Data Minimization (Veri Minimizasyonu)

#gizlilik #gdpr #kvkk #privacy-by-design

Bir sistem veya uygulamanın belirtilen amacı gerçekleştirmek için yalnızca zorunlu olan minimum kişisel veriyi toplaması, işlemesi ve saklaması ilkesi.

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.

GDPR ve KVKK Yasal Çerçevesi

GDPR Madde 5(1)(c): kişisel veriler 'amaca uygun, alakalı ve gerekli olanla sınırlı' olmalı — bu veri minimizasyonunun yasal temelidir. KVKK Madde 4'teki ölçülülük ilkesi aynı yükümlülüğü Türk hukuku için getirir. GDPR'da ihlal cezası: küresel yıllık cironun %4'üne veya 20 milyon Euro'ya kadar. Amaç sınırlama (purpose limitation) ile bütünleşik çalışır: veriler yalnızca toplandığı amaç için kullanılabilir; model eğitiminde farklı amaçla yeniden işlenemez.

Yapay Zeka Sistemlerinde Uygulama

Özellik seçimi: model için gereksiz sütunları eğitim setinden çıkar — fazla özellik hem gizlilik riski hem de model karmaşıklığı demektir. Saklama süresi: gereklilik ortadan kalkınca veriyi sil (otomatik TTL politikaları). Anonimleştirme: doğrudan tanımlayıcıları (ad, TC, IP) kaldır veya hash'le. Diferansiyel gizlilik: istatistik paylaşırken bireysel kayıt ortaya çıkmaz. Federe öğrenme: ham veriyi merkeze göndermeden yerel cihazda eğit — en güçlü minimizasyon yaklaşımı.

Amaç Kayması (Purpose Creep) Riski

Veri bir amaç için toplanır ama zamanla farklı amaçlar için kullanılmaya başlanır — buna amaç kayması denir. Örnek: müşteri hizmetleri için toplanan konuşma kayıtları daha sonra davranış profili çıkarmak için kullanılırsa bu GDPR ihlalidir. YZ projelerinde amaç kayması özellikle yaygındır: 'ileride model eğitiminde kullanalım' gerekçesiyle toplanan veriler anonimleştirmeden farklı takımlara aktarılabilir. Çözüm: veri sözleşmelerini (data contracts) mümkün olan en kısıtlayıcı biçimde tanımla.

Privacy by Design ile Entegrasyon

Veri minimizasyonu Privacy by Design'ın 7 ilkesinden biridir (Ann Cavoukian, 2009). Sistem tasarımının en başında veri akışlarını haritalandır: hangi veri toplanıyor, nerede saklanıyor, kim erişiyor, ne zaman siliniyor? Bu analiz 'varsayılan olarak gizlilik' (privacy by default) ilkesini uygulamayı kolaylaştırır. Teknik araçlar: data lineage araçları (Apache Atlas), politika tabanlı erişim kontrolü (PBAC), otomatik veri yaşam döngüsü yönetimi.

Veri Minimizasyonu Uygulama Desenleri

Privacy by Design

Veri minimizasyonunu ürün tasarım aşamasına gömer; hangi verinin toplandığına karar verme görevi analistlere değil mimariye aittir.

Özellik Seçimi

ML modellerinde gereksiz özellikleri eğitimden kaldırmak; hem mahremiyet hem genelleme performansını iyileştiren çift faydalı yaklaşım.

Zamanlı Silme Politikaları

Kullanım amacı sona eren veriyi otomatik silme; GDPR saklama süresi kısıtlamalarına ve KVKK'ya uyum için zorunlu.

Federated Aggregation

Bireysel kaydı merkezi sunucuya göndermek yerine toplu istatistikleri iletmek; doğal minimizasyon mekanizması.

Sık Sorulan Sorular

  • check_circle Veri minimizasyonu ile veri silme (data deletion) arasındaki fark nedir? Minimizasyon baştan az toplamayı ifade eder — toplama aşamasında uygulanan bir ilkedir. Silme ise saklama süresinin dolması veya kullanıcı talebiyle sonradan gerçekleştirilen bir eylemdir. İkisi tamamlayıcıdır: minimizasyon silinecek verinin hacmini azaltır.
  • check_circle GDPR'da veri minimizasyonu ihlalinin cezası nedir? GDPR Madde 83(5) kapsamında en ağır ceza kategorisindedir: küresel yıllık cironun %4'ü veya 20 milyon Euro (hangisi büyükse). Meta 2023'te bu kategoriden 1,2 milyar Euro ceza aldı.
  • check_circle Makine öğrenimi için minimum veri nasıl belirlenir? Ablation study (özellik kaldırma deneyi) ve özellik önem skorları (SHAP, permutation importance) hangi sütunların model performansına katkısız olduğunu gösterir. Bu sütunlar eğitim setine hiç eklenmezse hem mahremiyet hem verimlilik kazanılır.
  • check_circle Türkiye'de veri minimizasyonu için KVKK ne diyor? KVKK Madde 4(2)(ç) 'işlendikleri amaçla bağlantılı, sınırlı ve ölçülü olma' ilkesini zorunlu tutar. Kişisel Verileri Koruma Kurulu bu ilkeyi ihlal eden işleyicilere idari para cezası uygulayabilir.
  • check_circle Diferansiyel gizlilik veri minimizasyonunun yerini alır mı? Hayır, tamamlar. Diferansiyel gizlilik toplanan verinin paylaşılmasını güvence altına alır; minimizasyon ise başta ne toplanacağını sınırlar. En iyi yaklaşım her ikisini birlikte kullanmaktır.
  • check_circle Veri minimizasyonu YZ model kalitesini düşürür mü? Gereksiz veya gürültülü özellikler çıkarıldığında model genellikle daha iyi genelleşir (curse of dimensionality azalır). Gerçekten önemli özellikler korunduğunda performans kaybı genellikle marjinaldir. Yüksek boyutlu gereksiz verinin azaltılması aynı zamanda eğitim maliyetini de düşürür.