Eğitim verisinin izin ve telif durumunu belgelemek

Derlenmiş bir küme, lisans açısından tek bir nesne değil; farklı izinlere tabi binlerce nesnenin toplamıdır. Tek bir "lisans: karışık" etiketi bu toplamı gizler ve ilk soruda işe yaramaz hale gelir. Ayırmanın birimi dosya değil kaynaktır: aynı siteden gelen iki sayfa farklı şartlara tabi olabilir.

"CC lisanslı" veya "açık" gibi serbest metin notları denetlenemez. Her kayıt için standart bir lisans kimliği, lisans metninin alındığı adres ve alınma tarihi yazılır. Lisans belirlenemiyorsa alan boş bırakılmaz; "belirsiz" değeri yazılır ve bu değer varsayılan olarak kullanımı engeller. Belirsizliği alan boşluğuyla ifade eden kümelerde, boş alan zamanla "sorun yok" diye okunuyor.

{
  "kayit_kimligi": "derlem-tr-haber/000417",
  "kaynak_adresi": "<toplama anında yazılan adres>",
  "alinma_zamani": "2026-09-15T08:03:11Z",
  "icerik_ozeti": "sha256:...",
  "lisans": {
    "kimlik": "CC-BY-4.0",
    "kanit_adresi": "<lisans metninin alındığı adres>",
    "kanit_zamani": "2026-09-15T08:03:11Z"
  },
  "ayrilma_sinyali": {
    "robots_txt": "izin",
    "tdm_ayrilma": "yok",
    "kullanim_sartlari": "incelendi"
  },
  "kullanim_karari": "egitimde-kullanilabilir",
  "bayraklar": ["atif-gerekli"]
}

• Sorgulanabilir olur: "ticari kullanıma kapalı kaç kayıt var" sorusu tek sorguyla cevaplanır.
• Karşılaştırılabilir olur: iki küme aynı ölçütle değerlendirilir.
• Devredilebilir olur: kümeyi başka bir ekip devraldığında yorum kaybolmaz.
• Denetlenebilir olur: "belirsiz" oranı kümenin olgunluk göstergesine dönüşür.

Metin ve veri madenciliği istisnaları, hak sahibine kullanımı kısıtlama imkânı tanıyan bir düzende işliyor. Bu ayrılma iradesi makine okunur bir sinyalle ifade edilebiliyor. Sinyalin değeri zamana bağlı: bir site bugün izin verip yarın kısıtlayabilir. Toplama anında kaydedilmeyen bir sinyal, aylar sonra ne izin ne de yasak kanıtıdır.

• robots.txt: hem genel kurallar hem kullanıcı aracısına özel satırlar
• Yanıt başlıklarındaki tarayıcı ve kullanım yönergeleri
• Sayfa içi robots ve kullanım işaretleri
• Metin ve veri madenciliği ayrılma bildirimi dosyası
• Sitenin kullanım şartlarındaki açık kısıtlar
• Dosya düzeyindeki lisans ve telif bildirimleri

Kaynak zinciri geriye dönük üretilemez. Sayfa değişir, silinir, taşınır; lisans güncellenir; kullanım şartları yenilenir. Toplama anında kaydedilmeyen bilgi aylar sonra tahmine dönüşüyor ve tahmin denetimde kanıt sayılmıyor. Bu adım, hattın içine bir alan eklemekten ibaret; atlandığında ise kümeyi baştan toplamayı gerektiriyor.

İçerik özeti ikinci bir işe daha yarıyor: yinelenen kayıtları bulmak. Aynı metnin çok sayıda kopyası hem eğitimde o metnin ağırlığını şişirir hem de tek bir çıkarma talebini onlarca kayda yaymanızı gerektirir. Tekilleştirmeyi telif işinin bir parçası olarak görün, ayrı bir veri temizliği işi olarak değil.

Kümedeki en kısıtlayıcı lisans, kümenin ne yapılabileceğinin tavanını belirler. Ticari kullanıma kapalı tek bir kayıt, kümenin tamamının ticari kullanımını tartışmalı hale getirir. Bu yüzden kısıt analizi kümeyi topladıktan sonra değil, kullanım kararını vermeden önce yapılır.

Telif, içeriğin taşıdığı tek hak değil. Aynı metin kişisel veri, kişilik hakkı, marka, ticari sır veya sözleşmesel gizlilik de taşıyabilir ve bunların her biri ayrı bir rejime tabidir. Lisansı açık bir forum gönderisi, içindeki ad ve iletişim bilgisi nedeniyle kişisel veri tarafında sorunlu olabilir.

• Ad, iletişim bilgisi veya kimlik numarası içeren metinler
• Yüz, ses ve diğer biyometrik içerik
• Marka ve logo görselleri
• Kurum içi belgelerden gelen ve gizlilik yükümlülüğü taşıyan metinler
• Çocuklara ait olabilecek içerik
• Sağlık, inanç veya ceza kaydı gibi özel nitelikli veri barındıran metinler

Bayraklamak silmek değil, ayrı bir karar yolundan geçirmek demektir. Aynı kayıt telif tarafında temiz, kişisel veri tarafında sorunlu olabilir ve iki karar ayrı ayrı verilir. Kişisel veri bayrağı taşıyan kayıtlar, kurumun veri haritasına ve saklama politikasına da girer; bu iki çalışmayı aynı kimlikler üzerinden bağlayın.

Veri künyesi kümenin kartıdır: neyi içerir, nasıl toplandı, ne dışarıda bırakıldı, hangi kullanım için uygun değildir. Künyeyi yazmanın gizli faydası şu: yazarken cevaplanamayan her soru, hattaki bir eksiği işaret eder. "Lisans dağılımı nedir" sorusuna cevap veremiyorsanız sorun künyede değil, ikinci adımdadır.

• Kümenin amacı ve açıkça uygun olmayan kullanımlar
• Kaynak dağılımı: hangi kaynak türünden ne oranda kayıt
• Lisans dağılımı ve "belirsiz" oranı
• Dil ve alan dağılımı
• Dışarıda bırakma kuralları ve gerekçeleri
• Tekilleştirme ve temizleme adımları
• Bilinen boşluklar ve temsil sorunları
• Sürüm ve değişiklik kaydı

Genel amaçlı model sağlayıcıları için eğitim verisi hakkında yeterince ayrıntılı bir özet yayımlamak ve bir telif politikası bulundurmak ayrı bir yükümlülük başlığı. Kendi temel modelinizi eğitmiyor, yalnızca ince ayar yapıyorsanız bile künye işinizi kolaylaştırıyor: müşteriniz ya da tedarikçiniz aynı soruları sorduğunda cevap hazır oluyor.

Bir hak sahibi içeriğinin çıkarılmasını istediğinde iki soru sorulur: bu kayıt hangi kümelerde ve hangi model sürümleri onu gördü. İkincisine cevap veremeyen bir kayıt düzeni, talebi ancak "bundan sonra kullanmayacağız" diyerek karşılayabilir. Bu cevap bazen yeterli olur, ama yeterli olup olmadığına siz değil karşı taraf ve hukuk karar verir.

1. 1Talebi eşleştir

   Kaynak adresi veya içerik özetinden kayıtları bulun; yinelenen kopyaları da kapsayın.

2. 2Etkiyi çıkar

   Kaydın girdiği küme sürümlerini ve o sürümlerle eğitilmiş model sürümlerini listeleyin.

3. 3Kümeden çıkar

   Kaydı bir sonraki küme sürümünden çıkarın ve çıkarma gerekçesini kayıt altına alın.

4. 4Model kararını ver

   Yeniden eğitim, sürümü emekliye ayırma veya çıktı tarafında engelleme arasından seçin ve gerekçesini yazın.

5. 5Talep sahibine dön

   Hangi adımın yapıldığını ve hangisinin yapılamadığını açıkça bildirin.

• Küme sürümü değiştiğinde yeniden denetim yapın.
• Yeni bir kaynak türü eklendiğinde lisans analizini tekrarlayın.
• Bir kaynağın kullanım şartları değiştiğinde o kaynaktan gelen kayıtları gözden geçirin.
• Modelin kullanım amacı ticarileştiğinde kısıt tavanını yeniden hesaplayın.
• Her çıkarma talebini, süreci bir kez daha sınayan tatbikat olarak kaydedin.