Data Security

Veri güvenliği, dijital bilgileri yaşam döngüleri boyunca yetkisiz erişim, bozulma, hırsızlık veya kesintilerden korumak için kullanılan koruyucu önlemleri, stratejileri ve teknolojileri kapsar. Makine Öğrenmesi (ML) ve Yapay Zeka (AI) bağlamında bu disiplin, tahmine dayalı sistemlerin güvenilirliğini sağlamak ve kullanıcı güvenini korumak için son derece önemlidir. Eğitim için gereken geniş veri setlerinin güvenliğini sağlamayı, model davranışını tanımlayan tescilli algoritmaları korumayı ve bu modellerin çalıştığı altyapıyı güçlendirmeyi içerir. Kapsamlı bir güvenlik stratejisi, veri varlıklarının gizlilik, bütünlük ve erişilebilirlik ilkelerinden oluşan "CIA üçlüsünü" ele alır.

Link to this sectionYapay Zeka İş Akışlarında Güvenliğin Rolü#

Kuruluşlar bilgisayarlı görü (CV) ve diğer yapay zeka teknolojilerini kritik iş akışlarına giderek daha fazla entegre ettikçe, potansiyel ihlaller için saldırı yüzeyi genişler. Bir yapay zeka iş akışının güvenliğini sağlamak, geleneksel BT güvenliğinden farklıdır çünkü modellerin kendileri hedeflenebilir veya manipüle edilebilir.

• Fikri Mülkiyet Koruması: YOLO26 gibi en güncel mimariler, araştırma ve hesaplama kaynaklarına yapılan önemli yatırımları temsil eder. Model şifreleme standartları dahil olmak üzere sağlam güvenlik protokolleri, rakipler tarafından model çıkarımını veya hırsızlığını önlemek için gereklidir.
• Adversarial Saldırılara Karşı Savunma: Yeterli savunma mekanizmaları olmadan, sinir ağları adversarial saldırılara karşı savunmasız kalır. Bu senaryolarda kötü niyetli aktörler, modeli yanlış sınıflandırmalar yapmaya yönlendirmek için girdi verilerine ince, genellikle fark edilemez gürültüler ekler; bu da otonom sürüş gibi güvenlik açısından kritik sistemlerde ciddi riskler oluşturur.
• Veri Zehirlenmesini Önleme: Güvenlik önlemleri, saldırganların modelin gelecekteki davranışını bozmak için eğitim verilerine kötü niyetli örnekler enjekte ettiği "veri zehirlenmesini" engellemelidir. Bu, özellikle modelin yeni girdilere göre sürekli güncellendiği aktif öğrenme döngülerini kullanan sistemler için kritiktir. Bu tehditler hakkında daha derinlemesine bilgi için OWASP Makine Öğrenmesi Güvenliği İlk 10 listesi endüstri standardında bir çerçeve sunar.

Link to this sectionGerçek Dünya Uygulamaları#

Veri güvenliği, hassas endüstrilerde güvenilir yapay zeka sistemleri konuşlandırmak için temel bir gerekliliktir.

Link to this sectionSağlık Hizmetlerinde Uyumluluk ve Anonimleştirme#

Sağlık hizmetlerinde yapay zeka alanında, hasta verilerini işlemek HIPAA gibi düzenlemelere sıkı sıkıya bağlı kalmayı gerektirir. Hastaneler tümörleri veya kırıkları tespit etmek için tıbbi görüntü analizi kullandığında, veri iş akışı hem depolama hem de iletim sırasında şifrelenmelidir. Ayrıca sistemler, genellikle DICOM meta verilerini temizler veya görüntüleri cihaz üzerinde yerel olarak işlemek için Edge AI teknolojisinden yararlanarak hassas Kişisel Tanımlanabilir Bilgilerin (PII) güvenli tesis ağından asla çıkmamasını sağlar.

Link to this sectionAkıllı Şehir Gözetimi#

Modern Akıllı Şehirler, trafik akışını yönetmek ve kamu güvenliğini artırmak için nesne algılamaya güvenir. GDPR gibi gizlilik standartlarıyla uyumlu olmak için güvenlik kameraları genellikle gerçek zamanlı karartma uygular. Bu, sistemin araçları sayabilmesini veya kazaları tespit edebilmesini sağlarken, vatandaşların kimliklerini korumak için plaka ve yüzleri otomatik olarak gizler.

Link to this sectionTeknik Uygulama: Otomatik Karartma#

One common data security technique in computer vision is the automated blurring of sensitive objects during inference. The following Python code demonstrates how to use ultralytics with the YOLO26 model to detect persons in an image and apply a Gaussian blur to their bounding boxes, effectively anonymizing the individuals before the data is stored or transmitted.

import cv2
from ultralytics import YOLO

# Load the YOLO26 model (optimized for real-time inference)
model = YOLO("yolo26n.pt")
image = cv2.imread("street_scene.jpg")

# Perform object detection to find persons (class index 0)
results = model(image, classes=[0])

# Blur the detected regions to protect identity
for result in results:
    for box in result.boxes.xyxy:
        x1, y1, x2, y2 = map(int, box)
        # Apply Gaussian blur to the Region of Interest (ROI)
        image[y1:y2, x1:x2] = cv2.GaussianBlur(image[y1:y2, x1:x2], (51, 51), 0)

Link to this sectionVeri Güvenliği ve Veri Gizliliği#

Genellikle birbirinin yerine kullanılsa da, Veri Güvenliği ile Veri Gizliliğini birbirinden ayırmak çok önemlidir.

• Veri Güvenliği, verileri yetkisiz erişimden veya kötü niyetli saldırılardan korumak için kullanılan mekanizmaları ve araçları ifade eder. Bu; şifreleme, güvenlik duvarları ve erişim kontrol listelerini (ACL'ler) kapsar.
• Veri Gizliliği, verilerin nasıl toplandığını, paylaşıldığını ve kullanıldığını yöneten politikaları ve yasal hakları ifade eder. Kullanıcı onayına ve verilerin yalnızca amaçlandığı şekilde kullanılmasını sağlamaya odaklanır.

Güvenlik, gizliliğin teknik sağlayıcısıdır; sağlam güvenlik önlemleri olmadan gizlilik politikaları etkili bir şekilde uygulanamaz. Tüm ML yaşam döngüsünü yöneten ekipler için Ultralytics Platform, veri seti yönetimi için katı güvenlik standartlarını korurken modelleri etiketlemek, eğitmek ve dağıtmak için merkezi bir ortam sunar.