Güven ve uyumluluk · 2026-08-18
Kamu Yapay Zekâ Uygulamaları: Siber Güvenlik Başkanlığının Çerçevesi Ne Getiriyor?
Kamu Yapay Zekâ Uygulamaları sayfasındaki ihtiyaç tespiti, yol haritası, veri kalite standartları, ortak veri alanları ve verimlilik ölçümü başlıklarını teknik açıdan inceleyin.
Resmî sayfa ne söylüyor, ne söylemiyor
Siber Güvenlik Başkanlığının Kamu Yapay Zekâ Uygulamaları sayfası, kamu kurumlarının yapay zekâ ihtiyaçlarının tespit edilmesini, uygulama geliştirme yol haritalarının oluşturulmasını ve projelere rehberlik edilmesini aynı çalışma alanı içinde topluyor. Sayfa ayrıca kullanılacak verilerin teknik kalite kriterleri ile standartlarının belirlenmesi, ortak veri alanları ve altyapı mekanizmaları kurulması ve uygulama verimliliğinin ölçülmesi yönünde çalışmalar yürütüldüğünü belirtiyor.
Buradaki dil önemlidir: sayfa yayımlanmış bağlayıcı bir standart seti sunmuyor; standartların belirlenmesi yönündeki çalışmayı tarif ediyor. Bu nedenle bugün bir proje dokümanına henüz yayımlanmamış madde numaraları veya kesin sertifikasyon koşulları eklemek doğru olmaz. Kurumun hazırlayabileceği şey, yaklaşan standartlara kanıt üretecek bir veri ve kontrol envanteridir.
Çerçevenin beş çalışma ekseni
Sayfadaki kısa açıklama, bir kamu yapay zekâ projesinin model seçmekten daha geniş olduğunu gösteriyor. İhtiyacın tanımı, verinin hazırlanması, altyapı sınırı, performans ölçümü ve kurumsal kapasite aynı zincirin parçalarıdır. Bu başlıklardan biri eksikse pilot teknik olarak çalışsa bile denetlenebilir bir kamu hizmetine dönüşmeyebilir.
Aşağıdaki tablo, resmî sayfadaki görev alanlarını kurum içinde üretilebilecek somut çıktılara çevirir. Tablo hukuki veya idari bir zorunluluk listesi değil, yayımlanan yönün uygulanabilir teknik karşılığıdır.
| Çalışma ekseni | Kurumun hazırlayacağı çıktı | Ölçülebilir kanıt |
|---|---|---|
| İhtiyaç tespiti | Hizmet ve süreç bazlı kullanım senaryosu envanteri | Hacim, süre, hata maliyeti ve sorumlu birim |
| Yol haritası | Pilot, kabul ve yaygınlaştırma kapıları | Tarih, sahip, bağımlılık ve çıkış ölçütü |
| Veri kalitesi | Veri sözlüğü ve kalite kuralları | Eksiklik, güncellik, doğruluk ve köken kaydı |
| Ortak veri ve altyapı | Erişim, saklama ve entegrasyon mimarisi | Yetki matrisi, veri akışı ve sistem sınırı |
| Verimlilik ölçümü | Başlangıç değeri ile pilot sonucu karşılaştırması | Kalite, süre, maliyet, hata ve insan müdahalesi |
Veri kalitesi neden model kalitesinden önce gelir
Kamu veri setlerinde aynı alanın farklı sistemlerde farklı anlamlara gelmesi, eksik zaman damgaları, güncel olmayan referans tabloları ve serbest metin alanları sık rastlanan sorunlardır. Büyük bir model bu kusurları kendiliğinden düzeltmez; çoğu zaman kusuru daha akıcı bir çıktının içine taşır. Bu nedenle kaynak sistem, alan sahibi, güncelleme sıklığı ve kalite kuralı model denemesinden önce yazılmalıdır.
Veri kalite ölçümü yalnızca eğitim seti için yapılmamalıdır. RAG ile getirilen dokümanlar, kullanıcıdan alınan alanlar ve model çıktısının doğrulandığı resmî kayıt da aynı izlenebilirlik zincirinde olmalıdır. Bir yanıtın hangi belge sürümüne dayandığı görülemiyorsa doğruluk oranı tek başına yeterli bir güvence değildir.
- Doğruluk: alan değeri yetkili kaynakla tutarlı mı?
- Tamlık: karar için gereken zorunlu alanların ne kadarı dolu?
- Güncellik: veri hangi tarihte ve hangi süreçle yenilendi?
- Tutarlılık: aynı kimlik ve sınıflandırma farklı sistemlerde eşleşiyor mu?
- Köken: veri ve doküman hangi sistemden, hangi sürümle geldi?
Ortak veri alanı her verinin tek havuzda toplanması değildir
Ortak veri alanı ifadesi, erişim sınırlarının kaldırılması şeklinde okunmamalıdır. Kamu mimarisinde amaç; veri sahibini, kullanım amacını ve yetkiyi koruyarak kontrollü paylaşım kurabilmektir. Fiziksel olarak tek veritabanı kurmak yerine ortak sözlük, kimlik standardı, erişim protokolü ve denetim izi üzerinden birlikte çalışabilirlik sağlanabilir.
Yapay zekâ katmanı bu yapıya en az ayrıcalık ilkesiyle bağlanmalıdır. Bir model çağrısı yalnızca görev için gereken alanları görmeli; personelin kaynak sistemde görmeye yetkili olmadığı belgeyi RAG indeksi üzerinden bulamamalıdır. Vektör veritabanı ve önbellekler de ana sistem kadar ciddi bir yetkilendirme yüzeyi olarak ele alınmalıdır.
Verimlilik ölçümü için başlangıç değeri şart
Bir pilotun başarılı sayılması için yalnızca demo sırasında doğru yanıt vermesi yeterli değildir. Mevcut süreçte bir işlemin kaç dakika sürdüğü, kaç kez yeniden işlendiği, hangi hata türlerinin oluştuğu ve ne kadar uzman zamanı kullandığı pilot başlamadan ölçülmelidir. Yapay zekâ sonucunun karşılaştırılacağı başlangıç değeri yoksa verimlilik iddiası doğrulanamaz.
Kalite ve hız birlikte okunmalıdır. Daha hızlı fakat daha fazla insan düzeltmesi isteyen bir sistem toplam iş yükünü azaltmayabilir. Bu yüzden otomatik ölçümlere ek olarak insanın kabul, düzeltme ve reddetme oranları ayrı tutulmalı; doğrudan idari sonuç doğuran süreçlerde nihai karar yetkili personelde kalmalıdır.
Model erişim katmanında veri sınırı nasıl korunur
Kurumun veri sınıfı kapalı devre çalışmayı gerektiriyorsa internet üzerinden sunulan bir API bu şartın yerine geçmez. Genel ve hassas olmayan işler için bir gateway değerlendirildiğinde ise seçilen modelin barındırma konumu, sağlayıcının veri politikası, kayıt davranışı ve sözleşme zinciri model bazında incelenmelidir. Tek bir platformdaki tüm modellerin aynı veri yolunu kullandığı varsayılmamalıdır.
LLMTR kullanım ve faturalama kaydı model kimliği, token sayıları, maliyet, durum kodu, gecikme ve mesaj sayısı gibi metrikleri tutar; şemada prompt veya model yanıt gövdesi için alan bulunmaz. API anahtarının yalnızca SHA-256 özeti ve görünür öneki saklanır. Bu platform davranışı, global sağlayıcının kendi işleme politikasının ayrıca değerlendirilmesi gereğini ortadan kaldırmaz.
Kurumların bugün hazırlayabileceği asgari dosya
Resmî standartların ayrıntısı yayımlanmadan da kurum içinde hazırlık yapılabilir. Her kullanım senaryosu için amaç, veri alanları, veri sahibi, kullanıcı rolleri, modelin görevi, insan kontrol noktası, başarı metriği ve durdurma koşulu tek bir kayıt altında toplanmalıdır. Bu dosya hem teknik şartnamenin hem de risk değerlendirmesinin başlangıcı olur.
Bu yazı 18 Ağustos 2026 tarihinde erişilen resmî sayfanın teknik analizidir; hukuki görüş niteliği taşımaz. Belirli bir kamu projesinde veri işleme, dış hizmet kullanımı ve uygunluk kararı ilgili kurumun bilgi güvenliği, uyum ve hukuk birimlerinin kararıdır.
Sık sorulan sorular
Kamu Yapay Zekâ Uygulamaları için yayımlanmış ayrıntılı bir standart var mı?
Siber Güvenlik Başkanlığının 18 Ağustos 2026'da erişilen sayfası, veri kalite kriterleri ve standartlarının belirlenmesi yönünde çalışmalar yürütüldüğünü söylüyor; ayrıntılı ve numaralandırılmış bir standart seti sunmuyor.
Kamu kurumları yapay zekâ projesine model seçerek mi başlamalı?
Hayır. Önce hizmet ihtiyacı, veri sınıfı, veri sahibi, insan karar noktası ve başarı metriği yazılmalıdır. Model seçimi bu sınırlar belirlendikten sonra yapılır.
Ortak veri alanı bütün kamu verilerinin tek yerde toplanması mı demektir?
Hayır. Ortak veri alanı; veri sahipliği ve erişim sınırları korunarak ortak sözlük, kimlik, protokol ve denetim izi üzerinden birlikte çalışabilirlik sağlayabilir.
Kamu yapay zekâ projesinde hangi verimlilik metrikleri izlenmeli?
İşlem süresi, kabul-düzeltme-ret oranı, hata türleri, uzman zamanı, birim maliyet ve insan müdahalesi birlikte izlenmelidir. Ölçüm pilot öncesi başlangıç değeriyle karşılaştırılmalıdır.
LLMTR tüm kamu verilerinin kapalı devrede kalmasını sağlar mı?
Hayır. LLMTR internet üzerinden sunulan bir API gateway'dir ve kurum içi kapalı devre sistemin yerine geçmez. Yalnızca veri sınıfı ve kurum kararı dış hizmete izin veren işlerde, seçilen modelin veri yolu ayrıca incelenerek değerlendirilebilir.