LLM Veri Kalkanı: Kişisel Veri Maskeleme ve Çıkış Denetimi
Müşteri adları, kimlikleri ve iş verisi dış modele hiç ulaşmadan çalışan; sızıntıyı varsaymak yerine her sürümde ölçen LLM güvenlik katmanı.
Model Müşteriyi Hiç Tanımaz — Ama Sorusunu Doğru Cevaplar
Bir işletme yazılımına AI eklemenin bedeli çoğu zaman görünmezdir: kullanıcının sorusu, ekrandaki tablo, bir aracın döndürdüğü kayıt — hepsi bir prompt'un içinde dışarı çıkar. Motice Shield bu yolu tek bir kapıya indirir. Modele giden her şey önce bu kapıdan geçer; tanımlı olmayan hiçbir durumda gönderim yapılmaz.
Kapının içinde, her konuşma turu ve her işletme için ayrı, bellekte yaşayan bir takma kimlik kasası çalışır. Ayşe Yılmaz modele "Müşteri-1" olarak gider; cevap akarken kullanıcının ekranında yeniden Ayşe Yılmaz olur. Kullanıcının sorusu, ekran bağlamı, sistem talimatları ve araç çıktıları — dört çıkış kanalının dördü de aynı kurallardan geçer. Hangi alanların paylaşılabileceğini söyleyen bir manifestosu olmayan araç çıktısı modele hiç gitmez.
Güveni sağlayıcı sözleşmesine de bağlarız. Veriyi eğitimde kullanmama, saklamama, veri bölgesi ve KVKK dayanağı kayıtlı değilse gerçek veriyle tek bir çağrı bile yapılmaz. Model yalnızca o turda gerçekten gördüğü kayıt kimliklerini kullanabilir — bu kuralı, uydurulmuş tek bir şube kimliğinin 11 randevuyu "0" gösterebildiğini ölçtükten sonra ekledik.
Nasıl Çalışır
Tur ve işletme bazlı takma kimlik kasası; cevap akışında geri açma
Dört kanalda çıkış denetimi: soru, ekran bağlamı, sistem talimatı, araç çıktısı
Alan manifestosu: tanımlanmamış veri varsayılan olarak modele gitmez
Kapalı-varsayılan çıkış kapısı: politika, amaç bağlamı ve karar kaydı olmadan çağrı yok
Sağlayıcı sözleşme kanıtı: eğitim, saklama, veri bölgesi ve KVKK kontrolü
Kimlik kaynağı kapısı: model yalnızca gerçekten gördüğü kimlikleri kullanır
Sızıntıyı Ölçüyoruz
Kalan riski saklamıyoruz. Her sürümde aynı rol bazlı soru seti çalıştırılır; sızan takma kimlikler, modelden saklanan çıktılar, gecikme ve token maliyeti raporlanır. Güvenlik bir iddia değil, bir test sonucu olur.
Nerede Kullanıyoruz
Pilates, yoga ve stüdyo işletmeleri için geliştirdiğimiz Motice'in AI asistanı Ask Motice bu katmanın arkasında çalışır. Çekirdeği, Motice'in iş kurallarından bağımsız bir paket olarak tasarlandı; aynı koruma başka ürünlere taşınabilir.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
Arayüz ve yapay zekâ aynı kapıdan geçer: AI, kendisini kullanan kişinin yetkisini asla aşamaz; taslak hazırlar ama onaysız uygulamaz.
Yapay Zekâya Ayrı Bir Yetki Yok — Sadece Sizinki Var
AI asistanlı ürünlerde en tehlikeli kısayol, modele ayrı bir "süper kullanıcı" yolu açmaktır. Biz tersini yapıyoruz: bir operasyonun tek bir tanımı vardır — tek şema, tek yetki, tek risk seviyesi, tek işleyici. Arayüzdeki bir buton da, AI'ın çağırdığı bir araç da aynı kayıttan (tool registry) geçer.
Yetki kontrolü, çağıranın insan mı AI mı olduğuna bakmaz; AI, onu kullanan kişinin yetkisini ve şube kapsamını aynen devralır. Üstüne bir risk kapısı eklenir: okuma serbesttir, yazma insan onayı ister, kritik işlemler asla otonom çalışmaz. Onay kartı gösterilen önizlemenin özetini taşır, süreyle sınırlıdır ve yalnızca isteyen kişi onaylayabilir.
Kimlik de modelden gelmez. Kullanıcı ve işletme kimliği sunucudaki oturumdan çözülür; araç şemaları kimlik alanı içeremez ve bu kural bozulduğunda bir test build'i kırar. Veritabanında ise her işletme tablosu PostgreSQL satır seviyesi güvenlikle (RLS) korunur — AI'ın hatalı bir sorgusu bile başka bir işletmenin verisine ulaşamaz.
Nasıl Çalışır
Tek kapı: arayüz ve AI için tek operasyon tanımı
AI = kullanıcının aynası: aynı yetki, aynı veri kapsamı
Risk kapısı: okuma serbest, yazma onaylı, kritik işlem asla otonom
Özetli, süreli ve kişiye bağlı onay kartları
Kimlik oturumdan gelir; araç girdilerinde kimlik alanı yasak
İşletme izolasyonu veritabanında: zorunlu RLS ve kapsam testi
Neden Önemli
İki ayrı kapı zamanla iki ayrı gerçek üretir: aynı işlemin arayüzdeki ve AI'daki kuralları sessizce ayrışır. Tek kapı bunu mimari olarak imkânsız kılar — bir kuralı değiştirdiğinizde hem insan hem AI için değişir.
Nerede Kullanıyoruz
Motice'in 21 alan modülündeki işlemler — randevu, paket, satış, tahsilat — hem panelden hem Ask Motice'ten bu tek kapıyla çalışır.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
Kimlik kartını okurken tahmine değil kontrol hanelerine dayanan; yüz eşleştirme ve canlılık kontrolünü gerçek kişisel veri kullanmadan geliştirdiğimiz uzaktan kimlik doğrulama hattı.
Bir Kimlik Kartında Güvenilecek Şey, Okunan Metin Değildir
Uzaktan kimlik doğrulama sistemlerinin çoğu kartın ön yüzünü okur ve okuduğuna güvenir. Biz ölçtük: gerçek kartlarda ön yüz OCR'ı alanların ancak ~%77'sini birebir doğru okuyor. Bu yüzden güveni başka bir yere bağladık: kartın arka yüzündeki makine okunur bölgeye (MRZ).
MRZ, ICAO 9303 standardındaki kontrol haneleriyle kendi doğruluğunu taşır. Okunan bir değer kontrol hanesini tutmuyorsa yanlıştır — tahmine yer yoktur. Ön yüz okuması yalnızca destekleyicidir: T.C. kimlik numarası kendi algoritmasıyla doğrulanır, tek karakterlik OCR hataları bu kuralla kurtarılır, tarihler ve isimler makullük kontrolünden geçer.
Kartın sahibi de kanıtlanmalı. Kart fotoğrafı ile canlı selfie yüz embedding'leri üzerinden eşleştirilir; eşik, yanlış kabul ve yanlış red oranlarını ölçen bir kalibrasyon aracıyla belirlenir. Kullanıcıdan rastgele baş hareketleri istenir; ekrandan çekilmiş bir fotoğrafa karşı pasif sahtecilik tespiti çalışır. Geliştirmeyi gerçek kimlik kartlarıyla değil, ürettiğimiz sentetik kartlarla yürüttük — KVKK yükü baştan yoktur.
Nasıl Çalışır
MRZ-kanonik güven modeli: ICAO 9303 kontrol haneleri
Ön yüz OCR'ı yalnızca destek; T.C. kimlik algoritmasıyla hata kurtarma
Kart tespiti, perspektif düzeltme, OCR oylamasıyla otomatik döndürme
Kalibre edilmiş eşikle yüz eşleştirme (ArcFace)
Rastgele baş hareketiyle canlılık, pasif sahtecilik tespiti
Sentetik veri ve 9 senaryolu doğruluk ölçüm düzeneği
Öğrendiğimiz
Sentetik kartlarla eğittiğimiz bir alan tespit modelini, gerçek kartlarda alanları kaçırdığı için bıraktık ve hattı ağır derin öğrenme bağımlılıklarından arındırdık. Doğruluğu demo kartlarında değil gerçek kartlarda ölçmek, bu kararı verdiren şeydi.
Nerede Kullanıyoruz
Kendi uzaktan kimlik doğrulama hattımız UNITICID'de. Aynı yüz eşleştirme altyapısı, Hardiye'de dönen müşteriyi fotoğraf saklamadan tanımak için de çalışır.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
Bilgiyi silmeden güncelleyen, "neyi ne zaman biliyorduk" sorusunu cevaplayabilen ve her AI ajanına aynı kurumsal hafızayı sunan ajan hafızası.
Bir Ajan Neyin Doğru Olduğunu Değil, Ne Zaman Doğru Olduğunu Bilmeli
Çoğu AI hafızası ya her şeyi unutur ya da her şeyi üst üste yığar. İkisi de aynı yere varır: ajan eski bir kararı bugünün gerçeği sanır. APEX'te hafızayı zaman boyutlu (bi-temporal) kurduk. Yeni bir bilgi eskisini silmez, geçersiz kılar; eski kayıt neyin yerine geçtiğini bilerek arşivde kalır. Böylece "Mart'ta ne biliyorduk?" sorusu bile cevaplanabilir.
Hatırlamak da seçicidir. Neredeyse aynı olan bir bilgi ikinci kez yazılmaz. Getirme sırasında anlam benzerliği, önem ve güncellik birlikte puanlanır; güncellik üstel olarak azalır, böylece eski ama önemli bir karar kaybolmaz. Saklama süresi olan bilgi süre dolunca kendiliğinden düşer; embedding'ler yerelde üretildiği için hafıza şirket dışına çıkmaz.
Hafıza tek bir ajana ait değildir. MCP üzerinden servis edilir; konuşma, kodlama ve içerik ajanları aynı beyinden okur ve aynı beyne yazar. Aynı sunucu Linear'a ve Google Drive'a da bağlanır. Her çağrı bir denetim kaydı ve kişisel verisi maskelenmiş bir iz bırakır.
Nasıl Çalışır
Bi-temporal kayıt: geçersiz kılma, sürüm zinciri, asla silme
Neredeyse aynı bilgiyi tekrar yazmayan tekilleştirme
Anlam + önem + üstel güncellik ile yeniden sıralama
Saklama süresiyle KVKK uyumlu unutma; yerel embedding
MCP sunucusu: hatırla, kaydet, bağlam; Linear ve Drive araçları
OAuth 2.1 erişim, her çağrıda denetim kaydı ve iz
Hibrit Erişim
Aynı yaklaşımı ürün aramasında da kullanıyoruz. Hardiye'de fiyat, aroma, gramaj gibi kesin istekler milisaniyeler içinde yapısal sorguya; "antrenman sonrası bir şey" gibi belirsiz istekler anlam aramasına gider. İkisi tek bir aracın arkasındadır — gerçek zamanlı model hangisini seçeceğini düşünmek zorunda kalmaz.
Nerede Kullanıyoruz
Unitic'in kendi kolektif AI beyni APEX'te ve Hardiye'nin ürün aramasında.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
Sesli asistanları gerçek kullanıcıya çıkmadan önce, müşteri rolünü oynayan başka bir yapay zekâyla konuşturup ölçtüğümüz test ve telemetri altyapısı.
Bir Sesli Asistanı Dinleyerek Değil, Konuşturarak Test Edersiniz
Sesli bir asistanın kalitesini birkaç deneme konuşmasıyla anlamak imkânsızdır; hatalar konuşmanın kuyruğunda, araya girildiği anda, yanlış duyulan bir üründe saklanır. Hardiye için bunu bir test problemine çevirdik: müşteri rolünü oynayan bir yapay zekâ gerçek zamanlı odaya katılır ve asistanla konuşur; konuşmanın olay zaman çizelgesi yazılı senaryolara göre otomatik doğrulanır.
Gecikmeyi tek bir sayı olarak görmüyoruz. Bir cümlenin ağızdan kulağa yolculuğu adım adım işaretlenir: kullanıcının sustuğu an, modelin ilk kelimesi, sesin çalmaya başladığı an. Toplam sürenin ne kadarının arka uçta, ne kadarının avatarda harcandığını ayrı ayrı görürüz. Sahte mikrofonla çalışan bir tarayıcı, araya girme (barge-in) senaryolarını her sürümde yeniden oynatır.
Ölçüm karar verdirir: sessizlik eşiği A/B testiyle ayarlanır, araç çıktıları modelin işleyeceği boyuta sıkıştırılır, yanlış duyulmuş olabilecek bir ürün adı sesli teyide döner, konuşma dökümlerinde Latin dışı halüsinasyonlar ayrıca sayılır. Aynı disiplin diğer AI sistemlerimizde de var: kurumsal beyin için maliyet ve gecikme hedefli senaryo testleri, Motice için her sürümde sızıntı ölçümü.
Nasıl Çalışır
LLM ile simüle edilmiş müşteri: gerçek zamanlı odada ses-ses test
YAML senaryolarla olay zaman çizelgesi doğrulaması
Ağızdan kulağa gecikme telemetrisi: arka uç ve avatar payı ayrı
Sahte mikrofonlu tarayıcıyla gecikme ve araya girme testleri
Langfuse ile oturum başına uçtan uca iz
Maliyet ve gecikme hedefli senaryo testleri
Nerede Kullanıyoruz
Hardline Nutrition'ın sesli asistanı Hardiye'de; ayrıca APEX ve Motice'in AI katmanlarında.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
Bir AI ajanının siteyi yalnızca tipli araçlarla değiştirebildiği, her düzenlemenin taslaktan onaya giden bir yönetişimden geçtiği içerik altyapısı.
Ajana Klavye Değil, Araç Seti Veriyoruz
"AI sitemizi yönetsin" fikri cazip; ama ajana veritabanını ya da HTML'i açmak felakete davetiyedir. Anvil'de ajan siteye yalnızca tanımlı, tipli araçlarla dokunur: sayfa düzenle, SEO güncelle, site sağlığını kontrol et, bilgi ara. Yaklaşık yirmi aracın her birinin girdisi ve çıktısı bir sözleşmeyle tanımlıdır; aynı araçlar hem MCP üzerinden dış ajanlara hem panel içindeki asistana açıktır.
Yönetişim ajanın iyi niyetinde değil, araç katmanındadır. Ajanın yaptığı her düzenleme taslağa düşer; canlı siteyi yalnızca yayınlama değiştirir ve yayın bir onay kuyruğundan geçer. Bir sayfayı insan düzenlerken ajan o sayfaya dokunamaz. Kiracı bağlamı sunucuda eklenir, modelin parametresi olarak hiç gelmez. Her işlem denetim kaydına yazılır.
Ajan uydurmaz. Bir bilgiyi yazmadan önce kiracıya özel bilgi tabanında arar; bulamazsa sorar. Markanın sesi bir URL'den çıkarılır ve her talimata eklenir; görseller için alternatif metinler arka planda üretilir, SEO meta verisi ve yapısal veri aynı araçlarla güncellenir.
Nasıl Çalışır
Sözleşmeli, tipli araç seti; MCP ve panel içi ajan
Taslak → onay kuyruğu → yayın; sayfa kilitleri
Kiracı bağlamı sunucuda, modelden asla
Kiracıya özel bilgi tabanı: önce ara, bulamazsan sor
Marka kimliği çıkarımı, otomatik alternatif metin, SEO ve yapısal veri
Her işlemde denetim kaydı
Nerede Kullanıyoruz
Unitic'in kendi AI-öncelikli içerik yönetim ürünü Anvil'de.
Bu tekniği ürününüze taşıyalım
Aynı yaklaşımı kendi sisteminizde nasıl kurabileceğimizi ekibimizle konuşun.
