Yapay zekâ ve makine öğrenmesi uzmanı, eğitmen ve yazar Dr. Murat Altun, yapay zekânın ve araçlarının hayatımızdaki önemi, nereden ve nasıl başlamamız gerektiği, etkin kullanımı ve güvenliği hakkında merak edilenleri yanıtladı.
1. Öncelikle davetimizi kabul ettiğiniz için teşekkür ederiz. Sayın Dr. Murat Altun, kendinizden bahsedebilir misiniz?
Teşekkür ederim. Bilgisayar ve yazılım ile tanışmam 1997 yılında teknik lisede bilgisayar bölümüne geçmem ile başladı. Donanım bölümünde olduğumuz için lojik devreler, işlemci mimarileri gibi derslerimiz vardı. Aynı zamanda programlama dersleri de alıyorduk. Bugüne kıyasla o zamanlar çok başarılı öğrencilerin seçildiği bölümlerdi. Devamında Bilgisayar ve Öğretim Teknolojileri Öğretmenliği bölümünü bitirerek meslek hayatıma 2004’te bilişim teknolojileri öğretmeni olarak başladım ve hâlâ da devam ediyorum.
Doktoramı Akdeniz Üniversitesi’nde veri madenciliği üzerine yaptım. Somut olarak 2017 yılında veri madenciliği ve makine öğrenmesi teknikleri üzerine çalışmaya başladım. Doktora tezimde öğrencilerin akademik performansının hangi değişkenlerle açıklanabileceğini ve ne ölçüde önceden kestirilebileceğini çalıştım. Bu çizgi beni doğal olarak makine öğrenmesine, oradan büyük dil modelleri ve üretken yapay zekâya taşıdı.
Eğitim tarafında bugün üç ayrı kulvarda çalışıyorum.
Yükseköğretim. Aralıklı olarak toplamda yedi yıl boyunca ön lisans ve lisans düzeyinde programlama, robotik ve veri madenciliği dersleri verdim. En son geçen eğitim öğretim yılında bir üniversitede karar destek sistemleri dersini yürüttüm.
Kamu kurumları ve ulusal programlar. BTK Akademi’de dört yıldır eğitimler veriyorum. Python, makine öğrenmesi, ileri makine öğrenmesi, büyük dil modelleri ve üretken yapay zekâ başlıklarında ondan fazla programda uzun eğitimler düzenledik. DeneYap Atölyeleri’nde uzun bir dönem yapay zekâ, yazılım ve siber güvenlik derslerini verdim. Millî Eğitim Bakanlığı’nın hizmet içi eğitimlerinde ve YEĞİTEK’in yapay zekâ içeriklerinde eğitmen ve içerik yazarı olarak yer aldım.
Yerel yönetimler, okullar ve şirketler. Yerel yönetimler ve kamu kurumları için üretken yapay zekâ programları yürüttüm; özel okullar ve şirketler için de benzer programlar, içerikler tasarlıyorum.
Bunların yanında altı kitabım yayımlandı; büyük kısmı Millî Eğitim Bakanlığı ve UNESCO iş birliğiyle hazırlanan ders ve öğretmen kitapları.
Yalnızca anlatmakla yetinmiyorum; anlattığım sistemleri kurmaya, ölçmeye ve nerede bozulduklarını görmeye çalışıyorum. Çünkü çalışan bir prototiple güvenilir bir sistem aynı şey değil, aradaki mesafeyi de ancak gerçek hayatta görebiliyorsunuz.
Öğretmenlerden mühendis adaylarına, lise öğrencilerinden akademisyenlere kadar çok farklı gruplarla çalıştım. İhtiyaçlar değişiyor, temel sorun pek değişmiyor: insanlar araca erişebiliyor, fakat kendi işinde nerede değer üreteceğini ve çıktıyı nasıl denetleyeceğini kestiremiyor. Bu çok önemli çünkü yanlış bir çıktının bedeli her zaman yalnızca kötü bir metin, yazı, resim olmuyor.
2. Eğitmenliğini üstlendiğiniz ve içerik tarafında iş birliği yürüttüğünüz Yapay Zekâ Okulum’un sizce yanıt verdiği ihtiyaç nedir ve bu iş birliğindeki rolünüz ne?
Ben bu oluşumda eğitmen ve içerik tarafında iş birliği yürütüyorum; sorunuzu da o çerçeveden yanıtlayayım.
Gözlemlediğim ihtiyaç şu: Türkçe yapay zekâ içeriğinde iki uç çok sık görülüyor. Bir tarafta birkaç haftada eskiyen araç listeleri, diğer tarafta doğrudan matematik ve kodla başlayan teknik kaynaklar var. Konuyu ciddiye alan, fakat mühendislik geçmişi olmayan öğretmen, araştırmacı ve öğrenciler bu iki uç arasında kalıyor.
Değerli bulduğum yön, kavramı uygulamaya bağlama çabası. Okur yalnızca “bu teknoloji nedir” sorusunun değil, “kendi işimde hangi problemi çözer ve sonucu nasıl kontrol ederim” sorusunun da cevabını bulabilmeli.
İkinci ölçütüm doğruluk. Bu alanda bilgi hızlı eskiyor; bu yüzden kaynağın ve tarihin görünür olması, iddianın ölçüsünün korunması gerekiyor. Bir aracın yapabildiklerini anlatmak kadar yapamadıklarını göstermek de eğitimin parçası.
Bu yaklaşımın kurumsal taraftaki karşılığı standart temelli eğitim. Yapay Zekâ Okulum (https://www.yapayzekaokulum.com/), uluslararası eğitim ve belgelendirme kuruluşu PECB’nin yetkili eğitim ortağı (Authorized Training Partner) olarak ISO/IEC 27001 Bilgi Güvenliği Yönetim Sistemi ve ISO/IEC 42001 Yapay Zekâ Yönetim Sistemi eğitimlerini verebiliyor. Ben bunu bir sertifika hattı olarak değil, tartışmayı araç kullanımından yönetişim, risk ve sorumluluk düzeyine taşıyan bir eğitim ihtiyacı olarak görüyorum — çünkü kurumlarda asıl açığın orada olduğunu düşünüyorum. Kendim de ISO/IEC 42001 uygulayıcı eğitimini alıyorum, dolayısıyla bunu dışarıdan bakan biri olarak söylemiyorum.
3. Yapay zekâ nedir? Prompt nedir ve nasıl yazılmalıdır?
Şu an birçok kişi yapay zekâ dendiğinde şöyle diyebiliyor: “Çet GiBiTi değil mi?” Ama yapay zekâ tek bir yöntem değil; örüntü tanıma, tahmin, dil işleme ve karar desteği gibi görevleri yerine getiren sistemlerin genel adı. Üretken yapay zekâ ise öğrendiği örüntülerden yeni metin, görsel, ses veya kod üretiyor. Dil modelleri ön eğitimde bir sonraki “tokenı” — kabaca kelime parçasını — öngörmeyi öğreniyor. Ortaya çıkan yetenekleri yalnızca model büyüklüğü belirlemiyor; veri, mimari, eğitim yöntemi ve sonradan yapılan iyileştirmeler birlikte belirliyor.
Buradaki en kritik ayrım şu: temel dil modeli kendi başına bir doğruluk veri tabanı değildir. Kullandığınız ürün arama yapabilir, size kaynak gösterebilir, hesaplama aracı çağırabilir. Buna rağmen akıcı bir cevap, doğrulanmış bir cevap anlamına gelmez. Aracı doğru kullanmanın ilk şartı bu ayrımı hiç unutmamak.
Prompt, modele verdiğiniz yönergedir. Ben “talimat” demeyi tercih ediyorum, çünkü ortada sihirli kelimeler değil, açık bir iş tarifi var. İyi bir talimatta dört unsur ararım:
- Bağlam ve hedef kitle. Çıktı kimin için, hangi durumda kullanılacak? “Gıda mühendisliği üçüncü sınıf öğrencilerine, laboratuvar öncesi ön okuma olarak” demek, çıktının seviyesini baştan belirler.
- Görev. Ne istediğinizi eylem fiiliyle söyleyin. Özetlemek, karşılaştırmak ve eleştirmek aynı görev değildir.
- Kısıt ve çıktı biçimi. Uzunluk, ton, dil ve beklenen yapı. “Üç maddede, teknik terimleri ilk geçtiği yerde açıklayarak” gibi.
- Kaynak ve örnek. Dayanmasını istediğiniz kaynağı verin; varsa iyi bir çıktı örneği ekleyin. Tek bir örnek, beklentinizi sayfalarca soyut tariften daha hızlı netleştirir.
İlk talimatın kusursuz olmasını beklemiyorum. Çıktıyı alır, “bu bölüm fazla genel; verdiğim kaynaktan örnek ve sayfa numarasıyla somutlaştır” diyerek ilerlerim. Modelden emin olmadığı yerleri açıkça söylemesini istemek de yararlıdır; ama bu talimat doğrulamanın yerini tutmaz — modelin ne zaman susması gerektiğini bilmesi hâlâ çözülmüş bir problem değil.
4. Yapay zekâ araçlarının hayatımızdaki rolleri nelerdir ve neler yapabiliriz?
Araç isimlerini sıralamak yerine hangi işlerde gerçekten değer ürettiklerine bakmak daha yararlı. Dört ana kullanım görüyorum.
Anlama ve özetleme. Uzun raporları, mevzuat metinlerini veya makale kümelerini yapılandırabilir; ortak noktaları ve çelişkileri görünür hâle getirebilir. Sizin alanınızdan örnek vereyim: bir katkı maddesiyle ilgili on beş çalışmayı yan yana koyup yöntem farklarını ve çelişen sonuçları çıkarmak, elle yapıldığında günler alan bir iş. Ama şunu net söyleyeyim: kaynağı vermek hata olasılığını azaltır, ortadan kaldırmaz. Model önündeki metni yanlış aktarabilir, kaynakta olmayan ayrıntı ekleyebilir, çelişen iki bulguyu uydurma bir uzlaşıyla birleştirebilir. Önemli her iddia kaynak metinle satır düzeyinde yeniden karşılaştırılmalı.
Üretim ve taslak çıkarma. Sunum iskeleti, e-posta taslağı, ders planı, prosedür taslağı gibi işlerde başlangıç maliyetini düşürüyor. Ben aracı ilk taslakta kullanıyor, asıl editörlüğü kendim yapıyorum. Hedefi, örnekleri ve alan bilgisini siz koymadığınızda metin hızla genelleşiyor.
Analiz ve kod. Veri temizleme, görselleştirme ve tekrarlı hesaplamalar için kod taslağı üretebilir; duyusal analiz verisinden raf ömrü çalışmasına kadar birçok yerde işi hızlandırır. Fakat yöntem seçimi, istatistiksel varsayımlar ve sonuçların yorumu kullanıcıya aittir. Çalışan kod, doğru analiz demek değildir; sessizce yanlış hesaplayan kod da çalışır.
Görsel, ses ve video üretimi. Eğitim materyali, infografik, seslendirme ve altyazı gibi işlerde üretim kapasitesini artırıyor. Burada telif, izin, temsil doğruluğu ve yapay üretimin açıklanması ayrı kontrol başlıkları.
Bir de sizin alanınıza özel bir uyarı eklemek isterim: etiket metinleri, beslenme ve sağlık beyanları, tüketiciye dönük iddialar mevzuata bağlı alanlardır. Bir dil modeli çok inandırıcı bir sağlık beyanı yazabilir; o beyanın mevzuata uygun olup olmadığını bilmez. Bu tür metinlerde yapay zekâ en fazla taslak üretir, hükmü ilgili mevzuat ve uzman verir.
Benim temel ölçütüm basit: makul görünen çıktı ile doğrulanmış çıktı aynı şey değildir. Tarih, sayı, atıf, mevzuat ve bilimsel iddia içeren her sonuç bağımsız olarak kontrol edilmelidir. Bildiğim konuda hız kazanmak için, bilmediğim konuda arama alanımı daraltmak için kullanıyorum; son kararı modele bırakmıyorum.
5. Yapay zekâ öğrenmeye nereden ve nasıl başlamalıyız? Araştırma ve içerik üretmede yapay zekâ araçlarını nasıl etkili kullanabiliriz?
Başlangıç noktası kendi işiniz olmalı. Kurs ve araç listesi biriktirmek yerine bu hafta bitirmeniz gereken gerçek bir işi seçin. Bir raporu özetlemek, bir ders akışı hazırlamak, küçük bir veri kümesini incelemek — soyut biçimde “yapay zekâ öğrenmeye” çalışmaktan çok daha öğreticidir.
Şu sırayı öneriyorum:
- Bir süre tek bir aracı düzenli kullanın. Her yeni modeli denemek ilerleme hissi verir ama beceri kazandırmaz. Bir aracın güçlü ve zayıf taraflarını gerçek görevlerde görün.
- Sonucunu gerçekten kullanacağınız görevler seçin. Önemli olan, çıktının bir kalite ölçütünün bulunması; yani “iyi oldu mu” sorusuna cevap verebiliyor olmanız.
- Hataları kaydedin. Model neden bağlamı kaybetti, kaynağı neden yanlış aktardı, neden tutarsız cevap verdi? Halüsinasyon, bağlam penceresi, token gibi kavramlar bu soruları çözerken yerli yerine oturuyor.
- İşe yarayan talimatı değil, tüm iş akışını saklayın: kaynak, talimat, kontrol adımı ve kabul ölçütü. Tekrar kullanılabilir olan asıl şey bu bütündür.
Araştırma ve içerik üretiminde en önemli ilke, kaynak paketini sizin belirlemeniz. Ama buraya baştan bir koşul koymak gerekiyor. Yalnızca paylaşma yetkiniz olan, kişisel ve gizli veriden arındırılmış, kurum politikasının izin verdiği içeriği kullanın. Bir araştırma veri seti; kişisel veri, üçüncü kişilere ait veri, ticari sır niteliğinde üretim parametresi, müşteri şikâyet kaydı veya yayın ambargosu altındaki sonuç içerebilir. Bu yüzden “kaynağı modele verin” tavsiyesi, “elinizdeki her dosyayı yükleyin” demek değil.
Bu koşul sağlandıktan sonra izlediğim akış şu: önce amacı ve hedef kitleyi tanımlarım, sonra kaynaklardan bir iskelet ve taslak çıkarırım, ardından her iddiayı kaynağıyla karşılaştırırım, atıfları özgün yayından doğrularım, metni kontrolden geçiririm ve hedef yayın gerektiriyorsa yapay zekâ kullanımını açıklarım.
Atıf konusunun altını özellikle çizeyim. Çünkü akademide en çok zarar veren yer burası: bu modeller var olmayan ama son derece inandırıcı görünen kaynak üretebiliyor. Yazar adı gerçek, dergi gerçek, yıl makul, DOI biçim olarak doğru — fakat böyle bir makale yok. Yapay zekâ literatür taramasında hangi kavramları aramanız gerektiğini buldurabilir. Makaleyi bulma, okuma ve değerlendirme sorumluluğu araştırmacıda kalır.
Son olarak: alan bilgisi burada süs değil, doğrulama zincirinin parçası. Araç işlemi hızlandırabilir; doğru soruyu, uygun yöntemi ve kabul edilebilir hata sınırını alan uzmanı belirler. Alanı bilmeden hız kazanmak, çoğu zaman yalnızca hatayı daha hızlı çoğaltır.
6. Yapay zekâ asistanı (kişisel sekreter) edinmemiz bir önceliğimiz olmalı mıdır? Kişisel, iş ve sosyal alanlarımıza etkisi ne düzeyde olur?
Herkes için birinci öncelik olduğunu söylemem. Önce üç şeye bakarım: iş gerçekten tekrar ediyor mu, hata maliyeti nedir ve kullanılan veri bu sisteme uygun mu? E-posta ayıklama, toplantı notu çıkarma, rapor özetleme gibi tekrar eden işler fazlaysa bir asistan anlamlı olabilir. Düzensiz bir süreci otomatikleştirmek ise çoğu zaman düzensizliği artırır.
Kendi düzenimden somut örnek vereyim. Bilgisayarımda çalışan, verisi cihazdan dışarı çıkmayan bir asistan kurdum; ondan karar vermesini değil, kararı hazırlamasını istiyorum. Sabah tek bir brifing düşüyor: gelen iletilerden benim için anlamlı olanlar, günün takvimi, o hafta son tarihi gelen işler. Kendi arşivimde — notlar, sözleşmeler, ders dosyaları, poliçeler — doğrudan arama yapabiliyorum; “bu ayrıntı hangi belgede geçiyordu” soruma yanıt alabiliyorum. İzlediğim kaynaklarda ya da takip ettiğim bir işte durum değiştiğinde haber veriyor. Temel mantık şu: tekrar eden, kaydı tutulan ve unutulduğunda bedeli olan işler asistanda; yorum, öncelik ve karar bende. Bir tasarım kuralımı da ekleyeyim: sayı ve kayıt isteyen işleri dil modeline sordurmuyorum, sabit bir program çalıştırıp sonucu olduğu gibi veriyorum; model yalnız isteğimi anlamak ve metni düzenlemek için devrede. Çünkü bir modele hesap yaptırdığınızda yanlış sonucu da aynı güvenle söyleyebilir.
Bunu herkese öneriyorum anlamına da gelmesin. Günde iki e-posta alan ve tek bir dosyayı takip eden birinin asistana ihtiyacı olmayabilir. Orada kurulum ve bakım maliyeti kazancın üstünde kalır. Bu sistemlerin bakımı var: bağlı olduğu bir kaynak yapısını değiştirdiğinde ya da arşiv dizini bayatladığında asistan hata vermez, sessizce eksik cevap verir — en tehlikeli arıza biçimi budur. Çünkü fark etmesi zordur. Ölçüt hacim ve tekrar: eşiği geçmiyorsa bir not defteri ile iki takvim hatırlatması daha iyi çözümdür. Eşiği geçtiğinde ise kazancı yalnız dakika hesabıyla ölçmüyorum. Benim için daha önemlisi, dikkatimi karar vermem gereken öncelikli işlere verebilmek.
Etkisi alana göre değişiyor:
- İş. Taslak üretimi, analiz, arşiv arama ve dokümantasyonda ölçülebilir fayda sağlayabilir. Süre, hata oranı ve yeniden işleme miktarı doğru takip edilirse faydanın gerçek olup olmadığı da görülür.
- Kişisel. Anlamadığınız bir konuyu size uygun seviyede ve istediğiniz kadar tekrar anlatabilen bir muhatap, kişiye uyarlanmış açıklamaya erişimi genişletiyor. Yanlış öğrenmeyi önlemek için güvenilir kaynakla karşılaştırma şart.
- Sosyal. İfade güçlüğü yaşayan birine düşüncesini düzenlemede yardımcı olabilir. Ancak kişisel iletişimi bütünüyle araca devretmek, muhataba ayrılan emeği ve ilişkinin özgün sesini azaltabilir.
Bir riski de açıkça söyleyeyim. Bu araçlar bilişsel yükü azaltırken rasyonel düşünme ve muhakeme pratiğini de azaltabiliyor. Bu sonuç kaçınılmaz değil, kullanım biçimine bağlı. Kendi kuralım basit: tekrarlı işi devredebilirim, kararı devredemem. Çıktının doğru, uygun ve yayımlanabilir olup olmadığına insan karar vermeli.
7. Yapay zekâ kullanımında etik ve güvenlik konularına nasıl dikkat etmeliyiz? Yapay zekâ ile ortaya çıkan tehditler nelerdir?
Bu başlığı üç düzeyde ele almak gerekiyor: kullanıcı olarak bizim sorumluluğumuz, teknolojinin kötüye kullanımından doğan tehditler ve kurumsal düzeyde işin nasıl yönetileceği.
Veri güvenliğinde başlangıç kuralım şu: genel amaçlı bir bulut hizmetine yazdığınız verinin kurum dışına çıkabileceğini varsayın. Kişisel veri; öğrenci, hasta veya müşteri bilgisi; yayımlanmamış araştırma verisi; sözleşme ve erişim bilgileri gelişigüzel yüklenmemeli.
Kullanımdan önce hukuki işleme şartı ve kurum politikası belirlenmeli; veri en aza indirilmeli ve gerekiyorsa gerçekten anonimleştirilmeli. Burada sık yapılan bir hata var: adı silmek anonimleştirme değildir. Kalan alanların birleşimi kişinin kimliğini belirlenebilir kılıyorsa, o veri hâlâ kişisel veridir.
Ardından sağlayıcının koşulları incelenmeli: veriyi eğitimde kullanıyor mu, ne kadar saklıyor, kimler erişiyor, silme talebi nasıl işliyor, veri hangi ülkede tutuluyor? Yurt dışına aktarım varsa 6698 sayılı Kanun’un 9. maddesindeki aktarım rejimi ayrıca değerlendirilmelidir. Kurumsal sürüm veya kendi sunucunuzda çalışan yerel model riski azaltabilir. Fakat tek başına uyum garantisi değildir.
Etik tarafta üç başlık öne çıkıyor:
- Şeffaflık. Yapay zekâ desteğinin nerede ve nasıl kullanıldığı, bağlam gerektiriyorsa açıklanmalı. Örneğin akademik çalışmada hedef derginin güncel politikası kontrol edilmeli. Birçok yayıncı kullanım biçiminin beyan edilmesini istiyor ve yapay zekânın yazar olarak gösterilemeyeceğini belirtiyor.
- Sorumluluk. İçeriği yayımlayan kişi, inceleme ve doğrulama sorumluluğunu yapay zekâya devredemez. Kaynak, telif, intihal ve olgusal doğruluk kontrolleri insan tarafından yapılmalı. “Yapay zekâ öyle yazdı” bir savunma değil.
- Yanlılık. Modeller eğitim verilerindeki önyargıları yansıtabilir veya pekiştirebilir. Seçme, değerlendirme ve sıralama gibi insanları etkileyen kararlarda veri, ölçüt ve sonuçlar ayrıca denetlenmeli.
Tehditler tarafında başlıca örnekler şunlar:
- Halüsinasyon. Akıcı ve kendinden emin bir dille üretilmiş yanlış veya kaynaksız bilgi. Riskin kaynağı, cevabın biçimsel kalitesinin doğruluk izlenimi vermesi.
- Deepfake ve kimlik taklidi. Artık birisine ait çok kısa ses ve görüntü örnekleri ikna edici taklitler üretmek için kullanılabiliyor. Tanıdık bir ses duymak artık kimlik kanıtı değil; kritik talepler ikinci bir kanaldan doğrulanmalı. Sosyal medyada bu yolla yapılan dolandırıcılık örnekleri sık sık gündeme geliyor.
- Ölçeklenmiş dolandırıcılık. Kişiye ve kuruma uyarlanmış oltalama metinleri düşük maliyetle üretilebiliyor. Yazım kusuru artık güvenilir bir sahtecilik göstergesi değil. Tedarik ve satın alma yazışmaları bu yüzden özellikle kırılgan.
- Belge sahteciliği. Analiz raporu, sertifika veya uygunluk belgesi görünümlü sahte dokümanlar üretmek kolaylaştı. Belgenin kendisine değil, veren kurumun doğrulama kanalına bakmak gerekiyor.
- Veri sızıntısı. Çoğu olay saldırı değil; iyi niyetli bir çalışanın gizli belgeyi özetletmek için uygun olmayan bir hizmete yüklemesi.
- Bilgi kirliliği ve tekdüzeleşme. Düşük maliyetli içerik üretimi doğrulamayı zorlaştırabilir; kaynak çeşitliliğini ve özgün üslubu azaltabilir. Gıda ve sağlık gibi alanlarda bu, yanlış bilginin daha hızlı ve daha inandırıcı yayılması demek.
Kurumsal düzey: standartlar neden gerekli?
Bireysel dikkat gerekli ama yeterli değil. Bir kurumda yapay zekâ kullanımı birkaç kişinin iyi niyetine bağlıysa, o kurumun bir politikası yok demektir. İşte standartlar tam burada devreye giriyor ve bence gıda alanı bu tartışmaya diğer birçok sektörden daha hazır.
Örneğin gıda güvenliğinde bir dönem hâkim mantık “son ürünü test et, uygunsa geçir” idi. Bunun yetmediği görüldü ve HACCP ile ISO 22000 çizgisinde süreci yönetme mantığına geçildi: tehlike analizi yapılır, kritik kontrol noktaları belirlenir, limitler tanımlanır, izleme kaydı tutulur, sapma olduğunda düzeltici faaliyet işletilir, izlenebilirlik sayesinde gerektiğinde geri çağırma yapılabilir. Sonuç ürüne değil, ürünü üreten sürece güvenilir hâle geldi.
Yapay zekâda bugün bulunduğumuz nokta, gıdadaki o eski aşamaya benziyor. Model bir test kümesinde iyi skor veriyorsa güvenli sayılıyor. Oysa sorulması gereken sorular şunlar: Bu model hangi veriyle eğitildi ve o veriyi kullanma hakkımız var mıydı? Hangi kararı hangi sınırlar içinde veriyor? Kim onayladı? Çıktısını kim izliyor? Yanlış çıktığında ne oluyor, geri alınabiliyor mu? Bir kurumda bu soruların yazılı cevabı yoksa, model ne kadar başarılı olursa olsun ortada yönetilen bir sistem yoktur.
ISO/IEC 42001, dünyanın ilk Yapay Zekâ Yönetim Sistemi standardı olarak tam bu boşluğu dolduruyor. Kurumdan şunları istiyor: yapay zekâ kullanımının amacını ve kapsamını tanımlamak. Rolleri ve sorumlulukları isimlendirmek. Yapay zekâya özgü risk değerlendirmesi ve etki değerlendirmesi yapmak. Veri ile modelin yaşam döngüsünü yönetmek. İnsan gözetiminin nerede devrede olduğunu belirlemek. Kullanımı izlemek, ölçmek ve sürekli iyileştirmek. Dışarıdan alınan model ve tedarikçileri de bu çerçeveye dâhil etmek.
Benzetmeyi zorlamadan söyleyeyim: 42001’in yaptığı şey, HACCP’in gıda güvenliğinde yaptığına yakın. Sorumluluğu kişisel dikkat olmaktan çıkarıp sistemin kayıt altına alınabilir, denetlenebilir bir parçası hâline getiriyor. Yapay zekâda “kritik kontrol noktası”nın karşılığı, kararın insana döndüğü noktadır. “İzlenebilirlik”in karşılığı, hangi verinin hangi modele girdiğinin ve hangi çıktının nereye gittiğinin kaydıdır.
ISO/IEC 27001’i de ayırmak gerekiyor, çünkü Türkiye’de çok daha tanınıyor ve sıklıkla karıştırılıyor. 27001, bilgi varlıklarının gizlilik, bütünlük ve erişilebilirliğine ilişkin riskleri yönetir. 42001 ise sistemin ne yaptığıyla, nasıl karar verdiğiyle, kime etki ettiğiyle ilgilenir. Bir model teknik olarak güvenli bir altyapıda çalışıyor olabilir. Bu, verdiği kararların adil, açıklanabilir ve mevzuata uygun yönetildiğini göstermez. İkisi birbirinin yerine geçmez, birbirini tamamlar.
Bu tartışmanın gönüllülük aşamasından çıktığını da eklemeliyim. Avrupa Birliği’nin Yapay Zekâ Yasası kademeli olarak yürürlüğe giriyor. 2026 yazında kabul edilen değişiklik paketiyle yüksek riskli sistemlere ilişkin bazı yükümlülüklerin takvimi ertelendi. Buna karşılık şeffaflık hükümleri ve yaptırım rejimi Ağustos 2026 itibarıyla işlemeye başladı. Türkiye’de ise yapay zekâya özgü, yürürlükte tek bir kanun henüz yok. Alan bugün KVKK, TCK, 5651 sayılı Kanun ve genel hükümler üzerinden yürüyor. TBMM’nin yapay zekâ araştırma komisyonu 2026 Mart’ında raporunu yayımladı ve bir çerçeve kanun ile kurumsal yapı önerdi. Yani düzenleme geliyor; sorumluluk çerçevesini şimdiden kuran kurumlar hazırlıklı olacak.
Bu noktada bir uyarıyı da yapmadan geçmeyeyim. Çünkü sertifikasyon dünyasında en sık düşülen hata bu. Sertifika kusursuzluk belgesi değildir ve otomatik mevzuat uyumu sağlamaz. Bir kurum 42001 belgesi aldığı için modelleri yanılmaz hâle gelmez. Önemli olan yönetim sisteminin gerçekten işletilmesi — kayıtların tutulması, risklerin gözden geçirilmesi, sapmaların düzeltilmesi. Duvara asılan belge, işleyen bir sistemin sonucu olduğunda anlamlıdır; kendisi amaç hâline geldiğinde değil. Bu da gıda sektörünün zaten yakından bildiği bir tuzak.
Bütün bunlardan “yapay zekâ kullanmayalım” sonucu çıkmıyor. Aksine, aracı tanımayan biri hem sağladığı faydaları değerlendirmekte hem de kötüye kullanımı fark etmekte zorlanır. Bu nedenle ihtiyacımız olan şey kör bir iyimserlik ya da toptan ret değildir. Veri, kaynak ve sorumluluk boyutlarını bütüncül şekilde ele alan bir yapay zekâ okuryazarlığına ihtiyacımız var.
Sorularınız için teşekkür ederim. Özellikle araştırma ve içerik üretiminde fayda kadar doğrulama, veri güvenliği ve insan sorumluluğunun da konuşulmasını önemli buluyorum.
Şeffaflık notu: Bu röportajdaki görüşler ve yanıtlar bana aittir. Metnin taslak hâline getirilmesinde, dil bilgisi ve yazım denetiminde yapay zekâ araçlarından yararlandım. Son okuma, olgusal denetim ve sorumluluk bana aittir.
Dr. Murat ALTUN’u ve Yapay Zeka Okulum’ u aşağıdaki bağlantılardan takip edebilirsiniz.
https://www.linkedin.com/in/drmurataltun/
https://www.instagram.com/drmurataltun/
https://www.yapayzekaokulum.com/
https://www.instagram.com/yapayzekaokulum?utm_source=ig_web_button_share_sheet&igsh=ZDNlZDc0MzIxNw==
Meraklısına;
Kodeks Alimentarius’a Dair Merak Edilenler: Bşk. Yrd. Dr. Betül VAZGEÇER ile Röportaj
Sıfır Atık Vakfı’nın Gıda Atıkları Üzerine Çalışmaları: Başkan Dr. Samed AĞIRBAŞ’la Röportaj
Yapay Zeka Gıda Üretimine Girdi: Gıda Mühendisliği Nereye Gidiyor?
