Gizli Şirket Verileri Yapay Zeka Araçlarında Nasıl Korunur?

Yapay zeka araçlarında şirket verilerini korumak; API entegrasyonu, opt-out ayarları, veri maskeleme ve ISO 27001 ile GDPR uyumlu yerel LLM modellerinin kurulumuyla sağlanır.

Kurumsal organizasyonların operasyonel verimlilik adına büyük dil modellerini (LLM) iş süreçlerine entegre etmesi, geleneksel siber güvenlik sınırlarının yeniden tanımlanmasını zorunlu kılar. Şirket içi kaynak kodların, finansal tabloların, stratejik ürün yol haritalarının veya çalışan ve müşteri kişisel verilerinin kamusal arayüzlere kontrolsüzce aktarılması; telafisi mümkün olmayan fikri mülkiyet kayıplarına ve ağır yasal yaptırımlara yol açabilir. Bu rehberde, "Gizli Şirket Verileri Yapay Zeka Araçlarında Nasıl Korunur?" sorusunun yanıtı; hem teknik mimari (API politikaları, yerel model dağıtımı, tersine çevrilebilir veri maskeleme) hem de organizasyonel yönetişim (AI Governance, sıfır veri saklama sözleşmeleri) boyutlarıyla incelenmektedir.

Üretken Yapay Zeka Kullanımında Veri Güvenliği ve Gizlilik Riskleri

Kurumsal organizasyonların üretken yapay zeka servislerini benimseme hızı, bilgi güvenliği ekiplerinin tehdit modelleme kapasitesini sıklıkla geride bırakır. Çalışanların karmaşık iş problemlerini hızla çözmek amacıyla metin tabanlı botlara şirket içi verileri kopyalayıp yapıştırması, klasik çevre güvenliği mimarilerinin (firewall, geleneksel DLP) yetersiz kaldığı yeni bir sızıntı vektörü doğurur. OWASP Top 10 for LLM kılavuzunda ilk sıralarda yer alan "Hassas Bilgi İfşası" (LLM06) ve "Prompt Injection" (LLM01) açıkları, sistemlerin yalnızca dış saldırılara değil, şirket içinden dışarıya doğru gerçekleşen istem dışı veri transferlerine de ne denli açık olduğunu gösterir.

Kurumsal karar vericilerin yapay zekayı iş süreçlerine dahil ederken karşılaştıkları risk profili; modelin eğitim veri tabanına dahil edilme potansiyeli, telif ve patent haklarının kaybı ile uluslararası veri koruma mevzuatlarının ihlali olmak üzere üç temel eksende yoğunlaşır. Bu tehditler yalnızca soyut bilişim endişeleri değildir; doğrudan finansal kayıp, itibar kaybı ve düzenleyici kurum cezalarıyla sonuçlanan somut hukuki risklerdir.

Kamusal Model Eğitimi ve Veri Sızıntısı Tehlikesi

Tüketici kullanımına yönelik ücretsiz veya temel abonelik düzeyindeki yapay zeka servisleri (örneğin ChatGPT Free/Plus, Claude Free vb.), kullanıcı sözleşmelerinde aksi belirtilmedikçe girdileri (prompt) ve çıktıları sistemin pekiştirmeli öğrenme (RLHF) döngülerinde model eğitimi için kullanabilir. Bir yazılım mühendisinin optimize ettirmek istediği tescilli bir algoritma parçası veya bir finans analistinin özetlettiği birleşme-devralma (M&A) sözleşmesi, modelin ağırlık (weights) parametrelerine işlenebilir.

Bu durum, modelin ilerleyen süreçte üçüncü bir şahsa yanıt üretirken bu bilgileri kısmen veya tamamen sızdırmasına zemin hazırlar. Eğitim sürecine dahil edilen kurumsal veriler, modelin parametrik belleğine yerleştiği için geleneksel veritabanlarında olduğu gibi DELETE sorgusuyla silinemez. Parametrelerden verinin silinmesi ancak modelin sıfırdan yeniden eğitilmesi ("machine unlearning") ile teorik olarak mümkün olsa da, yüz milyonlarca dolarlık eğitim maliyetleri nedeniyle tedarikçiler tarafından bu işlem pratik olarak uygulanamaz.

Fikri Mülkiyet İhlalleri, KVKK ve GDPR Uyumsuzluğu

Hassas şirket verilerinin üçüncü taraf LLM sağlayıcılarının bulut altyapılarına aktarılması, veri işleyen-veri sorumlusu ilişkilerini doğrudan etkiler. Avrupa Genel Veri Koruma Tüzüğü (GDPR) Madde 44 ve Türk Kişisel Verilerin Korunması Kanunu (KVKK) Madde 9 kapsamında, verinin yurt dışındaki sunuculara aktarımı katı izin mekanizmalarına ve standart sözleşme maddelerine (SCC) tabidir. Bir insan kaynakları uzmanının çalışan performans değerlendirmelerini veya sağlık raporlarını onaylanmamış bir AI aracına yüklemesi, doğrudan mevzuat ihlali teşkil eder.

Fikri mülkiyet (IP) tarafında ise, tescil edilmemiş bir patent formülünün veya ticari sır niteliğindeki iş modelinin halka açık bir model sağlayıcısına iletilmesi, söz konusu bilginin "gizlilik" vasfını yitirmesine neden olabilir. Amerikan ve Avrupa patent ofisleri, gizlilik sözleşmesi (NDA) kapsamı dışında üçüncü taraflara ifşa edilmiş yeniliklerin patentlenebilirlik kriterlerini (yenilik unsuru) kaybettiğini kabul etmektedir. Dolayısıyla, plansız AI kullanımı şirketlerin en değerli fikri varlıklarını yasal koruma kalkanından mahrum bırakabilir.

Halüsinasyon Riski ve İnsan Denetimi (Human-in-the-Loop) İhtiyacı

Modellerin ürettiği metinler dilbilgisi açısından kusursuz görünse de, semantik doğruluk açısından temelsiz olabilir. Olasılıksal veri dağılımına göre kelime dizisi üreten LLM sistemleri, şirket içi finansal raporlama, yasal uyum analizi veya teknik tasarım dokümantasyonunda tamamen kurgusal veriler ("halüsinasyon") üretebilir.

Güvenlik mimarisinin bir parçası olarak insan denetimi (human-in-the-loop - HITL) süreçlerinin kurgulanmaması durumunda, yapay zekanın yanlış yorumladığı bir mevzuat hükmü veya hatalı hesapladığı bir bilanço metriği şirket çapında operasyonel krizlere yol açabilir. Çıktıların doğrulanmadan operasyonel sistemlere doğrudan beslenmesi, veri bütünlüğünü bozan dolaylı bir güvenlik zafiyetidir.

Şirket Verilerini Korumanın 5 Temel Mühendislik ve Operasyon Yolu

Şirket verilerinin güvenliğini sağlamak, çalışanlara yapay zeka kullanmayı yasaklamak gibi sürdürülemez idari tedbirlerle hữuze kavuşturulamaz. Pratik çözüm; verinin türüne, işlenme yerine ve model ile etkileşim biçimine göre çok katmanlı mühendislik bariyerleri inşa etmektir. Hem bulut tabanlı tescilli modellerin hem de yerel açık kaynaklı çözümlerin güvenli bir formatta entegrasyonu, şirketlerin üretkenlik kazanımlarını korurken riskleri minimize etmesini sağlar.

Aşağıdaki beş yöntem, küresel güvenlik standartlarına (ISO/IEC 27001, SOC 2 Type II) uyum sağlarken kurumların veri gizliliğini korumada en yüksek başarı oranını yakaladığı temel stratejileri temsil eder.

1. Kurumsal API Entegrasyonu ve Sıfır Veri Saklama (Zero Data Retention)

Doğrudan web arayüzleri yerine programatik API'ler üzerinden çalışmak, veri korumanın ilk teknik adımıdır. OpenAI, Anthropic, Google Cloud ve Microsoft Azure gibi kurumsal sağlayıcılar, API üzerinden iletilen verileri modellerini eğitmek için kullanmama taahhüdü verir. Ancak varsayılan API kullanımında bile sağlayıcılar, kötüye kullanım denetimi (abuse monitoring) amacıyla verileri 30 gün boyunca kendi sunucularında önbelleğe alabilir.

Yüksek regülasyona tabi sektörler için çözüm, "Zero Data Retention" (ZDR) anlaşmaları yapmaktır. ZDR protokolü devreye girdiğinde:

• Sağlayıcı, prompt ve yanıt verilerini oturum tamamlandığı anda bellekten siler.

• Disk düzeyinde hiçbir log tutulmaz.

• Veriler iletim anında (TLS 1.3) ve işleme esnasında donanımsal güvenlik modülleri (HSM) üzerinde şifrelenir.

2. Tüketici Arayüzlerinde Opt-Out Yapılandırmaları

Eğer kurumsal ekipler ticari nedenlerle standart web arayüzlerini (SaaS portalları) kullanmak zorundaysa, merkezi sistem yöneticileri ve kullanıcılar tarafından veri paylaşım izinleri kapatılmalıdır. Sağlayıcıların "Model Geliştirme İzni" veya "Veri Eğitimi" başlıkları altında sunduğu ayarların varsayılan olarak açık geldiği unutulmamalıdır.

Kurumsal kimlik sağlayıcıları (IdP) üzerinden uygulanan SSO (Single Sign-On) politikalarıyla, çalışanların kişisel e-posta adresleriyle harici AI araçlarına kaydolması engellenmeli; merkezi olarak denetlenen ve opt-out yapılandırmaları zorunlu kılınmış kurumsal çalışma alanları (Workspaces) tahsis edilmelidir.

3. Otomatik Veri Maskeleme ve Hassas Bilgi (PII) Temizliği

Model sağlayıcısına olan güven seviyesinden bağımsız olarak, hassas şirket verilerinin dışarıya hiç çıkmaması "Sıfır Güven" (Zero Trust) mimarisinin bir gereğidir. Veri maskeleme (Data Masking), metin içerisindeki isim, T.C. kimlik numarası, kredi kartı bilgisi, sunucu IP adresi ve API anahtarı gibi varlıkların yapay zekaya gönderilmeden önce anlamsız yer tutucularla değiştirilmesi sürecidir.

Bu mimaride çalışan bir AI Proxy (Yapay Zeka Ağ Geçidi), geliştiricinin gönderdiği prompt'u inceler, kullanici_id: 48291 bilgisini kullanici_id: [MASKED_TOKEN_1] haline getirir. Yanıt modelden geri döndüğünde, yerel proxy katmanı tersine eşleme tablosunu kullanarak token'ı orijinal haline çevirir. Böylece buluttaki LLM, hassas veriyi görmeden mantıksal çıkarımı tamamlamış olur.

4. ISO 27001 ve SOC 2 Tip II Sertifikalı Kurumsal Abonelikler

Tüketici odaklı planlardan "Enterprise" aboneliklerine geçiş, yalnızca yüksek token kotaları değil, hukuken bağlayıcı Veri İşleme Sözleşmeleri (DPA - Data Processing Agreement) sağlar. Bir AI platformu seçerken bağımsız denetim raporlarının mevcudiyeti sorgulanmalıdır.

ISO/IEC 27001, bilgi güvenliği yönetim sisteminin metodolojik olarak işletildiğini belgelerken; SOC 2 Tip II raporu, sağlayıcının güvenlik, kullanılabilirlik ve gizlilik prensiplerini en az 6-12 aylık bir denetim dönemi boyunca operasyonel olarak aksatmadığını kanıtlar. Bu sertifikasyonlara sahip olmayan AI araçlarının şirket içi hassas operasyonlarda kullanımı bilgi güvenliği politikalarınca derhal sınırlandırılmalıdır.

5. Yerel (On-Premise) ve Açık Kaynaklı LLM Dağıtımı

Veri sızıntısı riskini matematiksel olarak sıfıra indirmenin kesin yolu, modelin şirket kontrolündeki veri merkezlerinde veya özel bulut (VPC - Virtual Private Cloud) ortamlarında barındırılmasıdır. Meta'nın Llama mimarisi veya Mistral modelleri gibi gelişmiş açık kaynaklı yapay zeka sistemleri, harici internet çıkışına ihtiyaç duymadan yerel donanımlar üzerinde çalıştırılabilir.

Bu senaryoda veriler şirket yerel ağının (LAN) dışına asla çıkmaz. Finans, savunma sanayii ve sağlık gibi regülasyon baskısının uç noktada olduğu alanlarda, kurum içi yerel LLM dağıtımları dışa bağımlılığı ve sızıntı ihtimalini tamamen ortadan kaldırır.

RAG (Retrieval-Augmented Generation) Mimarisinde Kurumsal Veri Güvenliği

Şirketler genel amaçlı yapay zeka modellerini doğrudan kullanmak yerine, modelleri kendi dahili bilgi tabanlarıyla birleştiren RAG (Retrieval-Augmented Generation) mimarisini yaygın biçimde tercih etmektedir. RAG sistemlerinde model, kullanıcının sorusunu yanıtlamak için şirketin PDF'lerini, Notion sayfalarını, Jira kayıtlarını ve SQL veritabanlarını anlık olarak semantik aramaya tabi tutar ve bulduğu içeriği modele "bağlam" (context) olarak iletir. Ancak bu mimari, geleneksel veritabanı güvenliğinden farklılaşan yeni tehdit yüzeyleri barındırır.

RAG yapısında verinin korunması; vektör veritabanının fiziksel izolasyonundan, modelin kullanıcının yetkisi dışındaki bir şirket sırrına ulaşıp ulaşamayacağına kadar geniş bir yetkilendirme mimarisi gerektirir. Modelin arkasındaki arama katmanı, şirket içi hiyerarşik yetki sınırlarını tanımak zorundadır.

Vektör Veritabanlarında Rol Tabanlı Erişim Denetimi (RBAC)

Geleneksel kurumsal dosya sistemlerinde bir stajyer, insan kaynaklarının maaş dosyalarına veya yönetim kurulunun stratejik kararlarına erişemez. Ancak dokümanlar tek bir merkezi vektör veritabanına (Pinecone, Weaviate, Milvus, Qdrant) topluca gömüldüğünde (embedding), geleneksel erişim denetim listeleri (ACL) devre dışı kalabilir.

Güvenli bir RAG kurgusunda RBAC (Role-Based Access Control) mimarisi embedding aşamasında kurgulanmalıdır:

• Her vektör parçacığı (chunk), kaynak dokümanın erişim izinlerini metadata olarak taşımalıdır (allowed_roles: ["finance_admin", "c_level"]).

• Semantik benzerlik araması (similarity search) yürütülürken, sorguyu yapan kullanıcının kimlik jetonu (JWT) kontrol edilmeli ve arama filtresine kullanıcının yetki düzeyi dinamik olarak eklenmelidir.

• Bu filtre uygulanmadığı takdirde, düşük yetkili bir çalışan akıllıca kurgulanmış bir prompt ile "Şirketin geçen ayki net kâr dağılımı nasıldı?" sorusunu sorarak yetkisi olmayan belgeden derlenen yanıtı elde edebilir.

Semantik Arama ve Konsept Düzeyinde Veri Sızıntısını Önleme

Geleneksel güvenlik duvarları anahtar kelime eşleşmesiyle çalışırken, RAG sistemleri anlam düzeyinde (semantik) arama yapar. Bu durum, doğrudan yasaklı bir kelime içermeyen ancak anlamca gizli bir projeyi çağrıştıran soruların hassas dokümanları getirmesine neden olabilir.

Örneğin, "Proje Titan" adı engellenmiş olsa bile, kullanıcının "Gelecek çeyrekte piyasaya sürülecek yeni nesil pil teknolojisi çalışmaları ne aşamada?" sorusu, ilgili gizli dökümanın embedding uzayındaki vektörüne yaklaşabilir. Semantik sızıntıları önlemek amacıyla; arama sonuçları modele verilmeden önce bir yeniden derecelendirme (re-ranking) ve semantik filtreleme motorundan geçirilmeli, çıkarılan metin bloklarının gizlilik sınıflandırma etiketleri dinamik olarak doğrulanmalıdır.

Model Çıktılarında PII ve Ticari Sır Filtreleme Katmanları

RAG döngüsünün son aşaması, modelin çekilen bağlamı kullanarak kullanıcıya ürettiği yanıttır. Model yetkili bir belgeden veri almış olsa bile, yanıtın son kullanıcıya sunulmadan önce bir "Output Guardrail" (Çıktı Güvenlik Rayı) katmanından geçmesi gerekir.

NVIDIA NeMo Guardrails veya açık kaynaklı guardrail kütüphaneleri kullanılarak kurgulanan bu katman; üretilen metinde müşteri kredi kartı, şifre, gizli anahtar (private key) veya patent formülü tespit ettiği anda çıktıyı bloklar veya sansürler. Böylece sistemin halüsinasyon yoluyla ya da dolaylı manipülasyonla (indirect prompt injection) içerideki sırları dışarıya dökmesi son aşamada engellenmiş olur.

Hassas Veri Maskeleme ve DLP (Veri Sızıntısı Önleme) Entegrasyonları

Şirket verilerinin korunmasında en zayıf halka genellikle son kullanıcı davranışı olduğundan, koruma stratejisinin çalışanların inisiyatifine bırakılması kabul edilemez bir operasyonel risktir. Veri Sızıntısı Önleme (DLP - Data Loss Prevention) sistemlerinin üretken yapay zeka araçlarına özel olarak optimize edilmesi, giden ve gelen trafiğin milisaniyeler seviyesinde taranarak filtrelenmesini zorunlu kılar.

Modern veri güvenliği mimarilerinde bu operasyon, çalışanların istemcileri (bilgisayarları) ile yapay zeka sağlayıcıları arasına yerleştirilen akıllı bir ara yazılım (AI Proxy / Gateway) vasıtasıyla yürütülür. Bu ara katman, geleneksel ağ filtrelerinin aksine, doğal dilin anlamsal bağlamını çözebilen regex ve makine öğrenmesi modelleriyle donatılmıştır.

Deterministik ve Tersine Çevrilebilir Tokenizasyon Yöntemleri

Basit bir maskeleme işlemi ("Ahmet Yılmaz" yerine [İSİM] yazılması), yapay zeka modelinin cümle içindeki özne-nesne ilişkisini kurmasını zorlaştırabilir ve çıktı kalitesini düşürebilir. Bunun yerine deterministik ve tersine çevrilebilir tokenizasyon (format-preserving tokenization) kullanılmalıdır.

Bu teknikte:

1. "Müşterimiz Ahmet Yılmaz, 5421-XXXX nolu kartı ile 15.000 TL harcama yaptı." metni proxy'ye ulaşır.

2. Proxy, varlık tanıma (NER) katmanıyla kişiyi [MUSTERI_ALPHA], kartı [KART_TOKEN_9] olarak kodlar.

3. LLM'e şu metin iletilir: "[MUSTERI_ALPHA], [KART_TOKEN_9] ile 15.000 TL harcama yaptı. Durumu özetle."

4. Model şu çıktıyı döner: "[MUSTERI_ALPHA] isimli kullanıcının işlemi başarıyla tamamlanmış görünüyor."

5. Proxy, yerel oturum belleğinde tutulan güvenli anahtar tablosunu kullanarak yanıtı kullanıcıya dönüştürür: "Ahmet Yılmaz isimli kullanıcının işlemi başarıyla tamamlanmış görünüyor."

Bu süreç sonucunda model, analiz yeteneğini tam kapasite sergilerken Ahmet Yılmaz'ın kimlik ve finansal bilgisine hiçbir aşamada erişememiş olur.

Ağ Ağ Geçidi (AI Gateway) ile Çift Yönlü Prompt ve Yanıt Denetimi

Yalnızca kullanıcıdan giden prompt'ların değil, modelden dönen yanıtların da denetlenmesi gerekir. Bir AI Gateway; Cloudflare AI Gateway, Kong AI Gateway veya kurum içi geliştirilmiş özel bir NGINX/Envoy modülü üzerinde çalışabilir.

Ağ geçidinin icra ettiği temel denetim görevleri şunlardır:

• Hız Sınırlaması (Rate Limiting) ve Token Kotası: Şirket verilerinin toplu olarak dışarıya çekilmesini (data exfiltration) önlemek amacıyla anormal sıklıktaki prompt isteklerini sınırlar.

• Gizli Anahtar Taraması: Prompt içine yanlışlıkla yapıştırılan AWS secret key, GitHub token, SSH private key gibi unsurları Shannon entropi algoritmalarıyla anında tespit edip isteği düşürür.

• Zararlı Kod Enjeksiyonu Filtresi: Prompt'un içine gizlenmiş sistem komutlarını ve jailbreak girişimlerini model öncesinde etkisiz hale getirir.

Açık Kaynaklı Araçlarla (Microsoft Presidio vb.) Anonimleştirme

Milyonlarca dolarlık kurumsal lisanslar almadan da güçlü bir veri maskeleme boru hattı inşa etmek mümkündür. Microsoft tarafından açık kaynak olarak geliştirilen Presidio platformu, bu alandaki endüstri standardı araçlardan biridir.

Presidio Analyzer, metin akışındaki hassas kişisel verileri (PII) birden fazla dilde tespit etmek için spaCy NLP modellerini, düzenli ifadeleri (Regex) ve kural tabanlı doğrulayıcıları bir arada kullanır. Ardından Presidio Anonymizer modülü, tespit edilen varlıkları kurumsal güvenlik politikasına uygun olarak sansürler, hash'ler veya kriptografik olarak token'laştırır. Şirket içi ağda bir Docker konteyneri olarak çalışan bu yapı, AI sağlayıcılarına giden her baytın temizlenmesini garantiler.

Yerel ve Açık Kaynaklı LLM Kurulumu: On-Premise Güvenlik Mimarisi

Hiçbir bulut sağlayıcısının gizlilik sözleşmesine güvenemeyecek düzeyde kritik verilere (askeri teknolojiler, bankacılık çekirdek yazılımları, tescilli ilaç formülleri) sahip kurumlar için nihai çözüm; model ağırlıklarının kurumun kendi mülkiyetindeki donanımlara indirilmesi ve çalıştırılmasıdır. 2024 ve sonrası dönemde açık kaynak ekosisteminin (Open Weights) ulaştığı olgunluk düzeyi, yerel modellerin belirli görevlerde kapalı ticari modellere yakın performans sergilemesini mümkün kılmaktadır.

Yerel bir LLM mimarisinin kurulması, veri sızıntısı ihtimalini sıfırlarken altyapı maliyeti, donanım tedariki ve operasyonel bakım sorumluluğunu tamamen şirketin BT ve MLOps ekiplerinin üzerine yükler. Bu denge, doğru donanım boyutlandırması ve sıkı ağ izolasyonu ile yönetilmelidir.

Llama ve Mistral Mimarilerinin Donanım ve Altyapı İhtiyaçları

Bir modelin yerel ortamda verimli şekilde çıkarım (inference) yapabilmesi için grafik işlem birimlerinin (GPU) VRAM kapasitesi birincil belirleyicidir. Ağırlıkların belleğe yüklenmesi ve context penceresinin işlenmesi doğrudan yüksek hızlı bellek gerektirir:

• 7B - 8B Parametreli Modeller (Örn: Llama 3.1 8B, Mistral 7B): 4-bit quantization (AWQ veya GGUF) teknikleriyle 8-12 GB VRAM sınırına çekilebilir. Tek bir iş istasyonu GPU'su (NVIDIA RTX 4090) veya veri merkezi tipi tek bir L4 GPU üzerinde kurum içi 20-30 eşzamanlı kullanıcıya hizmet verebilir.

• 70B Parametreli Modeller (Örn: Llama 3.3 70B): Kurumsal seviyede akıl yürütme için tercih edilir. 4-bit kuantizasyonla en az 40-48 GB VRAM gerektirir. 2 adet NVIDIA A100 (80GB) veya 4 adet L40S GPU kümesi gerektirir.

• Sunucu Yazılım Katmanı: Yerel modeller vLLM, Ollama veya TGI (Text Generation Inference) gibi yüksek verimli açık kaynaklı çıkarım motorları üzerinde çalıştırılarak REST API formatında kurum içi uygulamalara açılır.

Hava Boşluklu (Air-Gapped) Ağlarda Model Çalıştırma Standartları

En yüksek güvenlik seviyesini temsil eden "Hava Boşluklu" (Air-Gapped) ortamlar; fiziksel olarak internete, harici yönlendiricilere ve halka açık ağlara bağlı olmayan izole veri merkezleridir. Yerel LLM'ler bu ortamlara kurulduğunda, modelin dışarıya herhangi bir telemetri verisi göndermesi veya uzaktan komut alması fiziksel olarak imkansızdır.

Bu altyapıda uyulması gereken temel kurallar:

• Model dosyaları (safetensors formatında), güvenliği doğrulanmış harici fiziksel depolama ortamlarıyla taşınmalı ve kurumsal ağa sokulmadan önce statik zararlı yazılım ve model zehirleme (model poisoning) testlerinden geçirilmelidir.

• Modelin kullandığı kütüphanelerin (PyTorch, Transformers vb.) bağımlılıkları kapalı yerel paket depolarında (özel Nexus veya Artifactory) barındırılmalıdır.

• Model çıkarım sunucularının doğrudan veri tabanlarına yazma yetkisi olmamalı, sadece salt-okunur (read-only) veri hatlarıyla beslenmelidir.

Kurum İçi Fine-Tuning Süreçlerinde Eğitim Verisi Hijyeni

Yerel modeller kurumun özel terminolojisine veya iş süreçlerine uyarlanmak istendiğinde İnce Ayar (Fine-Tuning - LoRA/QLoRA) süreçleri uygulanır. Bu aşamada şirketin geçmiş e-postaları, arıza biletleri veya teknik raporları eğitim setine dahil edilir.

Eğitim verisi hijyeni şu adımları gerektirir:

• Eğitim setine girecek dokümanlar, kurum içi yetkilendirmeden bağımsız olarak en katı gizlilik seviyesine göre önceden taranmalı; kurum yöneticilerinin şahsi bilgileri, sistem şifreleri ve finansal kayıtlar veri setinden tamamen arındırılmalıdır.

• Fine-tuning tamamlandıktan sonra, modelin eğitim verisini ezberleyip ezberlemediğini (data extraction attack riski) test etmek için tersine prompt saldırıları uygulanmalıdır. Eğitilen model, bir istemcinin zorlamasıyla eğitim setindeki bir ham veriyi birebir ekrana dökmemelidir.

Kurumsal Yapay Zeka Yönetişimi (AI Governance) ve Kullanım Politikaları

Teknolojik kontroller ne kadar güçlü olursa olsun, arkasında net bir kurumsal yönetişim çerçevesi (AI Governance Framework) bulunmadığı sürece şirket verilerini uzun vadede korumak mümkün değildir. CISO (Bilgi Güvenliği Yöneticisi), Hukuk Müşavirliği ve İnsan Kaynakları departmanlarının ortaklaşa hazırlayacağı yapay zeka politikası; organizasyonun her bir çalışanına yetkilerini, sınırlarını ve sorumluluklarını şeffaf bir biçimde bildirmelidir.

Gölge Yapay Zeka (Shadow AI) kullanımını engellemenin yolu çalışanların araçlara erişimini tamamen kesmek değil; meşru, güvenliği onaylanmış kurumsal alternatifler sunarken sınır ihlallerinin cezai ve operasyonel sonuçlarını netleştirmektir.

Çalışanlar İçin Güvenli Prompt Mühendisliği Standartları

Çalışanlara temel yapay zeka okuryazarlığı kazandırılırken, prompt yazımının güvenlik boyutuna özel bir eğitim modülü ayrılmalıdır. Güvenli prompt yazım standartları şu kuralları içerir:

• Hipotetik ve Soyutlaştırılmış Senaryolar Kullanımı: Gerçek müşteri adı ve gerçek rakamlar yerine her zaman kurgusal verilerle çalışılmalıdır ("Müşterimiz X Holding'in 40 milyon dolarlık borç yapılandırması" yerine "Büyük ölçekli bir sanayi şirketinin borç yapılandırma senaryosu").

• Ham Kod Yerine Soyut Fonksiyon İletimi: Hata ayıklama (debugging) yapılırken tüm kaynak kod dosyasını yapıştırmak yerine, şirket içi veritabanı bağlantı dizgilerini (connection strings), özel kütüphane isimlerini ve API rotalarını içermeyen soyut kod blokları modele iletilmelidir.

• Çıktı Teyit Prensibi: Modelden alınan hiçbir kod veya metin, güvenlik taramasından (SonarQube, Snyk vb.) ve kıdemli personel kontrolünden geçmeden canlı sistemlere veya müşteri iletişimine aktarılmamalıdır.

Onaylı ve Yasaklı Yapay Zeka Araçları Listesinin Yönetimi

Organizasyon içinde kullanılacak her yeni yapay zeka aracı resmi bir güvenlik ve hukuki uyum değerlendirmesinden geçmelidir. Şirket intranetinde düzenli güncellenen bir matris yayınlanmalıdır:

• Yeşil Liste (Onaylı Araçlar): Kurumsal DPA imzalanmış, SSO entegrasyonu tamamlanmış, verileri eğitime dahil etmeyen sistemler (Örn: Kurumsal lisanslı Copilot Enterprise, ZDR özellikli kurum içi AI Gateway).

• Sarı Liste (Şartlı Kullanım): Sadece halka açık, gizlilik derecesi "Kamuya Açık" (Public) olan verilerle çalışırken kullanılmasına izin verilen araçlar.

• Kırmızı Liste (Kesinlikle Yasaklı Araçlar): Kullanıcı verilerini model eğitiminde kullanan, veri saklama lokasyonu belirsiz olan veya geçmişinde büyük veri ihlali bulunan üçüncü parti kontrolsüz servisler. Bu araçların şirket ağı içinden erişimi DNS ve firewall düzeyinde engellenmelidir.

Olay Müdahale ve Veri İhlali Bildirim Prosedürleri

Olası bir sızıntı durumunda nasıl hareket edileceği önceden belirlenmiş bir Olay Müdahale Planı (Incident Response Plan) ile kayıt altına alınmalıdır. Bir çalışanın yanlışlıkla gizli bir şirket tablosunu veya müşteri listesini yetkisiz bir AI aracına yapıştırdığını fark etmesi durumunda atılacak adımlar nettir:

1. İç Bildirim: Çalışan, herhangi bir cezai yaptırım korkusu yaşamadan derhal Bilgi Güvenliği Operasyon Merkezi'ne (SOC) ihbar yapabilmelidir.

2. Kapsam Analizi: İhlal edilen verinin niteliği (PII, kaynak kod, ticari sır) ve aktarıldığı platformun veri saklama politikası ivedilikle analiz edilir.

3. Mevzuat Bildirimi: Eğer kişisel veriler ifşa olduysa, GDPR Madde 33 uyarınca 72 saat içinde ilgili denetim otoritesine (veya KVKK bildirim süresi dahilinde kuruma) resmi bildirim hazırlanır.

4. Tedarikçi İletişimi: Sağlayıcının destek kanalıyla irtibata geçilerek oturum kimliği üzerinden ilgili verinin arka uç önbelleklerinden silinmesi için resmi talep açılır.