Data Leakage

Makine öğreniminde (ML) veri sızıntısı, eğitim verilerinin dışından gelen bilgilerin bir model oluşturmak için uygunsuz şekilde kullanılmasıyla ortaya çıkar. Bu gizli algoritmik kusur, eğitim ve model testi sırasında olağanüstü performans yanılsaması yaratır; ancak model gerçek dünyadan, daha önce görülmemiş verilerle karşılaştığında ciddi bir genelleme başarısızlığına yol açar. Veri sızıntısının yetkisiz veri ifşası anlamına geldiği geleneksel siber güvenlik tanımlarının aksine, makine öğreniminde veri sızıntısı tanımı tamamen eğitim verilerinin kirlenmesine ve tahmin bütünlüğünün bozulmasına odaklanır.

Veri Sızıntısı Nasıl Gerçekleşir#

Makine öğreniminde veri sızıntısının ne olduğunu anlamak için bu hata noktasının modern işlem hatlarında ortaya çıktığı iki temel mekanizmaya bakmak faydalıdır:

• Eğitim-Test Kontaminasyonu: Bu durum, test verilerinin yanlışlıkla eğitim kümesine sızmasıyla gerçekleşir. Yaygın bir neden, bu dönüşümleri bağımsız olarak uygulamak yerine veri kümesini bölmeden önce tüm veri kümesi üzerinde veri ön işleme (normalleştirme veya ortalama değerleri hesaplama gibi) gerçekleştirmektir.
• Hedef Sızıntısı: Bu durum, tahmin özellikleri çıkarım sırasında mantıken mevcut olmayacak bilgileri içerdiğinde ortaya çıkar. Örneğin, hedef değişkenin doğrudan bir sonucu olan bir özelliği dahil etmek, modele yanıt anahtarını önceden vermek anlamına gelir.

Gerçek Dünyadan Veri Sızıntısı Örnekleri#

Güvenilir AI oluşturmak için veri sızıntısını nasıl tespit edip önleyeceğini anlaman kritik öneme sahiptir. Bu kavramın üretim ortamlarındaki dağıtımları nasıl aksattığına dair iki somut örneği burada bulabilirsin:

• Sağlık Hizmetlerinde AI: Bir sağlık kuruluşu akciğer hastalığını tespit etmek için hasta röntgenlerini kullanarak bir algoritma eğitirse, ancak pozitif taramaların tümü tanıdan sonra doktorlar tarafından yerleştirilen cerrahi işaretler içeriyorsa hedef sızıntısı meydana gelir. Model, hastalığın biyolojik belirtilerini öğrenmek yerine yalnızca cerrahi işareti tanımayı öğrenir.
• Bilgisayarlı Görüntü Video Analizi: Eylem tanıma gibi görsel görevlerde, birbirine komşu video karelerinin hem eğitim hem de doğrulama kümelerine rastgele bölünmesi büyük çaplı eğitim-test kontaminasyonuna neden olur. Ardışık kareler neredeyse aynı olduğundan model, karmaşık insan eylemini öğrenmek yerine örtüşen arka planları ezberler ve standart OpenAI model değerlendirme uygulamalarını ihlal eder.

Veri Sızıntısını Önleme ve Koruma#

Veri sızıntısına karşı koruma, mühendislik yaşam döngüsü boyunca sıkı veri hijyeninin korunmasına ve yapılandırılmış ortamların kullanılmasına dayanır.

• Titiz Veri Bölme: Örtüşen örneklerin veya zaman serisi verilerinin sınırları aşmamasını sağlamak için katı kronolojik ya da gruplandırılmış veri bölmeleri uygula; bu yöntem AWS makine öğrenimi belgelerinde özellikle vurgulanır.
• Çapraz Doğrulama Stratejileri: Veri ölçeklendirme ve özellik mühendisliğinin ilgili eğitim katları içinde sıkı biçimde tutulduğu sağlam doğrulama tekniklerini kullan; bu yaklaşım scikit-learn doğrulama kılavuzlarında önerilir.
• Ultralytics Platform Veri Kümesi Yönetimi: Bulut tabanlı görüntü araçlarını kullanmak, veri kümesi sınırlarının güvenli şekilde bölümlendirilmesini sağlar. Ultralytics YOLO26, katı veri kümesi yapılandırmalarına uyarak modelin öğrenme aşamasında doğrulama görüntülerine yanlışlıkla erişmemesini sağlar.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Train the model using a strict dataset configuration (data.yaml)
# The YAML file enforces rigid, isolated paths for 'train' and 'val' directories,
# ensuring data leakage protection between the learning and evaluation phases.
results = model.train(data="dataset.yaml", epochs=50, imgsz=640)

Veri Sızıntısını İlgili Kavramlardan Ayırt Etme#

Terminoloji veri bilimi ile siber güvenlik arasında sıklıkla örtüştüğünden, veri sızıntısını yakından ilişkili kavramlardan ayırt etmek önemlidir.

• Aşırı Öğrenme: Her iki sorun da modellerin üretimde başarısız olmasına neden olsa da aşırı öğrenme, modelin geçerli ve yalıtılmış bir eğitim kümesindeki doğal gürültüyü ezberlemesi anlamına gelir. Veri sızıntısı ise modele test yanıtlarına yasa dışı erişim verilmesi demektir.
• Veri Güvenliği: BT dünyasında veri sızıntısını önleme, güvenlik duvarları, şifreleme ve sıkı erişim denetimleri kullanarak yetkisiz veri ifşasını önlemeyi içerir. Bu, kurumsal veri gizliliği çerçevelerinin kapsamına girer. Güvenlik şirketleri bu konuya büyük önem verir; daha fazla bilgiyi Rapid7 tehdit istihbaratı veya SecurityScorecard'ın önleme genel bakışından okuyabilirsin. Alternatif olarak, Wiz'in veri güvenliği akademisi, bulut yanlış yapılandırmalarının bu ifşalara nasıl yol açtığını açıklar; bu durum, makine öğreniminde ele alınan algoritmik kontaminasyondan tamamen farklıdır.