# Formize ile Federated Learning Veri Kökeni ve Uyumluluğunu Hızlandırma

Federated learning (FL), ham veriyi cihazda tutarak yüksek kaliteli AI modelleri eğitmenin de‑fakto stratejisi haline geldi. Bu yaklaşım birçok gizlilik endişesini çözer, ancak aynı zamanda yeni bir uyumluluk seti getirir: hangi verinin hangi model güncellemesine katkıda bulunduğunu izlemek, onayın alındığını kanıtlamak ve binlerce kenar düğümünde denetim izlerinin değiştirilemez olduğunu garanti etmek.  

Formize, uyumlu iş akışları oluşturmak için düşük‑kod, kod‑yok bir platform olarak bu boşluğu doldurabilir. Formize’ın dinamik form motoru, sürüm‑kontrollü veri şemaları ve blokzincir‑destekli denetim izlerini kullanarak, kuruluşlar **tüm köken yaşam döngüsünü**—kenarda veri toplama aşamasından bulutta düzenleyici raporlamaya kadar—tek bir satır kod yazmadan hızlandırabilir.

Aşağıda problem alanını inceliyor, pratik bir mimari taslağı sunuyor ve haftalar içinde, aylar yerine tekrarlanabilir bir adım‑adım uygulama gösteriyoruz.

---

## Neden Veri Kökeni Federated Learning’de Önemlidir?

| Zorluk | FL Projelerine Etkisi |
|-----------|-----------------------|
| **Regülasyon Denetimi** | [GDPR](https://gdpr.eu/), [CCPA](https://oag.ca.gov/privacy/ccpa) ve sektör‑spesifik düzenlemeler ([HIPAA](https://www.hhs.gov/hipaa/index.html), FINRA) kişisel verinin yasal olarak kullanıldığını kanıtlamanızı ister. |
| **Model Açıklanabilirliği** | Denetçiler ve paydaşlar model çıktısını kaynak veri dilimine geri izlenebilir olmasını talep eder. |
| **Olay Müdahalesi** | Bir veri ihlali durumunda, hangi kenar cihazların tehlikeli veri sağladığını hızlıca belirlemeniz gerekir. |
| **Sınır‑Ötesi Veri Transferi** | Federated learning genellikle birden çok yargı bölgesi arasında gerçekleşir; köken kayıtları SCC ve BCR uyumluluğunu basitleştirir. |

Sistematik bir köken çerçevesi olmadan ekipler, hata, gecikme ve güvenlik açıklarına yatkın ad‑hoc elektronik tablolar, manuel günlükler veya özel veritabanlarına başvurur.

---

## Formize’a Genel Bakış

Formize, FL köken ihtiyaçlarına doğrudan karşılık gelen üç temel yetenek sunar:

1. **Dinamik Form Oluşturucu** – Onay, veri etiketleme ve güncelleme meta verileri için yeniden kullanılabilir, şema‑tabanlı formlar oluşturun.  
2. **Değiştirilemez Denetim İzleri** – Her form gönderimini (isteğe bağlı blokzincir destekli) müdahale kanıtlı bir deftere kaydedin.  
3. **Düşük‑Kod Otomasyon** – Görsel iş akışı tasarımcılarıyla aşağı akış eylemlerini tetikleyin (ör. meta veriyi model kayıt defterine itmek, uyumluluk raporları üretmek).  

Bu yetenekler, web‑tabanlı UI, REST API’leri ve Python, Java, JavaScript SDK’ları aracılığıyla sunulur; bu da TensorFlow Federated, PySyft, Flower gibi FL araç takımlarıyla entegrasyonu sorunsuz hâle getirir.

---

## Uçtan Uca Köken Mimarisi

Aşağıda, Formize’ın tipik bir FL boru hattına nasıl oturduğunu gösteren yüksek‑seviye bir diyagram yer alıyor.

```mermaid
flowchart TD
    A["Kenar Cihaz – Veri Yakalama"] --> B["Formize Onay Formu"]
    B --> C["İmzalı Onay Deftere Kaydedildi"]
    C --> D["Yerel FL İstemci – Veriyi Onay ID’siyle Etiketle"]
    D --> E["Federated Güncelleme (Model Ağırlıkları)"]
    E --> F["Formize Meta Veri Formu"]
    F --> G["Değiştirilemez Güncelleme Günlüğü"]
    G --> H["Merkezi Toplayıcı"]
    H --> I["Model Kayıt Defteri (MLflow)"]
    I --> J["Uyumluluk Kontrol Paneli"]
```

*Mermaid için tüm düğüm etiketleri tırnak içinde verilmiştir.*

### Temel Veri Akışları

1. **Onay Yakalama** – Sensör verisi cihazdan çıkmadan önce, Formize SDK aracılığıyla yerel olarak bir Formize onay formu gösterilir. Kullanıcının imzası ve onay kapsamı değiştirilemez bir şekilde saklanır.  
2. **Etiketleme** – FL istemcisi, her veri toplama paketine onay işlem kimliğini ekler; böylece ham veri ile onay kaydı arasında kriptografik bir bağ kurulur.  
3. **Güncelleme Meta Verisi** – Her eğitim turundan sonra, istemci model sürümü, veri karması ve kullanılan onay kimliklerini içeren hafif bir Formize formu gönderir.  
4. **Toplama & Raporlama** – Merkezi sunucu değiştirilemez günlükleri birleştirir, bunları uyumluluk kontrol paneline besler ve otomatik olarak düzenleyici‑hazır raporlar üretir (ör. [GDPR](https://gdpr.eu/) DSAR, FDA 21 CFR Part 11).

---

## Adım‑Adım Uygulama Kılavuzu

### 1. Onay Şemasını Tanımlayın

**“FL‑Device Consent”** adlı bir Formize formu oluşturun; aşağıdaki alanları içersin:

| Alan | Tür | Açıklama |
|------|-----|----------|
| `device_id` | Metin | Kenar cihazının benzersiz tanımlayıcısı |
| `user_id` | Metin | Takma isimle gizlenmiş kullanıcı kimliği |
| `data_scope` | Çoklu‑Seçim | Veri tipleri (örn. “accelerometer”, “camera”) |
| `purpose` | Metin | Planlanan ML amacı (örn. “activity recognition”) |
| `expiry_date` | Tarih | Onayın sona erme tarihi |
| `signature` | İmza | Elle çizilmiş veya dijital imza |

**“Değiştirilemez Defter”** özelliğini etkinleştirin ve ekstra yasal ağırlık için **Ethereum‑uyumlu** blokzinciri seçin.

### 2. Onay Formunu Kenar Cihazlara Dağıtın

Formize **JavaScript SDK**’sını kullanarak:

```javascript
import { FormizeClient } from '@formize/sdk';

const client = new FormizeClient({ apiKey: 'YOUR_API_KEY' });

async function renderConsent(deviceId, userId) {
  const form = await client.getForm('FL-Device Consent');
  const prefilled = {
    device_id: deviceId,
    user_id: userId,
  };
  return client.renderForm(form.id, prefilled);
}
```

SDK, formu yerel olarak önbelleğe alır ve çevrim dışı render imkânı sağlar. Kullanıcı imzaladığında, SDK bağlantı sağlandığında imzalı yükü otomatik olarak Formize defterine iter.

### 3. Veriyi Onay İşlem Kimliğiyle Etiketleyin

Cihaz bir sensör örneği topladığında, ham yükün SHA‑256 karmasını hesaplayın ve onay işlem kimliğini yanına ekleyin:

```python
import hashlib
from formize_sdk import FormizeClient

def tag_data(sample, consent_tx):
    data_hash = hashlib.sha256(sample).hexdigest()
    metadata = {
        "data_hash": data_hash,
        "consent_tx": consent_tx,
        "timestamp": datetime.utcnow().isoformat()
    }
    return metadata
```

FL istemcisi bu meta veriyi her yerel eğitim paketine ekler.

### 4. Her Tur Sonunda Güncelleme Meta Verisini Gönderin

**“FL‑Update Log”** adlı ikinci bir Formize formu oluşturun; alanları:

| Alan | Tür | Açıklama |
|------|-----|----------|
| `model_version` | Metin |
| `round_number` | Sayı |
| `data_hashes` | Metin (JSON dizisi) |
| `consent_tx_ids` | Metin (JSON dizisi) |
| `aggregator_signature` | İmza |

Her toplama turundan sonra sunucu şu kodu çalıştırır:

```python
def submit_update_log(version, round_num, data_hashes, consent_ids):
    payload = {
        "model_version": version,
        "round_number": round_num,
        "data_hashes": json.dumps(data_hashes),
        "consent_tx_ids": json.dumps(consent_ids),
    }
    client.submit_form('FL-Update Log', payload)
```

Form, değiştirilemez deftere bağlandığı için her güncelleme doğrulanabilir, zaman damgalı bir kayıt haline gelir.

### 5. Uyumluluk Kontrol Paneli Oluşturun

Formize, GraphQL üzerinden defter girdilerini sorgulayan bir **rapor oluşturucu** sunar. Şu görselleştirmeleri içeren bir panel tasarlayın:

* Yargı bölgesine göre aktif onay sayısı
* Cihaz tipine göre veri katkı haritası
* Model sürüm soy ağacı (hangi onayların hangi sürüme beslendiği grafiği)

PDF, CSV ve JSON dışa aktarma seçenekleri mevcuttur; düzenleyicilere doğrudan sunulabilir.

### 6. Düzenleyici Raporlamayı Otomatikleştirin

Formize’ın **iş akışı motoru** ile bir tetikleyici tanımlayın:

> **When** a new “FL‑Update Log” entry is created **and** `round_number % 10 == 0`  
> **Then** generate a [GDPR](https://gdpr.eu/) DSAR compliance package and email it to the DPO.

Bu iş akışı tamamen Formize’ın sunucusuz çalışma ortamında yürütülür; özel cron görevlerine ihtiyaç kalmaz.

---

## Fayda Ölçümü

| Metrik | Geleneksel Yaklaşım | Formize‑Destekli FL |
|--------|----------------------|--------------------|
| **Onay İş Akışı Dağıtım Süresi** | 6–8 hafta (özel UI, backend) | 2–3 gün (sürükle‑bırak) |
| **Denetim İz Gecikmesi** | Saatler (toplu yüklemeler) | Gerçek zamanlı (saniyeler) |
| **Uyumluluk Maliyeti Azaltma** | Yıllık $150k‑$250k (hukuk & geliştirme) | Yıllık $30k‑$50k (otomasyon) |
| **Uyumsuzluk Riski** | Yüksek (manuel hatalar) | Düşük (değiştirilemez defter) |

---

## En İyi Uygulamalar ve Kaçınılması Gereken Tuzaklar

| Uygulama | Neden Önemli |
|----------|--------------|
| **Formlarınızı Sürümleyin** | Form şemasını değiştirmek yeni bir sözleşme sürümü oluşturur; eski kayıtlar değişmez kalır ve tarihsel bütünlük korunur. |
| **Hassas Alanları Şifreleyin** | Defter değiştirilemez olsa da, `user_id` gibi alanları şifrelemek veri minimizasyon ilkelerine uyumu sağlar. |
| **Kenar Önbellekleme Kullanın** | Cihazlar saatlerce çevrim dışı kalabilir; SDK’nın imzalı formları yerel olarak önbelleğe alıp otomatik yeniden denemesini sağlayın. |
| **Periyodik Defter Temizliği** | Genel blokzincirlerde büyük veri yükleri maliyeti artırır; büyük yükleri zincir‑dışı depolayıp zincir‑içi hash tutarak maliyet kontrolü yapın. |
| **Model Kayıt Defteri ile Entegre Edin** | Formize günlüklerini MLflow veya DVC gibi araçlarla bağlamak, model soy ağacı için tek bir gerçek kaynağı sunar. |

---

## Gelecek Genişletmeleri

1. **Sıfır‑Bilgi Kanıtları** – Verinin dahil edildiğini göstermek için ham veriyi ifşa etmeden ZKP‑tabanlı doğrulama ekleyin.  
2. **Federated Açıklanabilirlik** – Formize kökenini SHAP değerleriyle birleştirerek cihaz‑bazlı katkı raporları üretin.  
3. **AI‑Destekli Onay Optimizasyonu** – Toplanan onay meta verilerini kullanarak yeni cihazlar için optimal onay kapsamlarını öneren bir tavsiye motoru eğitin.

---

## Sonuç

Federated learning, gizlilik‑koruyucu AI vaat eder, ancak **köken** ve **uyumluluk** katmanları çoğu zaman geride kalır. Formize, onay yakalama, meta veri kaydı ve düzenleyici raporlamayı konfigüre edilebilir, düşük‑kod deneyimlere dönüştürerek değiştirilemez denetim izleriyle destekler. Bu modeli benimseyen organizasyonlar **FL dağıtımlarını hızlandırabilir**, yasal riskleri azaltabilir ve ölçekli, güvenilir AI modelleri sunabilir.

---

## İlgili Bağlantılar

- [Google AI Blog – Federated Learning: Privacy‑Preserving Machine Learning](https://ai.googleblog.com/2020/04/federated-learning-privacy-preserving.html)  
- [European Data Protection Board – Guidelines on Consent under GDPR](https://edpb.europa.eu/our-work-tools/consultations/consent_en)  
- [MLflow – Tracking Model Lineage and Metadata](https://mlflow.org/docs/latest/tracking.html)  
- [Hyperledger Fabric – Building Immutable Audit Trails for Enterprise Applications](https://www.hyperledger.org/use/fabric)