
# Açıklanabilir Sentetik Veri Üretimi Edge AI için: Güven, Uyumluluk ve Performans İnşası

Edge AI, deneysel laboratuvarlardan otonom araçlar, endüstriyel IoT ve akıllı şehir sensörlerinde üretim‑aşamasına geçiyor. Söz konusu vaat net: düşük gecikmeli çıkarım, azalan bant genişliği maliyetleri ve cihaz‑içinde gizlilik. Ancak bu modelleri besleyen veri çoğu zaman **sentetiktir**, gerçek‑dünya kenar akışlarının kıtlığı, gizlilik kısıtlamaları ya da etiketleme maliyetlerini aşmak için üretilir.

Sentetik veri pek çok pratik sorunu çözer, fakat yeni bir risk getirir—**opaklık**. Bir model, hiç insanın görmediği verilerle eğitildiğinde, paydaşlar verinin gizliliğe, adalete ve alan uygunluğuna saygı gösterdiğini nasıl doğrulayabilir? Cevap **açıklanabilir sentetik veri (XSD)**’de saklı: sentetik verinin üretimini, dönüşümünü ve tüketimini şeffaf, denetlenebilir ve güvenilir kılan teknikler, artefaktlar ve yönetişim süreçleri bütünüdür.

Bu makalede:

1. Kenar‑tabanlı sentetik veri için açıklanabilirliğin neden önemli olduğunu açıklıyoruz.  
2. LLM‑yönlendirmeli orkestrasyon, sıfır‑güven kontrolleri ve sürekli uyumluluk izlemeyi birleştiren **modüler XSD boru hattını** sunuyoruz.  
3. **Açıklanabilirlik artefaktlarını** (veri soy ağacı grafikleri, özellik atıf raporları ve gizlilik‑bütçe panoları) kenar‑merkezli MLOps’a nasıl gömeceğinizi gösteriyoruz.  
4. Gerçek‑dünya kullanım‑örneklerini ve XSD benimsemeye hazır organizasyonlar için en iyi uygulama önerilerini tartışıyoruz.

> **TL;DR** – Sentetik veri üretiminin her aşamasına açıklanabilirlik entegre edilerek, kenar AI ekipleri daha yüksek model performansı elde edebilir, düzenleyicileri memnun edebilir ve kullanıcı güveni kazanabilir; sentetik verinin sağladığı çevikliği feda etmeden.

---

## 1. Kenar‑Merkezli Sentetik Veri İçin Açıklanabilirlik Neden Zorunlu

| Endişe | Geleneksel Sentetik Veri | Açıklanabilir Sentetik Veri |
|--------|--------------------------|-----------------------------|
| **Düzenleyici uyumluluk** | Kapalı, çoğu zaman belgelendirilmemiş | Açık denetim izleri, gizlilik‑bütçe kanıtları |
| **Model adaleti** | Gizli önyargı yayılabilir | Özellik‑düzeyi atıf, önyargı kaynaklarını ortaya koyar |
| **Kullanıcı güveni** | Kara kutu veri üretimi | İnsan‑okunur üretim anlatıları |
| **Operasyonel hata ayıklama** | Başarısızlıkların izlenmesi zor | Uç‑uç soy ağacı hızlı kök‑neden analizi sağlar |
| **Kenar kısıtlamaları** | Cihaz‑içinde uygulanabilirlik garantisi yok | Açıklanabilirlik, hafif veri seçimini yönlendirir |

### 1.1 Düzenleyici Manzara

AB AI Yasası, ABD FTC ve sektör‑spesifik otoriteler (ör. tıbbi cihazlar için FDA) gibi düzenleyiciler, güvenliği ya da kişisel hakları etkileyen AI sistemleri için **şeffaf veri kökeni** talep etmeye başladı. Sentetik veri gizlilik‑koruyucu olsa da hâlâ şu kanıtları sunmalı:

* Üretim sürecinin belgelenmiş bir **gizlilik bütçesine** (ör. diferansiyel gizlilik ε) uygun olduğu.  
* **Korunan özniteliklerin** istemeden artırılmadığı.  
* Sentetik veri setinin **amaçlanan kullanım‑durumuna** (kenar çıkarımı vs. bulut eğitimi) uyduğu.

### 1.2 Güven, Rekabet Ayrıcalığı Olarak

Kenar cihazları, **çevrim dışı hata ayıklamanın maliyetli** olduğu ortamlarda çalışır. Model hatalı davrandığında, davranışını şekillendiren sentetik verinin net bir açıklaması, ortalama onarım süresini (MTTR) büyük ölçüde azaltır ve marka itibarını korur.

---

## 2. XSD Boru Hattı Mimarisi

Aşağıda, kenar AI iş yükleri için tasarlanmış **Açıklanabilir Sentetik Veri Üretimi (XSDG) boru hattının** yüksek‑seviye, teknoloji‑bağımsız görünümü yer alıyor. Boru hattı **modüler** olacak şekilde tasarlanmıştır; ekipler (ör. GAN vs. difüzyon modeli) bileşenlerini değiştirirken açıklanabilirlik sözleşmesini korur.

```mermaid
graph TD
    A["Veri Alımı<br/>(Gerçek Kenar Akışları)"] --> B["Gizlilik Motoru<br/>(DP, k‑anonimlik)"]
    B --> C["Sentetik Üreteç<br/>(GAN / Difüzyon)"]
    C --> D["LLM Orkestratörü<br/>(Prompt‑tabanlı kalite kontrolleri)"]
    D --> E["Açıklanabilirlik Katmanı<br/>- Özellik Atıfı<br/>- Üretim Anlatısı"]
    E --> F["Sıfır‑Güven Deposu<br/>(Şifreli, değiştirilemez)"]
    F --> G["Kenar Dağıtımı<br/>(Model + Sentetik Alt Küme)"]
    D --> H["Uyumluluk Doğrulayıcı<br/>(Politika Motoru)"]
    H --> I["Denetim İzleme Servisi<br/>(Mermaid soy ağacı, değiştirilemez günlükler)"]
    I --> F
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style G fill:#bbf,stroke:#333,stroke-width:2px
```

### 2.1 Bileşen Açıklamaları

| Bileşen | Rol | Açıklanabilirlik Katkısı |
|---------|-----|--------------------------|
| **Veri Alımı** | Gerçek kenar telemetrilerini (sensör logları, video kareleri) çeker. | Orijinal şema ve zaman damgalarını soy ağacı için yakalar. |
| **Gizlilik Motoru** | Diferansiyel gizlilik, k‑anonimlik veya sadece‑sentetik maskeleme uygular. | Her toplu için bir **gizlilik‑bütçe raporu** (ε, δ) üretir. |
| **Sentetik Üreteç** | GAN, difüzyon modelleri veya LLM‑tabanlı simülatörlerle veri üretir. | Model hiper‑parametreleri ve rastgele tohumları yeniden üretilebilirlik için saklar. |
| **LLM Orkestratörü** | Yüksek‑seviye kalite politikalarını somut doğrulama betiklerine dönüştürmek için büyük dil modelini kullanır. | **İnsan‑okunur üretim anlatısı** üretir (örn. “Gece‑soğutmasını taklit etmek için sıcaklık varyansını artırdık”). |
| **Açıklanabilirlik Katmanı** | Sentetik set üzerinde özellik atıfı (SHAP, Entegre Gradyanlar) hesaplar ve görsel raporlar oluşturur. | **Özellik Atıf Raporları** üretir; sentetik özellikleri gerçek veri alanlarıyla ilişkilendirir. |
| **Sıfır‑Güven Deposu** | Değiştirilemez, şifreli depolama (örn. IPFS + blokzincir hash sabitlemesi). | **Değiştirilemezlik** garantisi; her artefakt imzalanır ve sürümlenir. |
| **Uyumluluk Doğrulayıcı** | Politika kontrollerini yürütür (örn. “Hiçbir sentetik kayıt %5’ten fazla gerçek KİŞİSEL VERİ içermemeli”). | **Açıklanabilir gerekçe** ile geç/başarısız durumunu verir. |
| **Denetim İzleme Servisi** | Tüm meta verileri bir **Mermaid soy ağacı** içinde birleştirir ve değiştirilemez bir deftere kaydeder. | Denetçiler ve geliştiriciler için tek bir doğruluk kaynağı sağlar. |
| **Kenar Dağıtımı** | Model ve seçilmiş sentetik alt kümesini cihaz‑içinde çıkarım için paketler. | Kenar çalışma zamanının sorgulayabileceği **hafif açıklanabilirlik paketi** (JSON) içerir. |

### 2.2 LLM‑Yönlendirmeli Kalite Kontrolleri

LLM Orkestratörü, şu gibi yüksek‑seviye bir politikayı alır:

> “Sentetik veri, sıcaklık ani yükselmelerini korumalı, ancak aynı cihaz kimliği iki defadan fazla görünmemelidir.”

Ardından Python doğrulama kodu üretir, çalıştırır ve **geç/başarısız** durumunu doğal dil açıklamasıyla geri döndürür. Bu yaklaşım, her yeni düzenleme için özel doğrulayıcılar yazma ihtiyacını azaltır.

---

## 3. Açıklanabilirlik Artefaktlarını Edge MLOps’a Entegre Etmek

### 3.1 Veri Soy Ağacı Grafikleri

Bir **soy ağacı**, her sentetik kaydın tam soyunu yakalar. Mermaid ile sade bir görünüm:

```mermaid
graph LR
    subgraph GerçekVeri
        R1[Ham Sensör A] -->|DP| P1[Anonimleştirilmiş A]
        R2[Ham Sensör B] -->|DP| P2[Anonimleştirilmiş B]
    end
    subgraph Sentetik
        P1 & P2 -->|GAN| S1[Sentez Kayıt 1]
        P1 & P2 -->|GAN| S2[Sentez Kayıt 2]
    end
    S1 -->|Özellik Atıfı| FA1[FA Raporu 1]
    S2 -->|Özellik Atıfı| FA2[FA Raporu 2]
    FA1 & FA2 -->|Depolanır| ZTS[Sıfır‑Güven Deposu]
```

Bu grafikler, veri yöneticilerinin “Gerçek kayıt X, sentetik kayıt Y’ye nasıl katkıda bulundu?” sorusunu otomatik olarak yanıtlamasını sağlar; denetçiler için kritik bir gereksinimdir.

### 3.2 Özellik Atıf Raporları

Her sentetik toplu için **SHAP özeti** üretilir; en etkili orijinal özellikleri vurgular. Rapordan bir alıntı:

```json
{
  "synthetic_batch_id": "sb-2026-09-30",
  "feature_attributions": {
    "temperature": 0.42,
    "vibration": 0.27,
    "humidity": 0.15,
    "device_id": 0.05,
    "timestamp": 0.11
  },
  "interpretation": "Sıcaklık, sentetik varyansı domine ediyor ve gerçek günlük döngüsel deseni yansıtıyor."
}
```

Kenar çalışma zamanları, bu raporu “Girdi, sentetik veriden öğrenilen baskın sıcaklık desenine uyduğu için yüksek güvenilirlik gösteriyor.” şeklinde sunabilir.

### 3.3 Gizlilik‑Bütçe Panoları

Kümülatif gizlilik bütçesini gerçek‑zaman izleyen bir pano:

```
+-------------------+-------------------+
| Üretim Tarihi     | ε (epsilon)       |
+-------------------+-------------------+
| 2026‑09‑01        | 0.8               |
| 2026‑09‑15        | 0.6               |
| 2026‑09‑30        | 0.5               |
+-------------------+-------------------+
Toplam ε kullanımı: 1.9 (limit 2.5)
```

Bütçe sınırına yaklaşıldığında, boru hattı otomatik olarak yeni sentetik üretimini yavaşlatır ya da **bütçe uzatma** talebinde bulunur; bu talep belgelenmiş bir gerekçeyle birlikte kaydedilir.

---

## 4. Gerçek‑Dünya Senaryoları

### 4.1 Otonom Drone Filosu

Bir lojistik firması, engelleri önceden tespit eden kenar görsel modellerine sahip bir drone filosu işletiyor. Gerçek çarpışma verileri sınırlı olduğundan, sentetik hava fotoğrafları üretiyor. XSD sayesinde:

* **Açıklanabilirlik**: Üretim anlatısı, sentetik sis yoğunluğunun gözlemlenen hava koşullarıyla nasıl eşleştirildiğini açıklar.  
* **Uyumluluk**: Gizlilik motoru, gerçek GPS izlerini içermediğini kanıtlar.  
* **Performans**: Özellik atıfı, kenar modellerinin kenar kontrastına çok bağımlı olduğunu gösterir; bu da donanım‑seviyesinde sensör yükseltmesini tetikler.

### 4.2 Endüstriyel Öngörücü Bakım

Bir fabrika, motor arızalarını tahmin etmek için kenar sensörleri kullanıyor. Nadir arıza olaylarını artırmak için sentetik titreşim verisi oluşturuluyor. XSD şunları sağlar:

* **Denetim İzleme**: Düzenleyiciler, her sentetik arıza kaydının taklit ettiği anonimleştirilmiş gerçek olayla izlenebilirliğini görebilir.  
* **Sıfır‑Güven**: Sentetik veri seti değiştirilemez bir deftere kaydedilir; güvenlik açıkları gizlenemez.  
* **Model Güveni**: Mühendisler, SHAP raporunun yüksek frekanslı darbelere odaklandığını görerek modelin gerçek arıza sinyallerine odaklandığını teyit eder.

### 4.3 Akıllı Şehir Hava Kalitesi İzleme

Şehir belediyesi, kirleticileri izleyen kenar sensörleri işletiyor. Veri seyrek olduğundan, boşlukları doldurmak için sentetik veri üretiliyor. XSD şunları mümkün kılar:

* **Dinamik Rıza**: Vatandaş rızasını geri çektiğinde, gizlilik motoru o kişiye ait sentetik kayıtları anında siler; soy ağacı otomatik olarak güncellenir.  
* **Kamuya Açık Açıklanabilirlik**: Vatandaşlar, üretim anlatısının basitleştirilmiş bir sürümünü görebilir; bu da AI‑tabanlı uyarılara olan güveni artırır.

---

## 5. Ölçekli XSD Dağıtımı İçin En İyi Uygulamalar

1. **Minimum Açıklanabilirlik Sözleşmesiyle Başlayın** – Uyumluluk için gerekli en temel artefaktları (ör. soy ağacı + gizlilik bütçesi) tanımlayın, ardından genişletin.  
2. **Politika Çevirimi İçin LLM’leri Kullanın** – Politika belgelerini doğal dilde tutun; LLM, doğrulama betiklerini otomatik oluşturur ve manuel kodlama hatalarını önler.  
3. **Sıfır‑Güven Depolamayı Erken Benimseyin** – Değiştirilemez, şifreli depolama, sonradan uyumluluk çabalarını ortadan kaldırır.  
4. **Denetim İzlemeyi Otomatikleştirin** – CI/CD boru hatlarına soy ağacı oluşturma ve imzalama adımlarını ekleyin; her sentetik veri seti anında imzalı bir grafik alır.  
5. **Gizlilik Bütçesini Gerçek‑Zaman İzleyin** – Panolar ve uyarılar, ε limitine yaklaşmayı önceden haber verir.  
6. **Kenar‑Dostu Açıklanabilirlik Paketleri Sunun** – Açıklanabilirlik yükünü JSON ve sıkıştırılmış Mermaid SVG gibi hafif formatlarda tutun; cihaz depolama sınırlarını aşmaz.  
7. **İnsan‑İçinde‑Döngü İncelemeleri Yapın** – Alan uzmanları, üretim anlatılarını ve atıf raporlarını periyodik olarak gözden geçirerek ince önyargıları yakalar.

---

## 6. Gelecek Yönelimleri

* **Federated XSD** – Birden çok kenar düğümünde sentetik veri üretimini birleştirirken küresel bir açıklanabilirlik görünümü korur.  
* **Üretim‑Tabanlı Rıza Yönetimi** – LLM’ler, belirli sentetik kayıtlara bağlı rıza iptallerini otomatik olarak taslak hâline getirip uygulayabilir.  
* **Standartlaştırma** – ISO/IEC 42001 gibi yeni standartlar, açıklanabilirlik artefaktlarını kodlaştırarak sektörler arası denetimi kolaylaştıracak.

---

## İlgili Bağlantılar

- NIST AI Risk Management Framework – Sentetik Veri Rehberi  
- Edge AI’da Diferansiyel Gizlilik: Bir Anket (IEEE Access, 2024)  
- Üretken Modellerde Açıklanabilir AI (arXiv, 2023)