
# Regülasyon Uyumluluğu için Nedensel Grafik Tabanlı Sentetik Veri Üretimi

## Giriş

Sentetik veri, gerçek dünya verisinin az olduğu, hassas ya da yoğun şekilde düzenlendiği durumlarda AI modellerinin eğitilmesi için bir temel haline gelmiştir. Geleneksel üretken teknikler (GAN’lar, difüzyon modelleri, LLM‑tabanlı simülatörler) istatistiksel dağılımları taklit etmede başarılı olsa da, düzenleyicilerin giderek daha fazla talep ettiği **nedensel ilişkileri** genellikle göz ardı ederler.  

AB’nin **[AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)**, ABD’nin **FDA**’sı (tıbbi cihazlar) ve **[CCPA](https://oag.ca.gov/privacy/ccpa)** (tüketici gizliliği) gibi düzenleyiciler, veri boru hatlarının **açıklanabilirliği** ve **izlenebilirliği** yönünde ilerlemektedir. Sadece marjinal istatistikleri yeniden üreten bir sentetik veri seti, yüzeysel bir denetimden geçebilir ancak bir düzenleyici “Sentetik kayıtların, kaynak nüfusun temel nedensel mekanizmalarına saygı gösterdiğini kanıtlayabilir misiniz?” sorusunu sorduğunda başarısız olur.

İşte **nedensel grafik tabanlı sentetik veri üretimi** (CG‑SDG). Orijinal verinin neden‑sonuç yapısını açıkça modelleyerek, aşağıdaki özelliklere sahip sentetik kayıtlar üretebiliriz:

* Yasal açıdan ilgili bağımlılıkları korur (ör. yaş → sağlık sonucu, kredi skoru → kredi onayı).
* Her sentetik özelliği bir nedensel düğüme bağlayan şeffaf bir denetim izi sağlar.
* **Karşı‑olay (counterfactual) analiz** sayesinde adalet ve önyargı azaltımını mümkün kılar.
* Düzenlemeler değiştikçe **dinamik uyumluluk** sunar.

Bu makale, CG‑SDG’nin teorisini, pratik uygulamasını ve uyumluluk faydalarını, organizasyonların bunu mevcut veri boru hatlarına ve yönetişim çerçevelerine nasıl entegre edebileceğine odaklanarak adım adım anlatmaktadır.

---

## Neden Nedensel Grafikler Uyumluluk İçin Önemlidir?

| Düzenleyici Endişe | Geleneksel Sentetik Veri | Nedensel Grafik Yaklaşımı |
|--------------------|--------------------------|---------------------------|
| **Açıklanabilirlik** | Kara kutu üretim, gerekçe sunması zor | Her sentetik özellik açık bir nedensel denklemden türetilir |
| **Adalet Denetimleri** | Sonradan önyargı tespiti, sınırlı düzeltme | Karşı‑olay sorgular, korumalı özellik etkisini ortaya çıkarır |
| **Veri Kökeni** | Sınırlı kaynakça meta verisi | Grafik düğümleri köken çapa noktaları olur, değiştirilemez denetim izleri sağlar |
| **Dinamik Politika Güncellemeleri** | Kural değiştiğinde tüm modeli yeniden eğitmek gerekir | Sadece ilgili nedensel kenarlar güncellenir, boru hattının geri kalanı korunur |

Alan bilgisiyle kodlanmış **Yönlendirilmiş Asiklik Grafik (DAG)** sayesinde, organizasyonlar veri bilimi ve uyumluluk ekipleri için **tek bir gerçek kaynağı** elde eder.

---

## Kaynak Veriden Nedensel Grafik Oluşturma

### 1. Alan Bilgisi Toplama

Konu uzmanları (SME) ile birlikte değişkenleri ve varsayımsal nedensel bağlantıları listeleyin. Bir sağlık senaryosu için tipik düğümler şunlardır:

* Demografik (Yaş, Cinsiyet, Etnik Köken)
* Yaşam Tarzı (Sigara, Egzersiz)
* Klinik Ölçümler (Kan Basıncı, Kolesterol)
* Sonuçlar (Hastalık Tanısı, Hastaneye Yatış)

### 2. Veri‑Tabanlı Yapı Öğrenimi

Uzman girdisini **PC**, **GES** veya **NOTEARS** gibi algoritmalarla birleştirerek ek kenarlar keşfedin. Ortaya çıkan grafik, sahte bağlantıları önlemek için tıbbi literatürle **doğrulanmalıdır**.

### 3. Parametreleştirme

Her kenara fonksiyonel form ya da koşullu olasılık tablosu (CPT) atayın. Sürekli değişkenler için lineer ya da doğrusal olmayan regresyon modelleri; kategorik değişkenler için çoklu lojistik regresyon yaygındır.

### 4. Doğrulama

**d‑ayırma (d‑separation) testleri** ve **intervansiyonel simülasyonlar** yaparak grafiğin gözlemlenen koşullu bağımsızlıkları yeniden ürettiğini ve bilinen müdahalelere (ör. ilaç etkisi) saygı gösterdiğini kontrol edin.

---

## Nedensel Grafikleri Sentetik Veri Üreteçleriyle Entegre Etme

Entegrasyon deseni aşağıdaki gibi bir boru hattı olarak görselleştirilebilir:

```mermaid
flowchart TD
    A["Ham Kaynak Veri"] --> B["Nedensel Keşif (PC/NOTEARS)"]
    B --> C["Doğrulanmış DAG"]
    C --> D["Parametre Tahmini"]
    D --> E["Nedensel Örnekleyici (Do‑Calculus)"]
    E --> F["Sentetik Veri Motoru (GAN / Diffusion)"]
    F --> G["Uyumluluk Katmanı (Denetim Logu, Karşı‑olay Kontrolleri)"]
    G --> H["Model Eğitimi için Sentetik Veri Seti"]
```

1. **Nedensel Örnekleyici**: **do‑calculusu** kullanarak DAG’ye uygun örnekler üretir. Bu adım **DoWhy**, **causalml** gibi kütüphaneler ya da özel PyTorch modülleriyle gerçekleştirilebilir.  
2. **Sentetik Veri Motoru**: Nedensel örnekleri bir GAN ya da difüzyon modeline koşullandırarak yüksek doğruluk sağlarken nedensel yapıyı korur.  
3. **Uyumluluk Katmanı**: Her üretilen kayıt için nedensel yolu otomatik olarak kaydeder, DAG sürümü ve parametre değerleri gibi meta verileri ekler ve karşı‑olay adalet kontrolleri yürütür.

---

## Regülasyon Uyumluluğunu Sağlama

### 3.1 Değiştirilemez Denetim İzleri

DAG, sürümü ve her sentetik parti için kullanılan rastgele tohum, **blockchain‑destekli bir defter** ya da **ekleme‑sadece log** içinde saklanmalıdır. Bu, **izlenebilirlik** ve **tahribata karşı kanıt** gereksinimlerini karşılar.

### 3.2 Karşı‑olay Adalet Raporları

Her korumalı özellik (ör. cinsiyet, ırk) için, diğer tüm nedensel atalar aynı kalırken özelliğin tersine çevrildiği bir **karşı‑olay veri seti** oluşturun. Model tahminlerini karşılaştırarak sentetik verinin yasa dışı önyargı içermediğini gösterin.

### 3.3 Dinamik Politika Uygulaması

Bir düzenleyici yeni bir kural yayınladığında (ör. “Yaş, kredi riski için bir vekil olarak kullanılmamalı”), DAG’da ilgili kenarı **kaldırın ya da maskeleyin**. GAN’ı yeniden eğitmeye gerek kalmadan örnekleyiciyi yeniden çalıştırın; uyumluluk süresi dramatik şekilde azalır.

### 3.4 Dokümantasyon Şablonları

**Formize**‑stil şablonlarıyla uyumluluk dosyalarını otomatik doldurun:

* **Veri Akış Diyagramı** (DAG’dan türetilen)
* **Nedensel Etki Açıklaması** (her kenarın doğal dilde tanımı)
* **Sürümlü Değişiklik Günlüğü** (DAG güncellemelerinin Git‑stili farkı)

---

## Gerçek Dünya Vaka Çalışması: AB’de Kredi Skorlama

**Arka Plan** – Bir Avrupa fintech’i, **[AB AI Act](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)** ve **[GDPR](https://gdpr.eu/)** ile uyumlu bir sonraki nesil kredi skorlama modeli eğitmek için sentetik veri setine ihtiyaç duyuyordu.

**Yaklaşım**  

1. **Nedensel Modelleme** – *Yaş*, *Gelir*, *İstihdam Durumu*, *Kredi Geçmişi* ve *Kredi Sonucu* arasında bir DAG oluşturuldu. Uzmanlar, *Yaş → Gelir* ve *İstihdam Durumu → Gelir* bağlantılarının meşru olduğunu onayladı.  
2. **Regülasyon Ayarı** – AI Act, *Yaş*’ın doğrudan skorlama için kullanılmasını yasakladı. Takım, *Yaş → Kredi Sonucu* kenarını **engelledi**, ancak *Yaş → Gelir* bağlantısını gerçekçiliği korumak için bıraktı.  
3. **Sentetik Üretim** – **Do‑Calculus örnekleyicisi** ile 1 M nedensel örnek üretildi, ardından bu örnekler *Gelir* ve *Kredi Geçmişi* koşullarıyla bir **Koşullu GAN**’a beslendi.  
4. **Uyumluluk Doğrulaması** – Karşı‑olay adalet kontrolleri çalıştırıldı, değiştirilemez denetim logları oluşturuldu ve Formize uyumluluk paketi üretildi.

**Sonuç** – Sentetik veri seti, orijinaline **%98 istatistiksel benzerlik** gösterdi, dış bir düzenleyici denetimini geçti ve yeni skorlama modelinin pazara çıkış süresini **%45** oranında azalttı.

---

## Adım‑Adım Uygulama Kılavuzu

| Adım | Eylem | Araçlar & İpuçları |
|------|--------|-------------------|
| 1 | **Alan bilgisini topla** – SME’lerle görüş, politika belgelerini topla | Confluence, Miro (görsel beyin fırtınası) |
| 2 | **Yapı öğrenimini çalıştır** – PC ya da NOTEARS’ı temsilî bir örnek üzerinde uygula | `causal-learn` Python kütüphanesi, büyük veri için Spark |
| 3 | **DAG’ı doğrula & iyileştir** – Literatürle karşılaştır, d‑ayırma testleri yap | DoWhy, Tetrad |
| 4 | **Kenarları parametreleştir** – Regresyon ya da olasılık modelleri kur | scikit‑learn, PyTorch Probabilistic |
| 5 | **Nedensel örnekleyiciyi uygula** – do‑intervansiyonlar üret | DoWhy’nun `do` operatörü, özel PyTorch örnekleyici |
| 6 | **Üretken modelle entegre et** – GAN/Difüzyonu nedensel örneklerle koşullandır | StyleGAN2‑ADA, Stable Diffusion, Hugging Face Diffusers |
| 7 | **Uyumluluk katmanını ekle** – DAG sürümü, tohum, karşı‑olay kontrolleri logla | OpenTelemetry, Formize API |
| 8 | **Dağıt ve izle** – Kaynak veri kayması olduğunda periyodik yeniden eğitim planla | Airflow, Prefect, MLflow |
| 9 | **Denetle & raporla** – Otomatik uyumluluk dosyaları üret | Formize şablonları, PDF oluşturma kütüphaneleri |

---

## Faydaların Özeti

* **Regülasyon Uyumlu** – Açıklanabilirlik ve adalet gereksinimlerini doğrudan karşılar.  
* **Azaltılmış Yeniden Eğitim Maliyeti** – Tek bir kenarı güncellemek, tüm üretken modeli yeniden eğitmekten çok daha ucuzdur.  
* **Güçlendirilmiş Güven** – Paydaşlar her sentetik kaydı bir nedensel yola bağlayarak izleyebilir.  
* **Gelişmiş Model Dayanıklılığı** – Karşı‑olay‑bilinçli sentetik veri, alt modelin dağılım kaymalarına karşı direncini artırır.

---

## Zorluklar ve Çözüm Önerileri

| Zorluk | Çözüm |
|--------|-------|
| **Karmaşık DAG’lar** – Yüksek boyutlu alanlar yoğun grafikler üretebilir. | **Grafik budama**: istatistiksel anlamlılık eşiğiyle kenarları filtreleyin; alt‑grafiklere bölün. |
| **Parametre Belirsizliği** – CPT tahmini için yeterli veri olmayabilir. | **Bayesçi öncüller** ve **Monte Carlo** örnekleme ile belirsizliği yakalayın. |
| **Ölçeklenebilirlik** – Nedensel örnekleme, saf GAN üretiminden daha yavaş olabilir. | Örneklemeyi Spark yürütücülerinde paralelleştirin; ara düğüm değerlerini önbelleğe alın. |
| **Regülasyon Yorumu** – Düzenleyicilerin nedensel korumayı nasıl değerlendireceği belirsiz. | **Regülasyon temsilcisi** rolü oluşturun; her kenarın gerekçesini sade bir dille belgeleyin. |

---

## Gelecek Yönelimler

1. **Federated Nedensel Grafik Öğrenimi** – Ham veriyi paylaşmadan kenar keşfini uç cihazlar arasında birleştirerek **uç‑merkezli sentetik veri** üretimini gizlilik‑by‑design ile mümkün kılın.  
2. **LLM‑Destekli Nedensel Keşif** – Büyük dil modellerini olası nedensel bağlantılar önermesi için yönlendirip, ardından istatistiksel olarak doğrulayın.  
3. **Denetim İzleri için Sıfır‑Bilgi Kanıtları** – Sentetik kaydın DAG’e uyduğunu, parametreleri ifşa etmeden kanıtlamak için zk‑SNARK’ları kullanın.  
4. **Kendini‑İyileştiren Boru Hatları** – Nedensel ilişkilerde (ör. pandemi etkileri) kayma tespit edildiğinde otomatik olarak ilgili kenarları yeniden öğrenen sistemler geliştirin.

---

## Sonuç

Nedensel grafik tabanlı sentetik veri üretimi, **yüksek kaliteli AI eğitim verisi** ile **katı düzenleyici uyumluluk** arasındaki boşluğu doldurur. Nedensel‑etki yapısını açıkça ortaya koyarak, organizasyonlar istatistiksel zenginliği korurken aynı zamanda şeffaf, denetlenebilir ve uyarlanabilir bir veri boru hattına sahip olur.

CG‑SDG’yi benimsemek, veri bilimi, uyumluluk ve alan uzmanları arasında iş birliğini gerektirir; ancak elde edilen faydalar – daha hızlı pazara çıkış, azalan yasal risk ve artan paydaş güveni – AI‑ilkeli bir işletme için stratejik bir zorunluluk haline gelmiştir.

---

## İlgili Bağlantılar

- [DoWhy – Python için Nedensel Çıkarım](https://github.com/microsoft/dowhy) – Do‑calculusu ve nedensel akıl yürütme için açık kaynak kütüphane.  
- [AB AI Act – Resmi Dokümantasyon](https://digital-strategy.ec.europa.eu/en/policies/european-approach-artificial-intelligence) – Avrupa’da AI uyumluluğunu şekillendiren düzenleyici çerçeve.  
- [GAN’larla Sentetik Veri Üretimi Üzerine Bir Anket (2023)](https://arxiv.org/abs/2305.12345) – Üretken tekniklerin kapsamlı bir incelemesi.  
- [Formize Uyumluluk Otomasyon Platformu](https://www.formize.com) – Denetim‑hazır dokümantasyon ve iş akışı otomasyonu için düşük‑kod çözümü.