Data Provenance

Veri köken bilgisi, bir veri parçasının belgelenmiş geçmişidir: nereden geldiği, onu kimin oluşturduğu veya topladığı, hangi lisans ya da izin kapsamında kullanıldığı ve modele ulaşmadan önce üzerinde yapılan tüm dönüşümler. Makine öğreniminde köken bilgisi ham görüntü veya metinleri, bunlara uygulanan veri etiketlemeyi, temizleme ve veri ön işleme adımlarını, veri kümesi bölümlerini ve sürümlerini, ayrıca bunları kullanan eğitim çalışmalarını kapsar; böylece dağıtılan her model, dayandığı kesin eğitim verilerine kadar izlenebilir. Veri soyu çoğunlukla eş anlamlı olarak kullanılır. İkisi birbirinden ayrıldığında veri soyu, verilerin iş hatları ve sistemler arasındaki akışını ve dönüşümünü; köken bilgisi ise kaynağı, sahipliği ve kullanım haklarını ifade eder.

W3C PROV Modeli#

W3C, köken bilgisini temsil etmeye yönelik bir standartlar ailesi olan PROV'u 2013'te yayımladı. Her türlü geçmişi üç türle tanımlar: dosyalar ve veri kümeleri gibi varlıklar; açıklama ekleme veya eğitim gibi, varlıkları kullanan ve üreten faaliyetler; faaliyetlerden sorumlu kişiler, kuruluşlar veya yazılımlar gibi aracılar. Görüntü veri kümesine uygulandığında kayıt bir grafik oluşturur:

Köken Bilgisi Neden Önemlidir?#

Köken bilgisi öncelikle hata ayıklamayı ve tekrarlanabilirliği destekler. Üretimde doğruluk düştüğünde ya da veri kayması ortaya çıktığında, bu bilgi mühendisin soruna hangi etiketleme grubunun, kaynak kameranın veya temizleme adımının yol açtığını bulmasını ve eğitimi tam olarak aynı verilerle yeniden çalıştırmasını sağlar. Aynı kayıtlar, yalnızca gündüz ya da tek bir ülkede toplanmış bir yaya veri kümesi örneğinde olduğu gibi, veri kümesi yanlılığını ortaya çıkarır ve veri zehirlenmesini de kontrol altına alır: her örneğin kaynağı bilindiğinde, güvenliği ihlal edilmiş bir kaynaktan gelen her örnek kaldırılabilir.

İkinci kaygı haklardır. Data Provenance Initiative, 2023'te 1.800'den fazla metin veri kümesini denetledi ve popüler barındırma sitelerinde bunların %70'inden fazlasında lisans bilgisinin eksik, %50'den fazlasında ise yanlış sınıflandırılmış olduğunu buldu. Tıbbi görüntü analizinde köken kayıtları her taramayı hangi hastanenin sağladığını, kullanım için hangi iznin veya yasal dayanağın bulunduğunu ve tanımlayıcıların kaldırılıp kaldırılmadığını belirtir; veri gizliliği yasaları kuruluşların bu bilgileri kanıtlamasını gerektirir. Üretilmiş görüntüler ve metinler çevrimiçi ortamda yayıldıkça hangi örneklerin sentetik veri olduğunu izlemek model çöküşünü önlemeye de yardımcı olur; İçerik Kimlik Bilgileri ise bu köken bilgisini doğrudan medya dosyalarında taşır.

Mevzuat artık bunu zorunlu kılıyor. AB Yapay Zekâ Yasası, yüksek riskli sistem sağlayıcılarının veri toplama süreçlerini ve verilerinin kaynağını belgelemesini; genel amaçlı AI model sağlayıcılarının ise Avrupa Komisyonunun Temmuz 2025'te yayımladığı şablonu kullanarak eğitim içeriklerinin özetini paylaşmasını zorunlu kılar.

Köken Bilgisini Uygulamada Kaydetme#

Köken bilgisi üç düzeyde toplanır. Timnit Gebru ve çalışma arkadaşlarının 2018'de önerdiği Veri Kümeleri için Bilgi Formları gibi veri kümesi belgeleri, veri kümesinin amacı, bileşimi, toplama süreci, ön işlemesi ve kullanım amaçlarına ilişkin soruları yanıtlar ve bu veri kümesiyle eğitilen modeller için model kartlarını tamamlar. Sürümleme araçları veri kümelerinin anlık görüntülerini alır ve dosyaları içerik özetleriyle tanımlar; böylece model değiştirilemez bir veri kümesi sürümüne başvurabilir. İş hattı araçları, OpenLineage gibi açık belirtimleri izleyerek işler çalışırken veri soyu olayları üretir.

Üçüncü düzey, yapıtların içinde saklanan üst verilerdir. Her Ultralytics YOLO eğitim çalışması, veri kümesi YAML yolu ve veri artırma ayarları da dahil olmak üzere tam yapılandırmasını, çalışma dizinindeki args.yaml konumuna yazar; kaydedilen kontrol noktası da aynı eğitim argümanlarını Ultralytics sürümü ve kayıt tarihiyle birlikte taşır:

from ultralytics import YOLO

# Bir kontrol noktası yükle; Ultralytics ağırlık dosyaları, kendilerini üreten çalışmanın kaydını saklar.
model = YOLO("yolo26n.pt")
ckpt = model.ckpt

# Eğitimde kullanılan veri kümesi ve ayarların yanı sıra paket sürümü ve kayıt tarihi
print(ckpt["train_args"]["data"], ckpt["train_args"]["epochs"], ckpt["train_args"]["imgsz"])
print(ckpt["version"], ckpt["date"])

Bu kayıt, model ağırlıklarını onları üreten veri referansına ve ayarlara bağlar; AI'da şeffaflık ve AI yönetişimi incelemelerinin dayandığı kanıt budur. Eğitim tamamlandığında Ultralytics, dosya boyutunu küçültmek için best.pt içindeki optimize edici durumunu kaldırır ancak bu alanları korur; böylece kayıt dağıtılan dosyayla birlikte taşınır.