Yapay Zeka Eğitim Verilerinde Telif Hakkı Nasıl Yönetilir?

Yapay zeka eğitim verilerinde telif hakkı yönetimi; lisanslı veri setleri kullanmak, adil kullanım (fair use) sınırlarını belirlemek ve veri temizliği süreçleriyle sağlanır.

Büyük dil modelleri (LLM), çok modlu (multimodal) sistemler ve üretken mimariler geliştiren kurumlar için veri toplama ve işleme süreçleri doğrudan fikri mülkiyet hukukuyla kesişir. "Yapay Zeka Eğitim Verilerinde Telif Hakkı Nasıl Yönetilir?" sorusunun yanıtı, salt hukuk departmanlarının inisiyatifinde olan teorik bir tartışma olmaktan çıkmış; veri mühendisliği hatlarından mimari model seçimine kadar uzanan teknik bir operasyon haline gelmiştir. Bu rehber; veri tedarik stratejileri, dedüplikasyon algoritmaları, adil kullanım doktrininin teknik sınırları, AB Yapay Zeka Yasası (EU AI Act) uyumluluğu ve kurumsal denetim (due diligence) mekanizmalarını karar vericiler için somut metodolojilerle ele almaktadır.

Yapay Zeka ve Telif Hakkı Riskleri: Geliştiriciler ve İşletmeler Neden Dikkat Etmeli?

Yapay zeka modellerinin sıfırdan eğitilmesi (pre-training) veya mevcut açık ağırlıklı modellerin belirli görevler için uyarlanması (fine-tuning), petabaytlarca yapılandırılmış ve yapılandırılmamış verinin işlenmesini gerektirir. İnternet üzerinden otomatik kazıma (web scraping) yöntemleriyle toplanan metin, görsel, ses ve kaynak kod arşivleri, çoğunlukla hak sahiplerinin açık izni bulunmayan materyaller içerir. Bir verinin internette kamuya açık olması, onun ticari bir yapay zeka algoritmasının parametrelerini optimize etmek üzere serbestçe kopyalanabileceği, depolanabileceği veya dönüştürülebileceği anlamına gelmez.

Fikri mülkiyet sahipleri, eserlerinin izinsiz biçimde sunucularda geçici veya kalıcı kopyalanmasını çoğaltma hakkının (reproduction right) ihlali olarak değerlendirmektedir. İşletmeler açısından risk, yalnızca telif sahiplerinin açabileceği tazminat davalarıyla sınırlı değildir. Mahkemelerin veya denetleyici otoritelerin ihlale konu verilerle eğitilmiş modellerin ağırlıklarının imha edilmesine (algorithmic disgorgement) karar vermesi, milyonlarca dolarlık hesaplama (compute) maliyetinin ve aylar süren mühendislik emeğinin tamamen silinmesi riskini doğurur.

Kurumsal karar vericilerin dikkat etmesi gereken bir diğer kritik unsur, model çıktılarının eğitim verisini ezberleme (memorization) eğilimidir. Özellikle aşırı parametreli modeller, yeterince filtrelenmemiş ve deduplikasyondan geçirilmemiş veri setlerinde sıkça tekrarlanan telifli paragrafları, şiirleri, tescilli kod bloklarını veya korunan tasarımları kullanıcı prompt'u neticesinde doğrudan üretebilir. Bu durum, nihai kullanıcıya sunulan yazılım ürününü doğrudan ihlalci konuma sokarak şirketi üçüncü taraf tazminat taleplerine açık hale getirir.

Eğitim Verilerinde Telif İhlali Riskini Doğuran Temel Süreçler

Eğitim verisi boru hatlarında telif hakkı ihlali riski genellikle veri yaşam döngüsünün dört kritik noktasında ortaya çıkar:

• Veri Kazıma (Scraping) ve Ham Depolama: Web tarayıcılarının (crawlers) sitelerin robots.txt direktiflerini, kullanım koşullarını (Terms of Service) ve telif bildirimlerini göz ardı ederek telifli veriyi yerel nesne depolama (Object Storage) alanlarına indirmesi.

• Tokenizasyon ve Vektörleştirme Aşaması: Metin veya görsellerin sayısal temsiller haline getirilmesi esnasında korunan özgün ifadelerin, karakter dizilerinin ve lisans metadatası bulunmayan içeriklerin kontrolsüzce korpusa (corpus) dahil edilmesi.

• Ağırlık Güncellemesi (Backpropagation): Modelin parametreleri optimize edilirken, nadir veya telif hakkına konu spesifik veri kümelerine aşırı ağırlık atanması neticesinde modelin genelleştirme yapmak yerine içeriği ezberlemesi.

• RAG (Retrieval-Augmented Generation) Vektör Veritabanları: Modeli eğitmek yerine bilgi getirme mimarisi kurulurken, lisanssız dokümanların indekslenmesi ve arama sonuçlarında telifli içerik parçalarının filtrelenmeden birleştirilerek bağlama (context) sunulması.

İşletmeler, sadece genel temel modelleri (foundation models) sıfırdan eğiten devasa teknoloji şirketlerinin değil, kurum içi verilerle LoRA (Low-Rank Adaptation) gibi teknikleri kullanarak model eğiten veya RAG sistemleri kuran KOBİ ve kurumsal girişimlerin de bu yasal zincirin doğrudan muhatabı olduğunu kabul etmelidir.

Sektörel Etkiler: LLM'ler ve Üretken Yapay Zeka (Generative AI) Modellerinde Durum

Sektörel ölçekte bakıldığında yazılım geliştirme, dijital yayıncılık, oyun tasarımı ve kurumsal SaaS ürünleri telif riskinden en yoğun etkilenen alanlardır. Kod tamamlama ve üretme yeteneğine sahip LLM'ler, açık kaynaklı kod depolarını tararken GPL (General Public License) veya AGPL gibi copyleft lisanslama şartlarını ihlal edebilmektedir. Şayet bir model, GPL ile korunan bir kodu girdi alıp çıktı olarak permissive (örneğin MIT veya Apache 2.0) bir etiketle sunarsa, bu çıktıyı ticari kapalı kaynak kodlu yazılımına entegre eden son kullanıcı şirketi "lisans bulaşması" nedeniyle tüm kaynak kodunu halka açma zorunluluğuyla yüz yüze bırakabilir.

Görsel ve video üretim modellerinde ise durum sanatçı üsluplarının, tescilli karakterlerin ve stok fotoğraf kütüphanelerinin izinsiz indekslenmesi etrafında yoğunlaşır. Stok fotoğraf platformlarının telif filigranlarını (watermark) içeren çıktıların üretilmesi, modelin telifli veriyi kopyaladığının mahkemeler nezdinde en açık teknik kanıtı olarak kabul edilmektedir. Karar vericiler, modellerini eğittikleri veya iş süreçlerine dahil ettikleri mimarilerin arkasındaki veri provenansını (kaynak kökenini) bağımsız denetim raporlarıyla doğrulamakla yükümlüdür.

---

Yapay Zekada Adil Kullanım (Fair Use) Doktrini ve Sınırları

Anglo-Amerikan hukuk sisteminde (özellikle ABD Telif Hakkı Yasası 107. Madde) kök salan "Adil Kullanım" (Fair Use) doktrini, yapay zeka geliştiricilerinin veri kazıma ve model eğitimi faaliyetlerini savunurken en sık başvurdukları hukuki kalkandır. Bu doktrin, telif hakkı sahibinin münhasır izni olmaksızın korunan eserlerin belirli istisnai durumlarda kullanılmasına olanak tanır. Ancak adil kullanım, her veri çekme işlemini peşinen meşrulaştıran genel bir muafiyet kartı değildir; her olayın kendi dinamikleri içinde dört aşamalı bir teste tabi tutulmasını gerektirir.

Kıta Avrupası ve Türkiye hukuk sistemlerinde (5846 sayılı Fikir ve Sanat Eserleri Kanunu - FSEK) Amerikan tipi geniş bir "Adil Kullanım" doktrini bulunmamaktadır. Bunun yerine kanunla tek tek sayılmış, dar yorumlanan istisnalar (eğitim, kamu düzeni, kişisel kullanım vb.) mevcuttur. Dolayısıyla, küresel ölçekte faaliyet gösteren veya yapay zeka ürünlerini uluslararası pazara açmayı hedefleyen işletmeler, sadece ABD adil kullanım standartlarına güvenerek hareket edemez; yerel telif yasalarının sınırlarını da hesaba katmalıdır.

Adil Kullanım Kriterleri Yapay Zeka Eğitimine Nasıl Uyarlanıyor?

ABD mahkemeleri ve telif uzmanları, yapay zeka eğitim süreçlerinin adil kullanım sınırları içinde kalıp kalmadığını değerlendirirken dört temel faktörü analiz eder:

1. Kullanımın Amacı ve Niteliği (Dönüştürücü Nitelik): Kullanımın ticari olup olmadığı ve en önemlisi "dönüştürücü" (transformative) bir nitelik taşıyıp taşımadığı incelenir. Modelin eğitimi, ham metindeki özgün ifadeyi yeniden satmak yerine, dildeki istatistiki ilişkileri, semantikleri ve dilbilgisi kurallarını öğrenmek amacıyla yapılıyorsa bu durum güçlü bir dönüştürücülük argümanı yaratır. Ancak model, girdi olarak aldığı eserin doğrudan bir türevini (derivative work) üretiyorsa dönüştürücülük zayıflar.

2. Telifli Eserin Niteliği: Olgusal, teknik, bilimsel ve ansiklopedik verilerin kullanımı, kurgusal metinler, şiirler, besteler veya görsel sanat eserlerine kıyasla daha geniş bir kullanım serbestisine sahiptir. Fikri mülkiyet hukuku fikirleri ve gerçekleri değil, onların somut ifade biçimlerini korur.

3. Kullanılan Kısmın Miktarı ve Önemi: Yapay zeka eğitiminde istatistiki örüntülerin çıkarılabilmesi için çoğunlukla eserin tamamı taranır ve kopyalanır. Geçmişte Google Books davasında eserin tamamının indekslenmesi arama amacı taşıdığı için adil kabul edilmiş olsa da üretken yapay zekanın eser sahipleriyle doğrudan rekabet eden çıktılar üretmesi bu faktörün geliştirici aleyhine dönmesine yol açabilir.

4. Kullanımın Eserin Potansiyel Pazarına Etkisi: Bu faktör, adil kullanım analizinin en ağır basan bileşenidir. Modelin sağladığı çıktı, kaynak eserin pazar payını aşındırıyor mu, hak sahibinin lisanslama gelirlerini baltalıyor mu veya hak sahibinin piyasasını ikame ediyor mu soruları incelenir. Bir LLM veya görsel modeli, taranan sanatçının veya yayıncının orijinal ürününü satamaz hale getiriyorsa, dördüncü faktör kesin bir ihlale işaret eder.

Küresel Emsal Davalar ve Çıkarılan Dersler

Yapay zeka modellerinin veri eğitim pratikleri etrafında küresel mahkemelerde şekillenen emsal uyuşmazlıklar, kurumsal stratejilerin belirlenmesinde doğrudan göstergedir. The New York Times'ın OpenAI ve Microsoft'a karşı açtığı dava, telifli gazetecilik içeriklerinin izinsiz kullanılması bir yana, model çıktılarında ücretli duvar (paywall) arkasındaki makalelerin kelimesi kelimesine (verbatim) üretilebilmesini merkezine almıştır. Bu durum, veri temizliği yapılmayan modellerin adil kullanım savunmasını nasıl çökerttiğini somutlaştırmıştır.

Benzer biçimde, Getty Images'ın Stability AI aleyhine İngiltere ve ABD'de yürüttüğü süreçler, milyonlarca lisanslı görselin metadata'larıyla birlikte taranması ve üretilen sentetik görsellerde Getty Images filigranlarının bozuk kopyalarının belirmesi nedeniyle teknik bir ifşa sağlamıştır. Bu davalardan çıkarılması gereken operasyonel ders; model çıktılarında kaynak verinin doğrudan izlerini barındıran mimarilerin "dönüştürücülük" savunmasını kaybedeceği ve doğrudan haksız rekabet ile ticari marka/telif ihlali kapsamına sürükleneceğidir.

---

Telif Hakkı Risklerini Yönetmek İçin 4 Temel Strateji

Yapay zeka mühendisliği ekipleri ve kurumsal karar vericiler, telif hakkı risklerini eğitim tamamlandıktan sonra çözülecek bir kriz olarak değil, veri boru hattının ilk aşamasından itibaren devreye alınacak mimari bir kısıt olarak ele almalıdır. Bu doğrultuda uygulanabilecek dört temel strateji bulunmaktadır.

1. Lisanslı ve İzinli Veri Setlerinin Kullanılması

En sağlam hukuki zemin, verinin doğrudan hak sahibinden veya yetkili veri dağıtıcılarından ticari yapay zeka model eğitimini açıkça kapsayan lisans sözleşmeleri (data licensing agreements) yoluyla temin edilmesidir. Büyük teknoloji sağlayıcılarının medya grupları, editoryal arşivler ve stok ajanslarıyla imzaladığı çok yıllı lisans sözleşmeleri bu yaklaşımın kurumsal standardıdır.

İşletmeler açık kaynak veri setlerini kullanırken de lisans türlerini kategorize etmelidir:

• Kamusal Alan (Public Domain / CC0): Telif koruma süresi dolmuş veya hak sahipleri tarafından feragat edilmiş, ticari model eğitiminde en güvenli veri grubudur.

• Açık Veri Lisansları (CDLA - Community Data License Agreement): Veri paylaşımı için özel geliştirilmiş CDLA-Permissive gibi lisanslar, model çıktılarında türev eser kısıtlaması yaratmadan eğitime imkan tanır.

• Atıf Şartlı Lisanslar (CC-BY): Model ağırlıklarının eğitilmesinde doğrudan atıf yapmanın teknik imkansızlığı nedeniyle bu lisansların model eğitiminde kullanımı gri alandadır; metadata düzeyinde şeffaflık raporlaması gerektirir.

• Gayriticari Lisanslar (CC-BY-NC): Ticari bir SaaS, API veya ücretli ürünün eğitim korpusuna kesinlikle dahil edilmemelidir.

2. Sentetik Veri (Synthetic Data) Üretimi ve Entegrasyonu

Sentetik veri, gerçek dünyadan toplanan telifli materyaller yerine, matematiksel modeller, fizik motorları veya önceden doğrulanmış güvenli temel yapay zeka modelleri tarafından sıfırdan üretilen yapay veri kümeleridir. Özellikle sağlık, finans ve kodlama gibi telif veya mahremiyet riskinin yüksek olduğu sektörlerde sentetik veri, telifli ham metinlere olan bağımlılığı kırar.

Bununla birlikte sentetik veri stratejisi iki kritik teknik risk barındırır:

• Model Çöküşü (Model Collapse): Bir modelin sürekli olarak yapay zeka tarafından üretilmiş verilerle eğitilmesi durumunda, veri dağılımının kuyruklarında (tail distribution) yer alan nadir fakat kritik bilgilerin kaybolması ve model çıktılarının anlamsızlaşması.

• Telif Aklama (Copyright Laundering) Riski: Şayet sentetik veriyi üreten kaynak model telifli bir eseri ezberlemişse ve çıktı olarak bu eseri ufak varyasyonlarla üretiyorsa, bu sentetik veriyi alan ikinci model de dolaylı olarak telif ihlaline ortak edilmiş olur. Sentetik verinin çeşitlilik ve özgünlük denetiminden geçirilmesi bu nedenle zorunludur.

3. Veri Temizliği (Data Cleaning) ve Deduplikasyon Süreçleri

Modelin telifli bir içeriği kelimesi kelimesine kopyalamasını engellemenin en etkili mühendislik yolu, eğitim korpusunun dedüplike edilmesidir (tekrarlardan arındırılması). Araştırmalar, bir metin parçasının veri setinde yalnızca birkaç kez tekrar etmesinin dahi modelin o metni ezberleme ihtimalini geometrik olarak artırdığını göstermektedir.

Geliştiriciler şu teknik filtreleri boru hatlarına uygulamalıdır:

• Exact Match Deduplication: SHA-256 gibi kriptografik özetleme fonksiyonlarıyla birebir aynı olan belgelerin silinmesi.

• Fuzzy Deduplication (MinHash ve LSH): Metinlerin n-gram parçalarına ayrılarak Jaccard benzerliğinin hesaplanması ve Locality-Sensitive Hashing (LSH) yöntemiyle %80 ve üzeri benzerlik taşıyan telifli varyasyonların tekilleştirilmesi.

• Metadata ve Filigran Filtreleme: Web kazıma aşamasında HTML etiketleri, telif bildirimleri (örn. "Copyright 2026", "Tüm Hakları Saklıdır"), stok ajansı filigranları ve yazar imzalarının düzenli ifadeler (regex) yardımıyla tespit edilip korpustan çıkarılması.

4. Opt-Out (Veri Toplamayı Engelleme) Mekanizmalarına Saygı Gösterilmesi

İçerik üreticilerinin ve yayıncıların verilerinin yapay zeka eğitiminde kullanılmasını reddetme (opt-out) hakkı, hem yasal bir gereklilik hem de etik bir endüstri standardıdır. Kazıma botlarının bu direktifleri tanıması teknik düzeyde koordine edilmelidir.

Web tarayıcı mimarisinde aşağıdaki standartlar uygulanmalıdır:

• Standart Robots.txt: User-agent: AI-Scraper-Bot ve Disallow: / yönergelerine koşulsuz riayet edilmesi.

• HTML Meta Etiketleri: Web sayfalarının <head> bloklarında yer alan <meta name="robots" content="noai"> veya <meta name="robots" content="noimageai"> direktiflerinin taranarak bu sayfaların indirme kuyruklarından çıkarılması.

• HTTP Başlıkları: API ve dosya sunucularında iletilen X-Robots-Tag: noai direktiflerinin dinlenmesi.

---

Hukuki Düzenlemeler ve Standartlar: EU AI Act ve Ötesi

Küresel yapay zeka ekosistemi, bağlayıcı yasal düzenlemelerin hayata geçmesiyle birlikte köklü bir dönüşüm yaşamaktadır. Bu alandaki en kapsamlı ve sınır ötesi etkiye sahip regülasyon, Avrupa Birliği tarafından yürürlüğe konan Yapay Zeka Yasası'dır (EU AI Act). Yasa, yalnızca AB sınırları içinde model geliştirenleri değil, ürettikleri yapay zeka sistemlerini veya bu sistemlerin çıktılarını AB pazarında kullanıma sunan tüm küresel işletmeleri doğrudan bağlar.

Fikri mülkiyet ekseninde EU AI Act, yapay zeka modellerini risk kategorilerine ayırırken, özellikle temel modelleri kapsayan Genel Amaçlı Yapay Zeka (General Purpose AI - GPAI) sağlayıcılarına yönelik açık ve denetlenebilir telif yükümlülükleri getirmiştir. İşletmelerin bu düzenlemeleri teknik borç olarak değil, sistem mimarilerinin kurumsal bir standardı olarak konumlandırması şarttır.

AB Yapay Zeka Yasası’nın Şeffaflık ve Telif Kuralları

EU AI Act kapsamında GPAI sağlayıcılarının yerine getirmekle yükümlü olduğu iki temel telif eksenli kural bulunmaktadır:

• Telif Hakkı Uyum Politikası Oluşturulması: Sağlayıcılar, Birlik telif hukuku mevzuatına (özellikle 2019/790 sayılı Dijital Tek Pazarda Telif Hakkı Direktifi) uyum sağlamak üzere kurumsal bir politika geliştirmek ve bunu uygulamak zorundadır. Bu durum, modelin eğitimi dünyanın neresinde gerçekleşmiş olursa olsun, model AB'de sunulacaksa geçerlidir.

• Eğitim Verisi Özeti Yayınlama Zorunluluğu (Madde 53): Geliştiriciler, modelin eğitiminde kullanılan içeriklere dair "kamuya açık, yeterince ayrıntılı bir özet" (sufficiently detailed summary) sağlamalıdır. Bu özet; kullanılan temel veri setlerini, taranan büyük alan adlarını, veri türlerini ve verinin hangi lisans koşulları altında elde edildiğini açıklamalıdır. Bu şeffaflık mekanizması, hak sahiplerinin eserlerinin izinsiz kullanılıp kullanılmadığını tespit edebilmelerine olanak tanımayı hedefler.

Metin ve Veri Madenciliği (TDM) İstisnaları ve Teknik Gereksinimleri

AB Telif Direktifi'nin 3. ve 4. maddeleri, yapay zeka eğitimi için hayati önem taşıyan Metin ve Veri Madenciliği (Text and Data Mining - TDM) istisnalarını düzenler. Madde 3, araştırma ve kültür mirası kurumlarına bilimsel amaçlı sınırsız madencilik hakkı tanırken; Madde 4, ticari aktörlerin de kamuya açık veriler üzerinde madencilik yapmasına izin verir. Ancak bu iznin çok kritik bir şartı vardır: Hak sahiplerinin çekince koymamış olması (Opt-out).

Hak sahipleri, içeriklerinin ticari TDM amaçlarıyla kullanılmasını "makine tarafından okunabilir araçlarla" (machine-readable means) açıkça yasaklama (reserve) hakkına sahiptir. Çevrimiçi içeriklerde bu çekinceler meta etiketler, XML tabanlı lisans tanımları veya robots.txt benzeri protokollerle belirtilir. Şayet bir web sitesi veya veri tabanı bu yönde bir çekince bildirmişse, yapay zeka geliştiricisinin bu veriyi kazıyarak model eğitimine dahil etmesi doğrudan telif hakkı ihlali sayılır. Kurumsal veri madenciliği araçlarının bu çekince protokollerini otomatik olarak ayrıştırabilen (parse eden) parser katmanlarına sahip olması teknik bir zorunluluktur.

---

Şirketler İçin Adım Adım Telif Hakkı Yönetim İş Akışı

Kurumsal ölçekte yapay zeka modeli geliştiren veya mevcut modelleri şirket verileriyle zenginleştiren organizasyonlar, telif yönetimini mühendislik süreçlerine entegre edilmiş bir iş akışı olarak kurgulamalıdır. Reaktif yaklaşımlar (dava tebliği geldikten sonra veriyi aramaya çalışmak), modelin tamamen geri çekilmesine varan operasyonel felaketlere yol açmaktadır.

Aşağıdaki iş akışı; hukuk, veri mühendisliği ve ürün yönetimi departmanlarının ortaklaşa yürütmesi gereken operasyonel halkaları sıralı bir disiplin içinde sunar.

Veri Kaynağının Denetlenmesi (Due Diligence) Protokolü

Bir veri seti şirket altyapısına girmeden önce "Veri Güvenilirliği Protokolü" işletilmelidir. Özellikle internetten indirilen hazır açık kaynaklı veri paketleri (örneğin Common Crawl veya Hugging Face üzerindeki anonim kullanıcı depoları) ciddi oranda telifli materyal barındırabilir. Bir veri kümesinin açık bir depoda barındırılması, onun yasal olarak temiz olduğunu kanıtlamaz.

Due diligence sürecinde şu teknik sorular yazılı olarak belgelenmelidir:

• Veri seti hangi tarihte, hangi URL listesinden derlenmiştir?

• Derleme esnasında telif hakkı sahiplerinin opt-out mekanizmaları dikkate alınmış mıdır?

• Veri seti içinde kişisel veriler (GDPR/KVKK kapsamında) ve gizlilik sözleşmelerine (NDA) tabi şirket sırları bulunmakta mıdır?

• Veri sağlayıcısı, olası telif ihlali taleplerine karşı bir tazminat taahhüdü (indemnification clause) sunmakta mıdır?

Geliştirme Sürecinde İnsan Denetimi (Human-in-the-Loop) ve Onay Mekanizmaları

Veri temizleme algoritmaları ve otomatik filtreler, nüanslı telif sınırlarını yakalamada tek başına yeterli değildir. Bu noktada İnsan Denetimi (Human-in-the-Loop - HITL) mekanizması kritik bir kontrol noktası olarak devreye girer. HITL süreci, veri etiketleme uzmanları, teknik denetçiler ve fikri mülkiyet danışmanlarından oluşan çapraz fonksiyonel bir operasyondur.

Özellikle modelin fine-tuning aşamasında kullanılan yüksek kaliteli talimat (instruction) veri setleri, insanlar tarafından satır satır incelenmelidir. Etiketleyiciler, girdilerin kaynaklarını ve çıktıların özgünlüğünü teyit eder. Model geliştirme sürecinde "Onay Kapıları" (Quality Gates) tanımlanmalı; telif ve lisans uygunluk testlerinden geçemeyen hiçbir veri paketi GPU kümelerine beslenmemelidir.

---