Veri Kökeni ve Eğitim Verisi Lisanslama: Veri Setinizin Nereden Geldiğini Kanıtlayabiliyor musunuz?

Bir modeli eğittiğiniz veri kümesinin her parçasının nereden geldiğini, hangi izinle alındığını ve hangi işlemlerden geçtiğini bugün kanıtlayabiliyor musunuz? Çoğu ekibin dürüst cevabı hayır. Oysa bu soru artık akademik değil: hem mevzuat hem mahkemeler hem de veri sahiplerinin kendisi bu cevabı istiyor. Bu yazı hukuk haberi değil; kökeni bir boru hattı boyunca nasıl kaydedeceğinizi anlatan mühendislik yazısı.

Köken neden birdenbire zorlaştı?#

Beş yıl önce “internetten topladık” cevabı çoğu bağlamda yeterliydi. Bugün değil, çünkü iki şey aynı anda değişti: veri sahipleri kapıyı kapatmaya başladı ve veriyi kullananlardan hesap sorulmaya başlandı.

Birincisi ölçülebilir hâle geldi. Veri Kökeni Girişimi’nin (Data Provenance Initiative) Consent in Crisis çalışması, Nisan 2023 ile Nisan 2024 arasında en kritik eğitim alanlarındaki tokenlerin yüzde 25’inden fazlasının robots.txt ile kısıtlanır hâle geldiğini, en çok kullanılan alan adlarında kısıtlama oranının %3’ün altından yaklaşık %28’e çıktığını ölçtü (rapor ↗). Bu tek yıllık bir sıçrama ve yönü belli.

Web’in “varsayılan olarak açık” olduğu dönem sona ermedi ama daralıyor. Verinizin kökenini bugün kaydetmiyorsanız, iki yıl sonra hangi parçayı hangi izinle aldığınızı yeniden kuramayacaksınız.

İkincisi ise standartlaşma tarafındaki boşluk. Tarayıcılara yönelik yapay zekâ tercihlerini ifade etmek için IETF bünyesinde bir çalışma grubu var, ancak henüz yayımlanmış bir RFC yok; çalışma taslak aşamasında ilerliyor (belgeler ↗). Yani ortak bir makine okunur izin sözlüğü henüz yerleşmedi; herkes robots.txt’i, kullanım şartlarını ve özel anlaşmaları karışık biçimde kullanıyor.

Mevzuat tarafı: eğitim verisi özeti#

AB tarafında genel amaçlı yapay zekâ modeli (GPAI) sağlayıcıları için somut bir yükümlülük var: eğitim verisinin yeterince ayrıntılı bir özetini kamuya açıklamak. Bu özetin biçimi serbest bırakılmadı; AI Office 24 Temmuz 2025’te bir şablon yayımladı ve Komisyon bunu kamuya açıklama için asgari bir taban olarak tanımlıyor.

Yüksek riskli sistemler tarafında ise yükümlülük daha derin. Madde 10, veri toplama süreçlerinin ve verinin kökeninin belgelenmesini isteyen sekiz yönetişim pratiğinden birini bu başlığa ayırıyor (Madde 10 ↗). Yani köken kaydı, iyi bir alışkanlık olmaktan çıkıp bir teslim kalemi hâline geldi.

Ne belgeleyeceğiniz konusunda şablon arayan ekipler için doğrudan yol, veri seti künyesi disiplinidir; ayrıntısını veri seti belgelendirme yazısında ele alıyoruz.

Mahkemeler zıt yönlere karar verdi#

2025-2026 döneminde iki büyük dosya, birbirine zıt yönlerde sonuçlandı ve bu zıtlık tam olarak neden tek bir “yapay zekâ ve telif kuralı” beklemenin yanlış olduğunu gösteriyor.

• Bartz v. Anthropic: yaklaşık 482.460 esere ilişkin 1,5 milyar dolarlık uzlaşma 20 Temmuz 2026’da nihai onay aldı; eser başına yaklaşık 3.000-3.100 dolara karşılık geliyor (haber ↗).
• Getty Images v. Stability AI: İngiltere’de 4 Kasım 2025 tarihli kararla iddiaların büyük kısmı reddedildi; ikincil telif ihlali bulunmadı (karar ↗).

Bu iki sonucu birlikte okumanın mühendislik açısından tek doğru yolu var: hukuki sonuç, verinin nasıl elde edildiğine ve ne kadarının nerede saklandığına bağlı olarak değişiyor. Yani belirsizliğin yönetimi hukuk departmanına devredilebilecek bir şey değil; kaydı tutan taraf mühendislik.

Farklı ülkelerde farklı sonuçlar çıkması, kuralın belirsiz olduğunu değil, olguların belirleyici olduğunu gösteriyor. Olguları kaydeden taraf ise sizsiniz.

Kökeni boru hattı boyunca taşımak#

Asıl mühendislik sorusu şu: köken bilgisi, ham veriden eğitim kümesine giden yolda nasıl kaybolmadan taşınır? Çünkü kaybolduğu yer neredeyse her zaman aynı: birleştirme ve temizleme adımları.

Üç katmanlı kayıt#

• Kaynak kaydı: her kaynak için alan adı veya sağlayıcı, erişim tarihi, erişim yöntemi, geçerli lisans/kullanım şartları ve o tarihteki robots.txt durumu. Robots.txt zamanla değişir; erişim anındaki hâli kayda geçmelidir.
• Belge kaydı: her belge için kaynak kimliği, içerik özeti (hash), alınma tarihi ve varsa yayın tarihi. Özet, aynı belgenin farklı kaynaklardan ikinci kez gelmesini de yakalar.
• Dönüşüm kaydı: hangi filtre, hangi sürümüyle, hangi belgeleri eledi. Bu katman en çok atlanan ve en çok işe yarayan katmandır: bir yıl sonra “bu belge neden veri setinde yok?” sorusunun cevabı buradadır.

# Kaynaktan eğitim kümesine köken zinciri (pseudocode)
for belge in ham_havuz:
    kayit = {
      "belge_id":     hash(belge.icerik),
      "kaynak_id":    belge.kaynak,
      "alinma":       belge.alinma_tarihi,
      "lisans":       kaynak_kaydi[belge.kaynak]["lisans"],
      "robots":       kaynak_kaydi[belge.kaynak]["robots_o_tarihte"],
      "filtreler":    []                       # aşağıda dolacak
    }
    for f in FILTRELER:                          # her filtre sürümlü
        if not f.gecer(belge):
            kayit["filtreler"].append((f.ad, f.surum, "eledi"))
            koken_yaz(kayit); break
        kayit["filtreler"].append((f.ad, f.surum, "gecti"))
    else:
        egitim_kumesine_ekle(belge, kayit)
        koken_yaz(kayit)
# Kural: köken kaydı, belgeyle birlikte değil, belgeden BAĞIMSIZ yazılır.
# Elenen belgenin de kaydı kalmalı; yoksa "neden yok?" sorusu cevapsızdır.

Lisans uyumluluğu: karışık havuzun matematiği#

Farklı lisanslara sahip kaynakları tek bir havuzda birleştirdiğinizde, çıkan kümenin lisans durumu en kısıtlayıcı bileşene göre belirlenir. Bu, yazılım bağımlılıklarındaki lisans uyumluluğu problemiyle aynıdır ve aynı disiplinle çözülür.

• Havuzu lisansa göre bölümleyin. Ticari kullanıma açık, yalnızca araştırma, atıf zorunlu, pay-benzeri (share-alike) ve belirsiz. Beşinci kategori en tehlikelisidir ve genellikle en büyüğüdür.
• Belirsizi ayrı tutun. “Lisansı bilmiyoruz” ile “lisansı serbest” arasındaki farkı veri kümesinde teknik olarak görünür kılın.
• Türetilmiş veriyi de etiketleyin. Bir kaynaktan üretilen sentetik veri, kaynağın kısıtlarını taşıyabilir. Sentetik veri yazısındaki üretim döngüsüne köken alanı ekleyin.
• Kaldırma yolunu baştan kurun. Bir kaynağın kaldırılması gerektiğinde hangi eğitim çalıştırmalarının etkilendiğini sorgulayabilmelisiniz. Bunun neden sadece veriyi silmekle bitmediği için makine unutması yazısına bakın.

Bu bölümlemenin yan faydası şudur: lisans bölümleri, veri kalitesi analizinin de doğal eksenidir. Belirli bir kaynaktan gelen verinin etiket gürültüsü daha yüksekse, bunu ancak kaynak bazında bakabildiğinizde görürsünüz. Veri kalitesi ve etiketleme disiplini burada doğrudan işe yarıyor.

Kendi alanınızda köken: dar veri, derin sorumluluk#

Web ölçeğinde çalışmayan ekipler için tablo farklı ama daha kolay değil. Kurumsal ve alana özgü veri kümelerinde kaynak sayısı azdır, buna karşılık her kaynağın sözleşmesel kısıtları çok daha nettir ve ihlalin karşı tarafı bellidir.

Türkçe hukuk metinleriyle çalışan bir ekip olarak bunu ürün tarafında yaşıyoruz: kamuya açık bir kaynağın “erişilebilir” olması, her kullanım biçimi için serbest olduğu anlamına gelmiyor; ve bir metnin işlenmiş hâli, ham hâlinden farklı bir sorumluluk doğurabiliyor. Bu tür alanlarda köken kaydı yalnızca hukuki bir gereklilik değil, aynı zamanda kalite aracıdır — hangi kaynağın hangi hatayı ürettiğini kaynak etiketi olmadan bulamazsınız.

• Sözleşmeyi veri kümesine bağlayın. Her kaynak kaydında, o kaynağın hangi sözleşme veya izinle alındığı yazılı olsun.
• Kullanım kapsamını kaydedin. “Eğitim için serbest, yeniden dağıtım için değil” gibi kısıtlar, kayıtta bir alan olmalı; bir e-postada değil.
• Sürüm dondurun. Bir eğitim çalıştırması, veri kümesinin belirli bir sürümünü kullanmalı ve o sürüm değişmez olmalı. Aksi hâlde veri merkezli iyileştirme döngüsünde neyin işe yaradığını da ölçemezsiniz.

Köken kaydının en az takdir edilen faydası burada ortaya çıkıyor: hukuki bir savunma aracı olarak başlıyor, bir hata ayıklama aracı olarak kalıyor.

Özetle: veri kökeni, hukuk ekibinin değil veri ekibinin işi. Kaydı tutmayan ekip, bir gün sorulduğunda cevap veremez; kaydı tutan ekip ise hem soruya cevap verir hem de kendi hata kaynaklarını çok daha hızlı bulur. Bu iki fayda aynı yatırımdan çıkıyor.