Yapay Zeka Modellerinin Eğitiminde Veri Madenciliği ve Telif Hukuku: FSEK Kapsamında Adil Kullanım

Yazan /

Modellerin Eğitiminde Kullanılan Yöntemler ve Veriler

Yapay zeka modellerinin eğitiminde “veri toplama, ön işleme, eğitim ve model ince ayarı” olmak üzere dört aşama izlenir ve tüm bu silsile “veri” temeli üzerine kurulur [1]. Çıktıların kalitesi yapay zeka modellerini eğitirken kullanılan verilerin doğruluğu, güvenilirliği ve kalitesiyle doğrudan bağlantılıdır. Modelin bağlamı (attention) tartabilmesi, işlevselliğini kontrol edebilmesi ve doğru bağlamı seçerek veriler üretmesi, modelin verilere maruz kalmasına ve böylece model parametreleri (ağırlıklar veya önyargılar) oluşturmasına bağlıdır [2]. Bu parametrelerin oluşumu ve işlevselliğin kontrolü, eğitim verileri vasıtasıyla oluşturulan giderilmiş önyargılar, sınırlı istenmeyen sonuç üretimi ve azaltılmış hatalar sürecin sonucudur [3]. Dolayısıyla eğitimde kullanılan veriler dikkatle ele alınmalı, doğru parametreleri sağlayacak çeşitlilik sağlanmalı, bunu sağlarken de hem geliştiricilerin hem de veri sahiplerinin menfaatleri gözetilmelidir. Bu durum veri toplama mekanizmalarının belirlenmesi ve sınıflandırılmasını ve telif hukuku çerçevesinde ele alınarak hak ihlallerinin önüne geçilmesini, belirsizliklerin ortadan kaldırılmasını gerektirmektedir. Uluslararası politika girişimlerinin de fikri mülkiyeti ve kişisel verileri koruyan, şeffaflığı ve hesap verilebilirliği sağlayan, izlenebilir veri kümeleri ve kaliteli eğitim verilerini koruyan önlemlere vurgu yaptığı görülmektedir [4].

Şekil 1: Yapay zeka eğitimi için temel veri toplama mekanizmaları (OECD, Ekim 2025) [5]

Veri yönetimini sağlayacak mekanizmaların haritalandırılması incelendiğinde üçüncü taraf sağlayıcılardan ve bireyler ve kuruluşlardan toplanan veriler olarak genel sınıflandırma yapmak mümkündür [6]. Doğrudan bireyler ve kuruluşlardan toplanan veriler, doldurulan formlar veya içerik yükleme gibi sağlanan verilerden veya sitelerde önümüze gelen çerezler ve zaman damgaları, cihaz bilgileri gibi gözlemlenmiş verilerden oluşabilir. Bireylerin yapay zeka sistemleriyle etkileşim kurarken sağladığı verilere ise etkileşim verisi denir ve sanal asistanların kullanımı gibi işletmeden tüketiciye (B2C) veya ChatGPT’nin Microsoft Bing arama motoruna entegre edilmesi gibi işletmeden işletmeye (B2B) de kurulabilir [7]. Bireysel tercihleri analiz etme ve gelecekteki davranışları tahmin etme imkanı veren bu veriler ticari teşvik için önem taşımaktadır [8]. Kamu yararına hizmet eden yapay zeka modellerinin geliştirilmesinde ise veri özgeciliği (gönüllü veri bağışı) ile bağışlanan veriler önem taşımaktadır. Bu veriler kişilerce veya kurumlarca gönüllü olarak verilen ve anonimleştirilerek sağlık, eğitim, ulaşım, enerji, trafik, şehir planlaması gibi alanlarda geliştirilen modellerin eğitiminde kullanılmaktadır [9]. Üçüncü taraf sağlayıcılardan toplanan veriler ise ticari veri lisanslama, açık veri ve herkese açık internet verilerinin kazınması şeklinde olabilir [10]. Açık veri, kullanım amaçları ve erişim yetkisi olabilecek kullanıcılara yönelik kısıtlamalar içeren “koşullu erişim ve paylaşım düzenlemeleri”; abonelikler ve ücretli içerikler sunan platformlardaki gibi kullanıcı kimliği bakımından “ayrımcılık yapmayan veri erişim ve paylaşım düzenlemeleri”; herkes tarafından her amaçla kullanılabilen, ücretsiz sunulan “açık veri düzenlemeleri” dereceleri gibi açıklık derecelerine sahiptir [11]. LLM’lerin ihtiyaç duyduğu veri büyüklüğü düşünüldüğünde web kazıma en çok kullanılan yöntemlerdendir. Common Crawl gibi yapay zeka veri toplayıcılarının ortaya çıkması ise bu yönteme artan talebin göstergesidir [12]. Hatta 47 LLM’in incelendiği bir çalışmada bu dil modellerinin en az %64’ünün Common Crawl sürümlerinden en az birini kullandığı bulunmuştur [13].

Verilerin Kullanımında Hukuki İmkanlar

Veri sahiplerinin kişisel verilerinin ve telif hukuku çerçevesinde korunan menfaatlerinin korunması ile ekonomik, sosyal ve teknolojik gelişimin ve toplum veya kişi/grup yararına yaratım, üretim sürecinin korunması arasındaki dengenin sağlanması aşamasında hukuk önemli bir işleve sahiptir. Metin ve veri madenciliğinde veri kullanımına getirilen istisnalar ise bir politika tercihidir [14]. Yapay zeka teknolojilerinin kişilik hakları üzerinde yarattığı riskleri ise Deepfake’in Kişilik Haklarına Müdahalesi ve Cezai Sorumluluk yazımızda ayrıntılı olarak incelemiştik.

ABD Telif Kanunu m.106 ile eser sahiplerine çoğaltma, işleme, yayma, temsil ve gösterim hakkı sunmuştur. 106 A bölümünde ise görsel sanat eseri sahiplerine adını belirtme, imhayı da içeren bütünlüğü koruma gibi devredilmez nitelikte manevi haklar tanınmıştır [15]. Amerika, telif haklarının kullanım sınırını adil kullanım hakkı olarak ele almakta ve ABD Telif Hakkı Kanunu’nun 107. maddesinde eserin, telif hakkı kapsamında kullanımında sınırları düzenlemektedir [16]. Madde dikkate alındığında kullanımın dönüştürücü etkisi var mı, hak sahibini olumsuz rekabet şartlarına sürüklüyor mu sorularına yanıt arayan “kullanım amacı ve niteliği unsuru”; eserin yaratım amacı ve aleniliğini ele alan “korunan eserin niteliği unsuru”; kullanılan parçanın önemine vurgu yapan “kullanılan verinin eserin bütününe oranı ve önemi unsuru”; kullanımın eserin ticari niteliğine ve pazar payına etkisini ele alan “potansiyel pazar ve eserin değeri üzerine etkisi unsuru” ile bir çerçeve çizildiği görülmektedir [17]. Adil kullanım sınırını belirleyen bu unsurlar ex post (esnek) bir niteliğe sahiptir ve bunlarla birlikte bilgiye erişimde kamunun menfaati ve kötü niyet unsurlarının da ele alınarak değerlendirildiği görülmektedir [18]. Yapay zeka modellerinin eğitimi için veri kullanımı ele alındığında ise ilk unsur olan kullanımın amacı ve niteliği yönünden değerlendirildiğinde model eğitiminde eserin kullanımı eserin amacından bağımsız bir şekilde ele alınmakta, ürettiği çıktılar da eserden bağımsız olmaktadır ancak ticari kullanım ile denge gözetilerek her olay bazında ayrıca değerlendirilmesi gereken husustur. İkinci unsur olan korunan eserin niteliği unsuru ise LLM’lerin üretiminde büyük bir kaynak olan web kazıma yönteminde kullanıldığı gibi alenileşmiş veriler ya da açık veriler kullanıldığından pratik açıdan alenileşmemiş verinin kullanılması zaten mümkün değildir, dolayısıyla yapay zeka modellerinin eğitiminde veri kullanımının sınırı çerçevesinde değerlendirilebilecek, belirleyici unsurlardan değildir. Kullanılan verinin bütün esere oranı ve önemi unsuru ele alındığında ise eserden alınan veriler ki bu eserin tamamını içerse de sayısal ifadelere dönüştürülerek kullanılmakta ve doğrudan kullanıcılara sunulmamaktadır. Dördüncü unsur olan potansiyel pazara ve eserin değerine etkisi değerlendirildiğinde ise modellerin geliştirilmesinde veri kullanımı hiçbir zaman eserin tamamına ikame edecek şekilde kullanımı içermemekte ve dolayısıyla eserin değerine ve pazar etkisine etki etmemektedir [19]. Dolayısıyla eserlerin ve verilerin yapay zeka modellerinin geliştirilmesi amacıyla kullanımı (ele alınan veriyi temel alarak aynı nitelikte eser üretmeyi amaçlayan modeller ya da pazarın büyük bir kısmına hakim olan ve yalnız ticari amaçla eserlerin kullanımını baz alan modeller gibi istisnalar dışında) adil kullanım hakkı kapsamındadır [20].

Türkiye’de ise telif hakkı koruması Fikir ve Sanat Eserleri Kanunu ile düzenlenmektedir. Kanun, eser sahiplerine işleme, çoğaltma, yayma, temsil ve umuma iletim gibi mali haklar sağlamaktadır [21]. Yapay zeka modelinin eğitiminde kullanılan eserler üzerinde yapılan değişiklikler eseri işleme kapsamında ihlal olarak değerlendirilebilir [22]. Ancak eğitimde kullanılan verilerin direkt çıktı olarak kullanılmadığı ve çıktılar oluşturulurken direkt kayıtlı verilerden bunların çekilmediği göz önüne alınırsa eserden belli unsurların çekilip kullanımı yani işlenmesi söz konusu değildir. Madde 22’de ele alınan çoğaltma hakkı ise eser sahibine tanınmış eseri tamamen, geçici veya sürekli çoğaltma hakkını ifade etmektedir. Model eğitiminde veri tabanına kaydedilen eserlerin saklanması veya herhangi bir şekilde kopyalanması hali bu hakkın ihlali anlamı taşıyacaktır [23]. Ancak verileri yalnız eğitimde kullanan, eserleri kopyalamayan veya saklamayan yapay zeka modelleri mevcuttur ve bu modeller çıktıları üretirken bir veri tabanından verileri çekmediği için zaten depolamaya ihtiyaç duymazlar [24]. Madde 23 eser sahibine kira ve ödünç ilişkisi kurma veya satma gibi hakları kapsayan yayma hakkı tanımaktadır [25]. Yayma hakkının ihlali ise veri şirketlerinin oluşumu ve verinin ticarileşmesi hususlarında dikkat edilmesi gereken, ihlal haline gelebilecek bir husustur. Madde 24’te ele alınan temsil hakkı; madde 25’te ele alınan umuma iletim hakkı; madde 40’ta yer verilen temsil serbestisi ise girdilere değil çıktılara esas alınabilecek hususlardır. Madde 35 kapsamında eser sahibine tanınan eserinden belli koşullar ile alıntı yapma hakkı ve eğitim ve öğretim için seçme ve toplama eserler oluşturulmasına belli şartlarda imkan tanıyan madde 39 ise yapay zeka modellerinin ve dil modellerinin genişliği düşünüldüğünde belirli bir kısma veya amaca yönelik alıntı yapılamayacağı, model eğitiminde eserin topluca ele alınması ve kullanılması durumunun hakim olduğu açıktır [26].

Mer’i telif rejimi ele alındığında FSEK ile korunan eserlerin yapay zeka modellerinin eğitiminde kullanılabilmesi için eser sahipleri ile binlerce yazılı sözleşme imzalanması gerektiği ve kullanılan eserlerin kapsamı, ihlal yaratıp yaratmadığı ve doğan zararın ispatının zorluğu göz önüne alınınca ihlal edilen hak sahibi ve üreticiler arasındaki menfaat dengesinin nasıl sağlanacağı sorusu cevaplanamamaktadır. Yeni teknolojiler ve bu teknolojilerin gelişim hızı dikkate alındığında izin verme veya yasaklama sistemleriyle bir uygulama yaratmak ya da kazuistik olarak ele almak sürdürülebilir bir rejim sunmayacaktır [27]. Bir düzenleme için teknolojinin olgunlaşmasını beklemek gerektiğini düşünen yazarlar olduğu gibi, teknoloji üretme kapasitesini düşürmemek ve yerli girişimleri desteklemek için belli ölçekli yerli teknolojilere geliştirme amaçlı istisnalar tanınmasını ve tazminatlar ile sınırların korunması gerektiğini savunan yazarlar da vardır [28]. Finansal güçlerini kullanarak veri setlerine erişimi engellemek isteyen şirketlerin var olma ihtimalini düşünerek verilerin kullanımı için hak sahibinin izni yanında devlet müdahalesinin gerektiğini ve bu müdahalenin yalnızca denetimi ve gözetimi (hukuka uygunluk açısından) içermesi ve sektör aktörlerince merkezi kayıt sistemi oluşturularak bu sistem üzerinden kullanımların ilerlemesi gerektiğini savunan yazarlar da mevcuttur [29].

İlgili Yazılarımız

Kaynakça

(Herhangi bir sıra gözetilmeksizin sunulmuştur.)

  • Yavuz Akbulak (2026), Telif Hakkı ve Yapay Zekâ [Birleşik Krallık Danışma Raporundaki Saptamalar], Legal Blog, https://ea70330bbfe919e2312426c9be35e661274d7d97.vetisonline.com/belge/telif-hakki-ve-yapay-zek-birlesik-krallik-danisma-raporundaki-saptamalar/5631191#.
  • Doç. Dr. Cahit Suluk (2025), Dijitalleşmenin Ve Özellikle Yapay Zekanın Çıkardığı Telif Sorunları Ve Çare Arayışları, YBHD, S. 2025/2.
  • Stability v. Getty Images Davası, “Neutral Citation Number: [2025] EWHC 2863 (Ch), Case No: IL-2023-000007, In the High Court of Justice Business and Property Courts of England and Wales Intellectual Property List (ChD), Royal Courts of Justice, Date: 04/11/2025, https://www.judiciary.uk/wp-content/uploads/2025/11/Getty-Images-v-Stability-AI.pdf
  • 5846 sayılı Fikir ve Sanat Eserleri Kanunu (FSEK), https://mevzuat.gov.tr/mevzuatmetin/1.3.5846.pdf.
  • Copyright Act (633), “USC 17”, https://www.copyright.gov/title17/.
  • Baack, S. (2024), Training Data for the Price of a Sandwich, https://www.mozillafoundation.org/en/research/library/generative-ai-training-data/ , Erişim: 19.04.2026.
  • Osman Gazi Güçlütürk (2022), Yapay Zeka ve Verinin Kullanımı, On İki Levha Yayıncılık, https://29b13951316a490bc215ebb98f180002769de725.vetisonline.com/literatur/kitaplar/3-7-1-adil-kullanim-ve-makine-ogrenmesi-978-625-432-164-1.
  • Av. Esma Muheyne Doğan (2025), Üretken Yapay Zekâ Modellerinin Eğitiminde Kullanılan İçeriklerin Telif Hakkı İhlali: Abd’deki Güncel Davalar Işığında Karşılaştırmalı Bir İnceleme, TFM, C: 11, S: 1, https://dergipark.org.tr/tr/pub/tfm/article/1637308.
  • OECD (2015), Data-Driven Innovation: Big Data for Growth and Well-Being, OECD Publishing, Paris, https://doi.org/10.1787/9789264229358-en.
  • OECD (2024), Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD Publishing, https://doi.org/10.1787/623da898-en.
  • Ahmet Seymen Özçelik, Hammurabi Fellowship: A Legal Engineering Experience programı kapsamında yapılan “Beklentileri Kalibre Edebilmek” isimli 18.04.2026 tarihli sunumu.
  • Yavuz Akbulak (17.11.2025), Birleşik Krallık’ın “Telif Hakkı ve Yapay Zekâ” Konusundaki İlk Yüksek Mahkeme Kararı” Üzerine, Legal Blog, Erişim: 13.04.2026, https://ea70330bbfe919e2312426c9be35e661274d7d97.vetisonline.com/belge/birlesik-krallikin-telif-hakki-ve-yapay-zek-konusundaki-ilk-yuksek-mahkeme-karari-uzerine/5813539#.
  • OECD (2025), Mapping relevant data collection mechanisms for AI training, OECD publishing, https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/10/mapping-relevant-data-collection-mechanisms-for-ai-training_62921889/3264cd4c-en.pdf.
  • G7 (2023), Hiroshima Process International Code of Conduct for Organizations, https://digital-strategy.ec.europa.eu/en/library/hiroshima-process-international-code-conduct-advanced-ai-systems.

Dipnotlar

  • [1] OECD (2024), Explanatory Memorandum on the Updated OECD Definition of an AI System, OECD Publishing, https://doi.org/10.1787/623da898-en.
  • [2] Ahmet Seymen Özçelik, Hammurabi Fellowship: A Legal Engineering Experience programı kapsamında yapılan “Beklentileri Kalibre Edebilmek” isimli 18.04.2026 tarihli sunumu; Yavuz Akbulak (17.11.2025), Birleşik Krallık’ın “Telif Hakkı ve Yapay Zekâ” Konusundaki İlk Yüksek Mahkeme Kararı” Üzerine, Legal Blog, Erişim: 13.04.2026, https://ea70330bbfe919e2312426c9be35e661274d7d97.vetisonline.com/belge/birlesik-krallikin-telif-hakki-ve-yapay-zek-konusundaki-ilk-yuksek-mahkeme-karari-uzerine/5813539#.
  • [3] Akbulak; OECD (2025), Mapping relevant data collection mechanisms for AI training, OECD publishing, https://www.oecd.org/content/dam/oecd/en/publications/reports/2025/10/mapping-relevant-data-collection-mechanisms-for-ai-training_62921889/3264cd4c-en.pdf.
  • [4] G7 (2023), Hiroshima Process International Code of Conduct for Organizations, https://digital-strategy.ec.europa.eu/en/library/hiroshima-process-international-code-conduct-advanced-ai-systems.
  • [5] OECD (2025), sf. 12.
  • [6] OECD (2025), sf. 6.
  • [7] OECD (2025), sf. 13.
  • [8] OECD (2025), sf. 14-15.
  • [9] OECD (2025), sf. 15.
  • [10] OECD (2025), sf. 15-19.
  • [11] OECD (2015), Data-Driven Innovation: Big Data for Growth and Well-Being, OECD Publishing, Paris, https://doi.org/10.1787/9789264229358-en.
  • [12] OECD (2015), sf. 19.
  • [13] Baack, S. (2024), Training Data for the Price of a Sandwich, sf. 13, https://www.mozillafoundation.org/en/research/library/generative-ai-training-data/ , Erişim: 19.04.2026.
  • [14] Osman Gazi Güçlütürk (2022), Yapay Zeka ve Verinin Kullanımı, On İki Levha Yayıncılık, sf. 246, https://29b13951316a490bc215ebb98f180002769de725.vetisonline.com/literatur/kitaplar/3-7-1-adil-kullanim-ve-makine-ogrenmesi-978-625-432-164-1.
  • [15] Av. Esma Muheyne Doğan (2025), Üretken Yapay Zekâ Modellerinin Eğitiminde Kullanılan İçeriklerin Telif Hakkı İhlali: Abd’deki Güncel Davalar Işığında Karşılaştırmalı Bir İnceleme, TFM, C: 11, S: 1, sf. 5, https://dergipark.org.tr/tr/pub/tfm/article/1637308.
  • [16] Copyright Act (633), “USC 17”, https://www.copyright.gov/title17/.
  • [17] Güçlütürk, sf. 233-236.
  • [18] Güçlütürk, sf. 236; Doğan, sf. 95.
  • [19] Güçlütürk, sf. 239-240.
  • [20] Yapay zeka modellerinin eğitiminde veri kullanımının adil kullanım istisnası içerisinde ele alınması konusunda öneme sahip “Authors Guild v. Google” kararının detaylı değerlendirmesi için okuma önerisi: Güçlütürk, sf. 235-240.
  • [21] 5846 sayılı Fikir ve Sanat Eserleri Kanunu (FSEK) m.20, https://mevzuat.gov.tr/mevzuatmetin/1.3.5846.pdf.
  • [22] Doğan, sf. 98.
  • [23] Doğan, sf. 99.
  • [24] Geliştirilen modelin telif haklarını ihlal eden eser kopyalarını içermesi ve saklaması, bu eserlerin model ağırlığını oluşturmakta kullanımı, eğitim ve geliştirme eylemin gerçekleştiği yer ile fikri mülkiyet haklarına ihlal neticesinde uygulanacak hukukun bölgeselliği hakkında okuma önerisi: Stability v. Getty Images Davası, “Neutral Citation Number: [2025] EWHC 2863 (Ch), Case No: IL-2023-000007, In the High Court of Justice Business and Property Courts of England and Wales Intellectual Property List (ChD), Royal Courts of Justice, Date: 04/11/2025, https://www.judiciary.uk/wp-content/uploads/2025/11/Getty-Images-v-Stability-AI.pdf, Erişim: 19.04.2025.
  • [25] Doğan, sf. 99.
  • [26] Doğan, sf. 99.
  • [27] Doç. Dr. Cahit Suluk (2025), Dijitalleşmenin Ve Özellikle Yapay Zekanın Çıkardığı Telif Sorunları Ve Çare Arayışları, YBHD, S. 2025/2, sf. 965-967.
  • [28] Suluk, sf. 965; Doğan, sf. 100.
  • [29] Güçlütürk, sf. 268; lisans yönetimine ilişkin kollektif yönetim örgütleri kurulması gerekliliği ve veri madenciliğine getirilebilecek muafiyetleri konu alan Birleşik Krallık fikri mülkiyet hukuku ve diğer kanunlarda yapılabilecek değişiklikler hakkında okuma önerisi: Yavuz Akbulak (2026), Telif Hakkı ve Yapay Zekâ [Birleşik Krallık Danışma Raporundaki Saptamalar], Legal Blog, https://ea70330bbfe919e2312426c9be35e661274d7d97.vetisonline.com/belge/telif-hakki-ve-yapay-zek-birlesik-krallik-danisma-raporundaki-saptamalar/5631191#.