
# Formize'de LLM Tabanlı Kalite Kalibrasyonu ile Kendini Optimize Eden Sentetik Veri Boru Hatları

Sentetik veri, gerçek dünya verisinin kıt, hassas veya elde edilmesi maliyetli olduğu durumlarda AI modellerini eğitmek için temel bir yapı taşı haline gelmiştir. Ancak yüksek‑kaliteli sentetik veri üretmek tek seferlik bir görev değildir; model gereksinimlerinin, düzenleyici ortamların ve alan‑spesifik kısıtlamaların sürekli değişimine ayak uydurmak için sürekli izleme, kalibrasyon ve yönetişim gerekir.  

Formize, uyumlu veri iş akışları oluşturmak için düşük‑kod bir platform olarak, birleşebilir sentetik veri boru hatları, gizlilik‑koruyucu pazar yerleri ve sıfır‑güven erişim kontrolleri sunar. Bir sonraki mantıklı evrim, **büyük dil modelleri (LLM)** ve **pekİştirmeli öğrenme (RL)** kullanarak üretim parametrelerini otomatik olarak ayarlayan, kalite politikalarını zorlayan ve geri bildirim döngüsünü insan müdahalesi olmadan kapatan **kendini optimize eden bir boru hattı**dır.

Bu makalede şunları ele alacağız:

1. Sentetik veri için sürekli kalite kalibrasyonunun neden önemli olduğunu açıklayacağız.  
2. Formize içinde kendini optimize eden bir boru hattı için gerekli mimari bileşenleri tanımlayacağız.  
3. Bir LLM’in yüksek‑seviye kalite hedeflerini somut üretici ayarlarına nasıl dönüştürebileceğini göstereceğiz.  
4. Metriğe‑dayalı optimizasyonu yöneten pekiştirmeli öğrenme döngüsünü ayrıntılandıracağız.  
5. Formize’in iş akışı oluşturucusu, akıllı sözleşmeleri ve API ekosistemi kullanarak adım‑adım bir uygulama kılavuzu sunacağız.  
6. Güvenlik, denetlenebilirlik ve uyumluluk hususlarını tartışacağız.  

Okumanın sonunda, sağlık, finans, otonom araçlar veya üretken medya gibi herhangi bir alana uyarlayabileceğiniz, aynı zamanda [GDPR](https://gdpr.eu/), [HIPAA](https://www.hhs.gov/hipaa/index.html) veya sektör‑spesifik standartlarla uyumlu bir plan şemasına sahip olacaksınız.

---

## 1. Sürekli Kalite Kalibrasyonunun Önemi

Sentetik veri kalitesi çok boyutludur:

| Boyut | Tipik Ölçüt | İş Etkisi |
|-----------|----------------|-----------------|
| **İstatistiksel Doğruluk** | KS‑test, Wasserstein mesafesi | Model performans eşdeğeri |
| **Gizlilik Garantileri** | ε‑diferansiyel gizlilik, k‑anonimlik | Yasal uyumluluk |
| **Semantik Tutarlılık** | Varlık‑seviyesi F1, mantıksal kural tatmini | Alan güveni |
| **Önyargı ve Adillik** | Demografik eşitlik, eşitlenmiş olasılık | Etik AI, marka itibarı |
| **İleri Görevler İçin Kullanılabilirlik** | İleri model doğruluğu, kalibrasyon hatası | AI yatırımlarının geri dönüşü |

Bir kez veri üreten ve bunu hemen downstream tüketicilere gönderen statik bir boru hattı çabuk eskiyebilir. Model kayması, yeni düzenleyici eşikler veya ortaya çıkan önyargı kalıpları **gerçek‑zamanlı yeniden kalibrasyon** gerektirir. Manuel ayarlama maliyetli ve hataya açıktır; bu boyutları sürekli ölçen ve üretim parametrelerini ayarlayan otomatik bir döngü eksik parçadır.

---

## 2. Mimari Genel Bakış

Aşağıda kendini optimize eden boru hattının yüksek‑seviye bir Mermaid diyagramı yer alıyor. Formize’in düşük‑kod iş akışı motoru, LLM kalibrasyon servisi, RL optimizatörü ve denetim defteri arasındaki etkileşim gösterilmiştir.

```mermaid
graph LR
    A[Veri Kaynağı Alımı] --> B[Formize İş Akışı Orkestraçısı]
    B --> C[Sentetik Üretici (örn. CTGAN, Diffusion)]
    C --> D[Kalite Ölçüm Paketi]
    D --> E[MetriK Deposu (Zaman Serisi DB)]
    E --> F[RL Optimizatörü]
    F --> G[LLM Kalibrasyon Motoru]
    G --> H[Parametre Güncelleme Servisi]
    H --> C
    D --> I[Uyumluluk Akıllı Sözleşmesi]
    I --> J[Değiştirilemez Denetim Defteri (Blockchain)]
    J --> K[Yönetim Kontrol Paneli]
    style A fill:#f9f,stroke:#333,stroke-width:2px
    style K fill:#bbf,stroke:#333,stroke-width:2px
```

**Ana bileşenler:**

* **Formize İş Akışı Orkestraçısı** – düşük‑kod görsel oluşturucu, alım, üretim, ölçüm ve geri bildirim adımlarını birleştirir.  
* **Sentetik Üretici** – tablo, görüntü veya çok‑modlu veri üretebilen herhangi bir model. Formize, konteynerleştirilmiş üreticileri API üzerinden çağırabilir.  
* **Kalite Ölçüm Paketi** – her parti üzerinde istatistiksel, gizlilik ve semantik testlerin toplandığı bir test seti.  
* **MetriK Deposu** – metrik geçmişini trend analizi için saklayan bir zaman‑serisi veritabanı (ör. InfluxDB).  
* **RL Optimizatörü** – kalite metriklerinden türetilen ödül sinyallerine dayanarak yeni hiper‑parametreler öneren hafif bir pekiştirmeli öğrenme ajanı (örn. Proximal Policy Optimization).  
* **LLM Kalibrasyon Motoru** – yüksek‑seviye politika ifadelerini (“cinsiyet önyargısını %5’in altına düşür”) somut üretici kısıtlamalarına ve ödül şekillendirme fonksiyonlarına dönüştüren bir LLM (örn. GPT‑4o).  
* **Parametre Güncelleme Servisi** – bir sonraki çalıştırmadan önce yeni hiper‑parametreleri üreticiye enjekte eden ince bir sarmalayıcı.  
* **Uyumluluk Akıllı Sözleşmesi** – her parti, önceden onaylanmış gizlilik eşiklerini karşılamıyorsa zincir üzerinde reddeden bir sözleşme.  
* **Değiştirilemez Denetim Defteri** – her metrik, parametre değişikliği ve sözleşme etkileşimini adli denetim için kaydeder.  
* **Yönetim Kontrol Paneli** – Formize UI, boru hattı sağlığını, uyumluluk durumunu ve RL performansını görselleştirir.

---

## 3. Kalite Hedeflerinin LLM Tabanlı Çevirisi

### 3.1 Politikadan Parametrelere

Kuruluşlar kalite hedeflerini genellikle doğal dilde ifade eder:

> “Sentetik hasta kayıtları, yaş grubu dağılımını korumalı ve hiçbir bireyin %0,1'den daha yüksek bir olasılıkla yeniden tanımlanamayacağından emin olmalıdır.”

LLM bu politikayı, mevcut metrik anlık görüntüsünü ve **parametre şemasını** (ör. öğrenme oranı, gürültü ölçeği, koşullandırma değişkenleri) alır ve aşağıdaki gibi bir **parametre öneri JSON** üretir:

```json
{
  "noise_scale": 0.85,
  "age_conditioning": true,
  "privacy_epsilon": 1.2,
  "bias_weight": 0.3
}
```

### 3.2 Prompt Mühendisliği

Deterministik çıktı sağlamak için sağlam bir prompt şablonu kullanılır:

```
Sen bir sentetik veri kalite danışmanısın. Aşağıdaki politikayı göz önünde bulundur:
{policy}
Mevcut metrikler:
{metrics}
Kullanılabilir üretici parametreleri:
{param_schema}
Politikayı en iyi şekilde karşılayan ve faydayı maksimize eden bir JSON nesnesi üret. **SADECE JSON** döndür.
```

LLM ayrıca RL ajanı için **ödül şekillendirme** önerileri sunabilir; örneğin gizlilik ihlallerine veya önyargı kaymalarına yönelik ceza katsayılarını artırabilir.

---

## 4. Pekiştirmeli Öğrenme Döngüsü

### 4.1 Durum, Eylem, Ödül Tanımı

* **Durum** – son metrik değerlerinin (gizlilik, önyargı, doğruluk) ve mevcut üretici hiper‑parametrelerinin vektörü.  
* **Eylem** – her hiper‑parametre için ayarlama delta’sı (ör. `noise_scale` + 0.05).  
* **Ödül** – ağırlıklı toplam:  
  `R = w_fidelity * (1 - distance) + w_privacy * (privacy_margin) - w_bias * (bias_excess)`

Ağırlıklar (`w_fidelity`, `w_privacy`, `w_bias`) politikadaki önceliğe göre LLM tarafından sağlanır.

### 4.2 Eğitim Döngüsü

1. **Üret** mevcut parametrelerle bir sentetik parti.  
2. **Ölç** kalite metriklerini; MetriK Deposuna kaydet.  
3. **Hesapla** ödülü, LLM‑tarafından verilen ağırlıkları kullanarak.  
4. **Güncelle** PPO adımıyla RL ajanını; yeni eylemi üret.  
5. **Geç** eylemi Parametre Güncelleme Servisine; döngüyü tekrarla.

RL ajanı çevrimiçi öğrenerek **konsept kayması** ve **regülasyon güncellemeleri** nedeniyle değişen ödül ağırlıklarına otomatik uyum sağlar.

---

## 5. Formize'de Uygulama Kılavuzu

### 5.1 Önkoşullar

| Öğe | Önerilen Sürüm |
|------|----------------------|
| Formize Platformu | 3.2+ |
| LLM API (OpenAI, Anthropic) | GPT‑4o veya Claude 3 |
| RL Kütüphanesi | Stable‑Baselines3 (Python 3.10) |
| MetriK Deposu | InfluxDB 2.7 |
| Blockchain | Polygon (maliyet‑etkin değiştirilemezlik için) |
| Container Runtime | Docker 24 |

### 5.2 Adım‑Adım

#### Adım 1: Yeni Bir İş Akışı Oluşturun

1. Formize UI’da **New Workflow** → **Synthetic Data Pipeline** seçin.  
2. **Ingestion** düğmesini sürükleyin, veri gölünüzden (S3, Azure Blob) ham veriyi alacak şekilde yapılandırın.  
3. **Generator** düğmesini ekleyin; **Custom Container** seçin ve CTGAN imajınıza işaret edin.

#### Adım 2: Kalite Ölçüm Paketi Ekle

1. **Script** düğmesini *Kalite Paketi* adıyla ekleyin.  
2. KS‑test, ε‑diferansiyel gizlilik ve önyargı tespitlerini çalıştıran bir Python betiği yükleyin.  
3. Çıktıyı Formize’in yerleşik bağlayıcısıyla **MetriK Deposuna** JSON olarak gönderin.

#### Adım 3: LLM Danışmanı Entegre Edin

1. **HTTP Request** düğmesini *LLM Danışmanı* olarak ekleyin.  
2. Uç noktayı LLM sağlayıcınıza ayarlayın, 3.2’deki prompt şablonunu kullanın.  
3. Girdi haritalaması: `policy` (bir **Config** düğmesinden), `metrics` (MetriK Deposundan), `param_schema` (statik JSON).  
4. JSON yanıtını bir **Parameter Object**’e ayrıştırın.

#### Adım 4: RL Ajanını Dağıt

1. **Python Function** düğmesini *RL Ajanı* olarak oluşturun.  
2. Fonksiyon içinde `stable_baselines3`’ı içe aktarın ve Formize’in **Artifact Store**’unda saklanan hafif bir PPO modelini yükleyin.  
3. Fonksiyon, mevcut durumu alır, LLM’den gelen ödül ağırlıklarını ekler, ödülü hesaplar, yeni eylemi döndürür ve modeli çevrimiçi olarak günceller.

#### Adım 5: Parametre Güncelleme Servisi

1. **Transformation** düğmesi ekleyin; mevcut üretici konfigürasyonunu RL ajanının eylemiyle birleştirir.  
2. Birleştirilmiş konfigürasyonu **Generator** düğmesine geri besleyerek bir sonraki çalıştırma için hazır hâle getirin.

#### Adım 6: Uyumluluk Akıllı Sözleşmesi

1. Formize’in **Blockchain** sekmesinde, `privacy_epsilon <= policy.max_epsilon` kontrolünü yapan bir Solidity sözleşmesi yazın.  
2. Sözleşmeyi Polygon testnet’e dağıtın; adresi bir **Config** düğmesinde saklayın.  
3. **Contract Call** düğmesini *Gizlilik Kontrolü* olarak ekleyin; Kalite Paketi’nden gelen gizlilik metriğini sözleşmeye gönderir.  
4. Sözleşme reddederse iş akışı durur ve bir uyarı tetiklenir.

#### Adım 6: Denetim ve Kontrol Paneli

1. İş akışı için **Audit Log**’u etkinleştirin; tüm düğüm çalıştırmaları değiştirilemez deftere akıtılır.  
2. Formize’in görsel bileşenleriyle bir **Dashboard** oluşturun: metrik zaman serileri, RL ödül eğrisi ve sözleşme durumu göstergesi.  

### Örnek Kod Parçacıkları

**Kalite Paketi (Python)**

```python
import json, numpy as np
from scipy.stats import ks_2samp
from diffprivlib.mechanisms import Laplace

def run_quality(real, synthetic):
    # İstatistiksel doğruluk
    ks = ks_2samp(real['age'], synthetic['age']).statistic
    
    # Diferansiyel gizlilik tahmini (basit Laplace sınırı)
    epsilon = np.mean(np.abs(real['salary'] - synthetic['salary'])) / 1000
    
    # Önyargı tespiti (cinsiyet paralelliği)
    gender_real = real['gender'].value_counts(normalize=True)
    gender_syn = synthetic['gender'].value_counts(normalize=True)
    bias = abs(gender_real['female'] - gender_syn['female'])
    
    metrics = {
        "ks_distance": ks,
        "privacy_epsilon": epsilon,
        "gender_bias": bias
    }
    # Formize bağlayıcısı kimlik doğrulamayı halleder
    return json.dumps(metrics)
```

**RL Ajanı (Python)**

```python
from stable_baselines3 import PPO
import json, os

model_path = os.getenv("RL_MODEL_PATH")
model = PPO.load(model_path)

def rl_step(state_json, reward_weights_json):
    state = json.loads(state_json)
    weights = json.loads(reward_weights_json)

    # Ödül hesaplama
    reward = (1 - state["ks_distance"]) * weights["w_fidelity"] \
           + (weights["w_privacy"] - state["privacy_epsilon"]) * weights["w_privacy"] \
           - state["gender_bias"] * weights["w_bias"]

    # PPO tahmini
    action, _ = model.predict(state["params"], deterministic=False)
    # Çevrimiçi öğrenme
    model.replay_buffer.add(state["params"], action, reward, state["params"], False)
    model.train()
    model.save(model_path)

    return json.dumps({"action": action.tolist()})
```

---

## 6. Güvenlik, Denetlenebilirlik ve Uyumluluk

| Endişe | Azaltma |
|---------|------------|
| **Veri Sızıntısı** | Tüm ham veri özel bir VPC içinde kalır; sentetik çıktı yalnızca zincir üzerindeki gizlilik doğrulamasından sonra yayınlanır. |
| **Model Zehirlenmesi** | RL ajanı izole bir sandbox içinde çalışır; yalnızca metrik‑türetilen ödüller kabul edilir, bu da adversarial ödül manipülasyonunu önler. |
| **Regülasyon Kayması** | LLM politika promptları yeni düzenlemeler yayınlandıkça otomatik güncellenir; akıllı sözleşme en son eşikleri zorlar. |
| **İzlenebilirlik** | Her metrik, parametre değişikliği ve sözleşme etkileşimi hash’lenerek blockchain’e kaydedilir; adli denetim mümkün olur. |
| **Erişim Kontrolü** | Formize’in sıfır‑güven rol motoru, kimlerin iş akışını düzenleyebileceğini, kontrol panelini görebileceğini ve LLM servisini çağırabileceğini sınırlar. |

LLM‑tabanlı politika çevirisi, RL‑tabanlı optimizasyon ve zincir‑tabanlı denetim kombinasyonu, teknik ve yasal gereksinimleri aynı anda karşılayan, sürekli gelişen bir sentetik veri üretim süreci sunar.

---

## 7. Gerçek Dünya Kullanım Örnekleri

1. **Sağlık Araştırması** – Hasta kohortlarını, hastalık prevalansını korurken HIPAA‑seviyesinde gizlilik sağlayan sentetik kayıtlar üretin. RL döngüsü, yeni klinik kılavuzlar ortaya çıktıkça sentetik‑gerçek farkını azaltır.  
2. **Finansal Dolandırıcılık Tespiti** – Gerçek müşteri verilerini ifşa etmeden dolandırıcılık kalıplarını taklit eden işlem günlükleri oluşturun. LLM‑tabanlı önyargı kısıtlamaları, demografik gruplar arasında adil veri üretimini garantiler.  
3. **Otonom Araç Simülasyonu** – Yol testlerinden keşfedilen kenar durumlarla uyumlu sentetik sensör akışlarını sürekli kalibre edin; böylece simülasyon doğruluğu manuel yeniden ayarlamaya gerek kalmadan artar.  

---

## 8. Gelecek Yönelimler

* **Çok‑Ajan RL** – Her kalite boyutu için ayrı ajanlar dağıtıp, bir meta‑kontrolörün koordinasyonunu sağlayarak daha ince ayar elde edin.  
* **Dağıtık LLM Kalibrasyonu** – Politikaları dış API’ye göndermek yerine kenar cihazlarda yerel LLM çalıştırarak veri egemenliğini artırın.  
* **Açıklanabilir RL** – SHAP veya LIME kullanarak RL ajanının belirli bir hiper‑parametreyi neden seçtiğini gösterin; bu açıklamaları yönetişim kontrol paneline yansıtın.  

Bu ileri adımlar, insan müdahalesini daha da azaltarak sentetik veri boru hatlarına duyulan güveni ve benimsenmesini artıracaktır.