gerçekten unutulup unutulmadığının doğrulanması güçtür. 2024 yılında İtalyan Veri Koruma Kurumu, GDPR ihlalleri gerekçesiyle OpenAI'a 15 milyon Euro para cezası keserken Avrupa Veri Koruma Kurulu (EDPB) 2025'te silinme hakkına odaklanan Koordineli Uygulama Çerçevesi'ni başlattı. Bu düzenleyici baskılar Machine Unlearning'i yalnızca akademik bir araştırma konusu olmaktan çıkarıp kurumsal uyum için zorunlu bir araç hâline getirdi. 2025 yılında UC Riverside araştırmacıları, orijinal eğitim verisine gerek duymadan çalışan 'kaynak serbest unutturma' (source-free unlearning) yöntemini geliştirdi. Bu yaklaşım özellikle büyük ölçekli modeller için umut vericidir. Bununla birlikte, büyük dil modellerinde bilginin milyarlarca parametreye dağıtılmış biçimde depolanması nedeniyle tam ve doğrulanabilir unutturma sağlamak hâlâ açık bir araştırma problemi olmayı sürdürmektedir.
Model Card (Model Kartı)
Model Kartı (Model Card), makine öğrenimi ve yapay zeka modellerinin şeffaf ve sorumlu biçimde belgelenmesini sağlayan standart bir dokümantasyon çerçevesidir. 2018 yılında Google araştırmacıları Margaret Mitchell ve meslektaşları tarafından önerilen bu yaklaşım, bir modelin nasıl çalıştığını, ne için tasarlandığını ve sınırlarının nerede olduğunu kamuya açık ve anlaşılır bir formatta ortaya koyar. Bir model kartı; modelin amaçlanan kullanım alanları, eğitim verileri hakkında özet bilgiler, değerlendirme metrikleri, farklı alt gruplardaki performans sonuçları, olası önyargılar ve kapsamlı etik değerlendirmeler gibi kritik bilgileri bir arada sunar. Bu belge sayesinde geliştiriciler, kullanıcılar, denetleyiciler ve politika yapıcılar, modelin güçlü ve zayıf yönlerini kolayca anlayabilir. Model kartlarının temel amacı hesap verebilirliği artırmaktır. Özellikle cinsiyet, yaş, ırk ve coğrafi köken gibi demografik faktörler açısından modelin farklı alt gruplardaki performansını ayrıntılı biçimde raporlamak, önyargılı çıktıların üretim öncesinde tespit edilmesine büyük katkı sağlar. Google, Hugging Face, Meta ve NVIDIA gibi büyük teknoloji şirketleri, model kartlarını zorunlu bir uygulama standardı haline getirmiştir. Avrupa Birliği'nin Yapay Zeka Yasası (AI Act) çerçevesinde, 2025 yılından itibaren genel amaçlı yapay zeka (GPAI) modellerinin teknik dokümantasyon hazırlaması yasal bir zorunluluk haline gelmiştir. Bu bağlamda model kartları, hem yasal uyum hem de kurumsal şeffaflık için temel bir araç konumuna yükselmiştir. NVIDIA'nın geliştirdiği Model Card++ gibi modern çerçeveler, standart model kartının ötesine geçerek önyargı azaltma, açıklanabilirlik, gizlilik, güvenlik ve emniyet gibi ek boyutları da kapsamaktadır. Böylece model kartları, etik ve sorumlu yapay zeka geliştirmenin olmazsa olmaz temel taşlarından biri haline gelmiştir.
Model Extraction (Model Çıkarma Saldırısı Nedir? Yapay Zeka Güvenlik Tehdidi)
Model extraction (model çalma veya model kopyalama), bir saldırganın hedef makine öğrenimi modeline API üzerinden erişerek, parametrelerine ya da eğitim verilerine doğrudan ulaşmadan, modelin davranışını kopyalayan işlevsel bir vekil model (surrogate model) oluşturduğu siber güvenlik saldırısıdır. Saldırının temel mantığı şöyledir: rakip, hedef modele (kurbanın API'sine) büyük hacimde girdi gönderir, döndürülen tahminleri veya güven puanlarını etiketli veri olarak kaydeder ve bu verilerle kendi modelini eğitir. Yeterli sorgu sayısına ulaşıldığında, ortaya çıkan vekil model orijinaline işlevsel olarak yakın veya eşdeğer hale gelir. Saldırıyı önemli kılan, olağanüstü düşük maliyetidir. 2016'da Tramer ve ark. tarafından yürütülen kurucu çalışmada Microsoft Azure, Amazon ve BigML gibi ticari MLaaS platformlarındaki lojistik regresyon ve karar ağacı modellerinin 1.000 ila 10.000 sorgu gibi küçük bir bütçeyle yüksek doğrulukla kopyalanabildiği gösterildi. Saldırının teknik varyantları üç başlıkta toplanır. Sorgu tabanlı çıkarmada, saldırgan aktif öğrenme veya adversarial girdilerle sorgu başına bilgi kazanımını en üst düzeye çıkarmaya çalışır. Açıklanabilirlik güdümlü çıkarmada, SHAP veya LIME gibi model yorumlama API'leri istismar edilerek modelin içselliği çok daha hızlı sızdırılır. Veri serbest çıkarmada (USENIX Security 2024) ise saldırganın çekirdek veri setine ihtiyaç duymaksızın, yapay olarak üretilen girdilerle saldırı gerçekleştirmesi mümkündür. LLM'lere özgü iki yeni tehdit sınıfı 2023-2024'te ortaya çıktı. "Model Leeching" adıyla bilinen yöntem, büyük dil modellerinin ince ayarlı davranışını query'lerle klonlar. PLeak (2024) ise sistem promptlarını ve uygulamaya özgü kişiselleştirmeleri çalmayı hedefler. Gerçek dünya etkisi son derece somuttur: önce fikri mülkiyet hırsızlığı (on milyonlarca dolarlık eğitim maliyetini yok sayan kopya model), ardından gizlilik ihlali (eğitim verisi üyelik çıkarım saldırılarına zemin hazırlama) ve son olarak güvenlik by-pass (kredi skorlama veya sahtekarlık tespiti gibi korumalı sistemlerin kapısını açma) şeklinde tezahür eder. Savunma cephesinde birkaç yaklaşım öne çıkmaktadır. PRADA gibi anomali tespit sistemleri oturumlardaki şüpheli sorgu örüntülerini tanır; güven skoru pertürbasyonu bilgi teorik sınırlar dahilinde skor kesinliğini azaltır; model filigranı (watermarking) tekniklerinden ModelShield (IEEE TIFS 2025) çalınan kopyalara tespiti mümkün kılan izler yerleştirir. Eğitim sürecinde diferansiyel gizlilik uygulanması da sızdırılabilir bilgiyi matematiksel garantilerle sınırlandırır.
Model Watermarking (Model Filigranı)
Model Filigranı, yapay zeka modellerine veya ürettikleri içeriklere (metin, görüntü, ses) gizli bir işaret yerleştirme tekniğidir. Bu teknik; modelin kimliğini doğrulamak, fikri mülkiyet haklarını korumak ve izinsiz kullanımı tespit etmek amacıyla kullanılır. Tıpkı banknotlardaki basılı filigranlara benzer biçimde, yapay zeka filigranları olağan kullanımda fark edilmeden özel algoritmalarla tespit edilebilecek şekilde tasarlanır. Model filigranlamanın iki ana katmanı vardır. Birincisi, modelin ağırlıklarına ya da eğitim sürecine gömülen model ağırlık filigranıdır; bu yöntemle modelin kopyalandığı veya çalındığı durumlar tespit edilebilir. İkincisi ise modelin ürettiği çıktılara yerleştirilen çıktı filigranıdır; bu sayede hangi içeriğin hangi model tarafından üretildiği izlenebilir. Büyük dil modellerinde (LLM) metin filigranı genellikle token seçim olasılıklarına müdahale edilerek uygulanır. Stanford ve Maryland Üniversitesi araştırmacılarının geliştirdiği 'kırmızı-yeşil liste' yaklaşımında her token için rastgele sınıflandırma yapılır ve model yeşil listedeki tokenleri istatistiksel olarak daha sık seçer; bu eğilim sonraki analizde filigranı ortaya çıkarır. Görüntü modellerinde ise frekans alanına (DCT/DWT dönüşümleri) ya da gizli uzaya (latent space) bilgi gömme yaygındır. Stable Diffusion benzeri modellerde 'Stable Signature' ve 'Tree-Ring Watermark' gibi yöntemler oluşturulmuştur. Regülatuar açıdan model filigranı giderek daha kritik bir hal almaktadır. Avrupa Birliği Yapay Zeka Yasası (AI Act), yüksek riskli yapay zeka sistemleri için içerik kökeninin işaretlenmesini zorunlu kılmaktadır. ABD'nin 2023 Yürütme Kararı da yapay zeka şirketlerini su işareti standartları geliştirmeye yönelik çalışmalar yapmaya teşvik etmektedir. Bu gelişmeler, model filigranını araştırmadan endüstriyel zorunluluğa dönüştürmektedir.
Model Zehirleme (Poisoning) Nedir? Yapay Zeka Güvenlik Saldırısı (Model Zehirleme)
Model zehirleme (model poisoning veya data poisoning), bir saldırganın yapay zeka modelinin eğitim sürecini manipüle ederek modelin davranışını kasıtlı olarak bozmayı hedeflediği bir siber saldırı türüdür. Saldırgan, eğitim verisine kötü niyetli örnekler enjekte eder veya model ağırlıklarını doğrudan değiştirerek hedeflenen hataları yerleştirir. Başlıca saldırı türleri üç kategoride incelenir. Label-flip saldırısında gerçek etiketler yanlış etiketlerle değiştirilir; örneğin zararlı yazılım örneklerine 'temiz' etiketi atanır. Backdoor (arka kapı) saldırısında model, belirli bir tetikleyici deseni (trigger pattern) içeren girdileri her zaman belirli bir çıktıya yönlendirecek biçimde eğitilir; diğer girdilerde normal davranır. Clean-label saldırısında etiketler doğru kalır; ancak örnekler algılanamaz pertürbasyonlarla bozularak modelin karar sınırını kaydırır. Gerçek dünya örnekleri arasında ImageNet gibi büyük veri kümelerinin web'den otomatik toplanması sırasında zehirli veri karışması, federated learning sistemlerinde kötü niyetli istemci güncellemeleri ve dil modellerinde bias enjeksiyonu sayılabilir. Federated learning özellikle savunmasızdır: merkezi koordinatör bireysel istemcilerin gönderdiği gradyanların güvenilirliğini doğrulayamaz. Savunma yöntemleri arasında veri sanitizasyonu (eğitim verisi filtreleme), STRIP ve Activation Clustering gibi backdoor tespit teknikleri, diferansiyel gizlilik (differential privacy) ile eğitim ve Byzantine-robust toplama yöntemleri (Krum, Median toplama) bulunur. Model sertleştirme ve düzenli yeniden eğitim de savunma repertuvarının parçasıdır. NIST AI Risk Management Framework, model poisoning'i kritik AI güvenlik tehditleri arasında sınıflandırmaktadır. Model zehirleme saldırıları tespit etmek son derece güçtür çünkü zehirli model, testlerde normal performans gösterir; tetikleyici olmadan backdoor aktive olmaz. Bu gizlilik, özellikle kritik altyapı (otonom araçlar, tıbbi tanı) ve güvenlik sistemlerinde (kötü amaçlı yazılım tespiti, sahte içerik filtreleme) model bütünlüğünü sağlamayı zorunlu kılar. Tedarik zinciri saldırıları (supply chain attacks) bağlamında, açık kaynak model ağırlıklarının zehirlenmiş hâlde dağıtılması da giderek artan bir risk olarak değerlendirilmektedir. Araştırmacılar model fingerprinting ve watermarking tekniklerini bu tehdide karşı savunma olarak geliştirmektedir; kriptografik kanıt zinciriyle model provenance'ı doğrulayan yaklaşımlar endüstri standardı olmaya aday gösterilmektedir.
Responsible AI Framework Nedir? Sorumlu Yapay Zeka Çerçevesi (Sorumlu Yapay Zeka Çerçevesi)
Responsible AI Framework (Sorumlu YZ Çerçevesi), bir organizasyonun yapay zeka sistemlerini tasarlarken, geliştirirken ve işletirken uyması gereken etik ilkeleri, yönetişim süreçlerini, araçlarını ve hesap verebilirlik mekanizmalarını bir araya getiren kapsamlı bir yaklaşımdır. Bu çerçeve; adalet, şeffaflık, güvenilirlik, gizlilik ve insan gözetimi gibi temel değerleri somut politika ve teknik uygulamalarına dönüştürür. Temel amaç, soyut etik ilkeleri ölçülebilir ve denetlenebilir süreçlere çevirmektir. "Adil ol" ilkesi; algoritmik önyargı testleri, demografik etki değerlendirmeleri ve model kartları aracılığıyla somutlaşır. "Şeffaf ol" ilkesi ise açıklanabilir YZ araçları (SHAP, LIME) ve karar gerekçesi raporları olarak hayata geçer. Bu somutlaştırma olmadan etik ilkeler yalnızca iyi niyet beyanı olarak kalır. Öne çıkan çerçeveler arasında NIST AI RMF (2023) bulunmaktadır; ABD Ulusal Standartlar ve Teknoloji Enstitüsü tarafından yayımlanan bu rehber, Yönet-Haritalandır-Ölç-Yönet döngüsüyle risk tabanlı bir yaklaşım sunar ve sektörden bağımsız olması nedeniyle küresel çapta kabul görmüştür. AB Yapay Zeka Yasası uyum çerçevesi 2026'dan itibaren zorunlu hale gelecek yasal gereklilikleri risk kategorilerine (kabul edilemez, yüksek, sınırlı, minimal) göre tanımlar. Microsoft Responsible AI Standard altı temel ilkeyi ürün geliştirme sürecine entegre ederken, Google AI Principles sekiz prensiple sosyal fayda ve önyargısızlık vurgusunu ön plana alır. Pratikte bir Responsible AI Framework; risk değerlendirme şablonları, model davranış testleri, veri yönetişim politikaları ve olay yanıt prosedürlerinden oluşan çok katmanlı bir yapıdır. Şirketler bu çerçeveleri benimseyerek hem düzenleyici gereklilikleri karşılar hem de kullanıcı güvenini pekiştirir. Araştırmalar, tasarım aşamasında uygulanan etik kontrollerin hata düzeltme maliyetini yüzde altmışa kadar düşürdüğünü ortaya koymaktadır. Algoritmik önyargı, gizlilik ihlalleri ve güvenlik açıkları gibi tehditleri erken tespit etmek için sistematik bir süreç sunması, çerçevelerin en kritik değer önerisidir.
Responsible Scaling (Sorumlu Ölçekleme)
Responsible Scaling (Sorumlu Ölçekleme), yapay zeka laboratuvarlarının geliştirdikleri modeller belirli yetenek eşiklerine ulaştığında önceden belirlenmiş güvenlik koşullarını yerine getirmeyi taahhüt ettiği bir politika çerçevesidir. Temel fikir şudur: bir model henüz geliştirilme aşamasındayken bile ileride ulaşacağı tehlike düzeyleri için somut güvenlik önlemlerini bugünden planlamak gerekir. Anthropik bu yaklaşımı 2023 yılında 'Responsible Scaling Policy (RSP)' adıyla kamuoyuna duyurarak sektörün ilk somut uygulamasını hayata geçirdi. RSP'nin omurgasını 'Yapay Zeka Güvenlik Seviyeleri' (AI Safety Levels — ASL) oluşturur. ASL-1'den başlayan bu ölçek, modelin tehlikelilik düzeyi artıkça sıkılaşan taahhütler öngörür: ASL-2 kapsamında yer alan mevcut en güçlü modeller CBRN (kimyasal, biyolojik, radyolojik, nükleer) tehditlerde uzmanları geçemeyen sistemlerdir; ASL-3 ise bu sınırı aşıp gerçek biyolojik silah geliştirme süreçlerine katkı sağlayabilecek ya da kendi kendini çoğaltabilen sistemleri tanımlar. Politika dört temel taahhüt üzerine inşa edilmiştir. Birincisi, kapsamlı kırmızı takım (red-teaming) değerlendirmeleri ve üçüncü taraf denetimidir. İkincisi, modelin iç işleyişini anlamaya yönelik yorumlanabilirlik (interpretability) araştırmalarıdır. Üçüncüsü, ASL seviyesine göre belirlenen dağıtım kısıtlamaları ve erişim politikalarıdır. Dördüncüsü ise izleme ve şeffaflık mekanizmalarıdır. Responsible Scaling yaklaşımı hızla sektör normuna dönüşmektedir. DeepMind'ın Frontier Safety Framework'ü ve OpenAI'ın Preparedness Framework'ü benzer yapılar sunar. Avrupa Birliği Yapay Zeka Yasası da 'çok yüksek riskli' sistemler için zorunlu güvenlik değerlendirmeleri talep ederek bu alandaki kurumsal baskıyı artırmaktadır.
Right to Explanation (Açıklama Hakkı)
Açıklama Hakkı (Right to Explanation), bireylerin kendilerini etkileyen otomatik karar süreçleri hakkında anlamlı bir gerekçe talep etme hakkını tanıyan bir ilke ve hukuki mekanizmadır. GDPR'ın 22. Maddesi ve 2024'te yürürlüğe giren AB Yapay Zeka Yasası'nın 86. Maddesi, yüksek riskli yapay zeka sistemlerinin kararlarının nasıl alındığını bireylere açıklamasını zorunlu kılar. Bu hak; kredi reddi, işe alım algoritmaları, tıbbi ön triage ve yeniden suç işleme risk puanlaması gibi kritik kararların opak sistemlere bırakılmasına karşı bir güvence işlevi görür. Teknik boyutta açıklanabilir yapay zeka (XAI) yöntemleri — SHAP değerleri, LIME ve dikkat haritaları (attention maps) — bu hakkın yerine getirilmesi için kullanılan başlıca araçlardır. Hukuki yorumlama açısından "anlamlı açıklama" kavramı tartışmalı olmayı sürdürmektedir. Her bireyin kendi özelinde aldığı kararın gerekçesini öğrenme hakkı (bireysel açıklama) ile kullanılan algoritmik sistemin nasıl çalıştığına dair genel bilgilendirme (sistem düzeyi şeffaflık) farklı teknik çözümler gerektirir. GDPR kapsamında 2018'den bu yana mahkeme kararları ve Avrupa Veri Koruma Kurulu kılavuzları bu belirsizliği giderek netleştirmektedir. Türkiye'de KVKK (Kişisel Verilerin Korunması Kanunu) otomatik işlemeye dayalı bireysel kararlara itiraz hakkını tanımaktadır; ancak uygulama pratiği AB'ye kıyasla henüz sınırlıdır. Bankaların kredi karar sistemleri, sigorta fiyatlandırma modelleri ve kamu istihdam değerlendirme araçları bu düzenlemenin en çok etkilediği alanlardır. Algoritmik hesap verebilirlik bağlamında açıklama hakkı, gizlilik koruması ile yapay zeka inovasyonu arasındaki gerilimin düğüm noktalarından birini oluşturmaktadır. Kara kutu modellerin yüksek doğruluk sunarken açıklanabilirliği kısıtlaması, regülatörleri model karmaşıklığı ile hukuki uyum arasında denge aramaya zorlamaktadır. Bu bağlamda öne çıkan teknik-hukuki bir yaklaşım olan "açıklanabilirlik pasaportu" (model card ve system card), modelin tasarım amaçlarını, sınırlılıklarını ve beklenen kullanım koşullarını belgeleyen standartlaşmış dokümanlardır. AB YZ Yasası kapsamında yüksek riskli YZ sağlayıcıları bu tür teknik belgeler hazırlamakla yükümlüdür; bu gelişme açıklama hakkının pratik uygulamasına somut bir çerçeve kazandırmaktadır.
Şeffaflık Raporu Nedir? Yapay Zekada Hesap Verebilirlik (Şeffaflık Raporu)
Şeffaflık raporu (transparency report), yapay zeka sistemleri geliştiren şirketlerin modellerinin yetenekleri, sınırlılıkları, güvenlik değerlendirmeleri ve etik riskleri hakkında kamuoyunu düzenli olarak bilgilendirdiği belgelerdir. Bu raporlar; eğitim verisi kökenleri, adalet metrikleri, hükümet istemleri ve içerik kaldırma kararları gibi bilgileri sistematik biçimde aktarır. Geleneksel teknoloji şirketlerinin hükümet veri talepleri için yayımladığı raporların aksine, AI şeffaflık raporları çok daha geniş bir kapsam taşır. Tipik bir AI şeffaflık raporu şu bileşenleri içerir: model mimarisinin genel tanımı, eğitim kümesinin boyutu ve kaynakları, önyargı ve adalet testlerinin sonuçları, kötüye kullanım önleme mekanizmaları ile kırmızı takım değerlendirmelerinin özeti. Bu belgeler hem teknik topluluk hem de politika yapıcılar için birincil referans kaynağı işlevi görür. Stanford HAI'nin yürüttüğü Foundation Model Transparency Index (FMTI), büyük model sağlayıcılarının şeffaflık düzeyini 100 puan üzerinden ölçer. 2025 raporuna göre sektör ortalaması 2024'teki 58 puandan 40 puana gerilemiştir; Meta'nın Llama modeli önceki yıl 60 puan alırken 2025'te 31 puana düşmüştür. Bu gerilemenin başlıca nedeni, şirketlerin eğitim verisi kaynaklarına ilişkin açıklamalarını giderek kısıtlamasıdır. FMTI, veri şeffaflığı, model erişimi, kullanım politikaları ve güvenlik uygulamaları gibi 23 kategoriyi değerlendirir. Düzenleyici baskı şeffaflık raporlarının içeriğini doğrudan şekillendirmektedir. AB Yapay Zeka Yasası'nın 50. Maddesi, 2026 itibarıyla chatbot ve yapay zeka tarafından üretilmiş içerik sistemleri için zorunlu şeffaflık bildirimleri öngörmektedir. Bu yükümlülük; kullanıcıları bir yapay zeka sistemiyle etkileşime girdiklerinden haberdar etmeyi ve derin sahte (deepfake) içeriklerin işaretlenmesini kapsar. Yüksek riskli AI sistemleri için ise kapsamlı teknik dokümantasyon ve bağımsız denetim zorunluluğu öngörülmektedir. Sektörün önde gelen oyuncuları farklı düzeylerde şeffaflık benimsemektedir. OpenAI'nin GPT-4 Teknik Raporu eğitim yöntemi ve güvenlik değerlendirmelerini tartışırken, Anthropic'in Claude Model Kartı güvenlik sınırlarını ve değer hizalamasını detaylandırmaktadır. Google Gemini Teknik Raporu çoklu dil ve modal değerlendirme sonuçlarını kapsar. Şeffaflık raporları yalnızca bir hesap verebilirlik aracı değil, kamuoyu güveni ve düzenleyici uyum için kritik bir mekanizmadır.
Surveillance Capitalism (Gözetim Kapitalizmi)
Gözetim Kapitalizmi (İngilizce: Surveillance Capitalism), kişisel verilerin sistematik olarak toplanıp analiz edildiği ve bu verilerden elde edilen tahmin ürünlerinin reklam verenlere ve diğer üçüncü taraflara satıldığı yeni bir ekonomik sistem modelidir. Terimi akademik söyleme kazandıran, Harvard Business School öğretim üyesi Prof. Shoshana Zuboff'un 2019 yılında yayımlanan "The Age of Surveillance Capitalism" adlı çığır açan kitabıdır. Bu ekonomik modelde Google, Facebook/Meta ve Amazon gibi teknoloji devleri, kullanıcıların birincil hizmet deneyimi için ihtiyaç duydukları verinin çok ötesine geçerek "davranışsal artı değer" (behavioral surplus) adı verilen ekstra veriyi toplar. Bu artı değer; arama geçmişleri, konum verileri, sosyal bağlantılar, satın alma alışkanlıkları, içerik üzerinde geçirilen süre ve hatta duygusal tepkiler gibi insan davranışlarının her boyutunu kapsar. Toplanan bu veriler, makine öğrenimi ve yapay zeka algoritmaları aracılığıyla "tahmin ürünleri"ne dönüştürülür. Bu tahmin ürünleri, kullanıcıların gelecekteki davranışlarını büyük bir doğrulukla öngörmeyi ve zaman zaman bu davranışları yönlendirmeyi mümkün kılar. Reklamverenler, sigorta şirketleri, içerik platformları ve hatta seçim kampanyaları bu tahminleri satın alarak hedeflerine ulaşmaya çalışır. Gözetim kapitalizminin toplumsal sonuçları arasında siyasi kutuplaşmanın derinleşmesi, yanlış bilginin algoritmik olarak yayılması, psikolojik manipülasyon ve demokratik süreçlere müdahale yer alır. Avrupa Birliği'nin GDPR ve Türkiye'nin KVKK düzenlemeleri, gözetim kapitalizmine getirilen yasal kısıtlamaların en belirgin örnekleridir. Yapay zeka etiği çerçevesinde bu kavramı anlamak; dijital gizlilik hakları, veri egemenliği ve bireylerin dijital özerkliği tartışmalarında temel bir referans noktası oluşturur.
Veri Etiği Nedir? Yapay Zeka ve Büyük Veri'de Etik İlkeler (Veri Etiği)
Veri etiği, dijital veri toplama, depolama, işleme ve paylaşma süreçlerinde etik ilkelerin uygulanmasını inceleyen disiplinlerarası bir alandır. Yapay zeka sistemlerinin ve büyük veri analizinin hızla yaygınlaşmasıyla birlikte, veri etiği; bireysel gizlilik hakları, veri sahipliği, algoritmik adalet ve şeffaflık gibi temel soruları ele almaktadır. Temel ilkeler arasında rıza (informed consent), veri minimizasyonu, amaç sınırlaması ve hesap verebilirlik yer alır. Avrupa Birliği'nin GDPR düzenlemesi ve AB Yapay Zeka Yasası (EU AI Act) gibi mevzuatlar, veri etiği ilkelerini yasal çerçeveye oturtmaktadır. Veri etiği ihlalleri ciddi toplumsal sonuçlar doğurabilir: algoritmik önyargı işe alım süreçlerinde ayrımcılığa yol açabilir, yüz tanıma sistemleri masum bireyleri yanlış tanımlayabilir, tavsiye algoritmaları ise filter bubble oluşturarak dezenformasyona zemin hazırlayabilir. Cambridge Analytica skandalı, veri etiği ihlallerinin demokrasi üzerindeki yıkıcı etkisini gözler önüne sermiştir. Uygulamada veri etiği; Privacy by Design yaklaşımı, etik yapay zeka komiteleri, veri etki değerlendirmeleri (DPIA) ve açıklanabilir yapay zeka (XAI) teknikleriyle hayata geçirilmektedir. Bireyler için Kişisel Veri Koruma Kanunu (KVKK) kapsamında veriye erişim, düzeltme ve silinme hakları güvence altındadır. Kuruluşlar için etik veri kullanımı artık yalnızca yasal uyumluluk sorunu değil, rekabet avantajı ve kurumsal itibar açısından da kritik bir unsura dönüşmüştür. Bilgisayar etiği, sosyoloji ve hukuku bir araya getiren veri etiği, günümüz dijital ekonomisinde teknik ile sosyal boyutları birleştiren vazgeçilmez bir disiplin hâline gelmiştir.
Veri Güvenliği (AI Bağlamında)
Veri güvenliği, yapay zeka sistemlerinin eğitim, çıkarım ve dağıtım süreçlerinde kullanılan verilerin yetkisiz erişim, sızıntı, bozulma veya kötüye kullanıma karşı korunmasına yönelik teknik ve organizasyonel önlemlerin bütünüdür. Geleneksel siber güvenlik kapsamından farklı olarak AI veri güvenliği, modele özgü saldırı yüzeyleri, eğitim verisi zehirleme ve model çıkarım saldırıları gibi ek tehdit vektörlerini de kapsamaktadır. AI sistemlerinde veri güvenliği üç temel katmanda incelenir. Birinci katman veri toplama ve depolamadır: hassas kişisel veriler, ticari sırlar veya kritik altyapı bilgileri içeren eğitim veri setleri şifreleme, erişim kontrolleri ve anonimleştirme teknikleriyle korunmalıdır. GDPR, KVKK ve CCPA gibi veri koruma düzenlemeleri bu katmanda uygulanır. İkinci katman model eğitimi sürecidir: eğitim verisi zehirleme (data poisoning) saldırılarında kötü niyetli aktörler eğitim setine zararlı örnekler ekleyerek modelin davranışını manipüle edebilir. Federe öğrenme (federated learning), diferansiyel gizlilik (differential privacy) ve güvenli çok taraflı hesaplama (secure multi-party computation) bu tehdide karşı geliştirilmiş teknik çözümlerdir. Üçüncü katman model çıkarımıdır: üye çıkarım saldırıları (membership inference attacks), bir veri noktasının eğitim setinde yer alıp almadığını tahmin etmeye çalışırken model kopyalama (model extraction) saldırıları modelin ağırlıklarını reverse-engineer etmeyi hedefler. Özellikle tıbbi ve finansal veri içeren modellerde bu saldırılar ciddi gizlilik ihlallerine yol açabilir. Homomorfik şifreleme (homomorphic encryption), verilerin şifreli halde işlenmesine olanak tanıyan ileri düzey bir tekniktir; bu sayede model sağlayıcı ham veriyi hiçbir zaman görmez. Federe öğrenme ise ham verinin merkezi bir sunucuya gönderilmesini engelleyerek yerel cihazlarda model güncelleme hesaplamalarının yapılmasına izin verir. AB Yapay Zeka Yasası (EU AI Act), yüksek riskli AI sistemleri için sıkı veri yönetişimi gereklilikleri öngörmektedir. Bu düzenleme, 2026 itibarıyla eğitim verisi kalitesi, belgeleme ve denetim izlerine yönelik zorunluluklar getirmektedir.