Yüz tanıma projesine model seçerek değil, kullanım amacını ve hukuki dayanağı netleştirerek başlayın. Önce sistemin yalnızca kişinin söylediği kimliği doğrulayıp doğrulamayacağını, yoksa görüntüden kim olduğunu arayacağını belirleyin; ardından veri minimizasyonu, güvenlik, doğruluk, yanlılık ve insan denetimi koşullarını birlikte test edin. Böylece çalışan bir demo ile gerçek ortamda güvenle kullanılabilecek bir sistem arasındaki farkı gözetebilirsiniz.
Yüz tanıma iki farklı problemi ifade edebilir. Doğrulama (1’e 1), kullanıcının iddia ettiği kimlikle eşleşip eşleşmediğini kontrol eder. Örneğin kişi kullanıcı adını girdikten sonra kameradaki yüzü kayıtlı şablonuyla karşılaştırılır. Tanımlama (1’e çok) ise görüntüyü geniş bir kişi kümesine karşı arar ve “Bu kişi kim?” sorusuna yanıt üretmeye çalışır. Tanımlama, daha fazla kişi verisi, daha yüksek hata maliyeti ve daha sıkı erişim denetimi gerektirir.
Bu ayrım yalnızca teknik değildir. Türkiye’de belirli bir teknik işlemle kişiyi benzersiz biçimde tanımlamaya veya doğrulamaya yarayan yüz verileri biyometrik veri niteliği taşıyabilir; biyometrik veriler özel nitelikli kişisel veriler arasında değerlendirilir. Bu nedenle kameradan görüntü almakla kimlik şablonu üretmek aynı risk düzeyinde kabul edilmemelidir.
Aşağıdaki sırayı, model eğitimi veya hazır bir kütüphane entegrasyonundan önce uygulayın:
Modelin ürettiği benzerlik skoru kimlik kanıtı değildir; yalnızca seçilen eşik altında veya üstünde kalan bir karşılaştırma sonucudur. Eşiği düşürmek daha fazla gerçek kullanıcıyı kabul edebilir, ancak yetkisiz kişiyi kabul etme riskini artırır. Eşiği yükseltmek güvenliği artırabilir, ancak gerçek kullanıcıların reddedilmesini çoğaltabilir. Eşik, veri kümesinin toplam sonucuna göre değil, projenin hata maliyetlerine ve alt grup performansına göre seçilmelidir.
Bu sonuçları düzenli olarak izleyin. Kamera, ışık, model sürümü veya kayıt süreci değiştiğinde daha önceki test sonuçları geçerliliğini yitirebilir. Model güncellendiğinde veri sızıntısı, yeniden eğitim gereksinimi, eşik değişikliği ve eski şablonlarla uyumluluk ayrıca kontrol edilmelidir.
Yüz görüntülerini parola gibi düşünmek hatalıdır: Parola değiştirilebilir, yüz özellikleri aynı şekilde yenilenemez. Bu nedenle yüz verisini gereksiz yere merkezî bir veritabanında toplamak, üçüncü taraf hizmete belirsiz biçimde aktarmak veya uygulama loglarına yazmak ciddi risk oluşturur.
Bir başka hata, açık rıza alındığında projenin otomatik olarak hukuka uygun olduğunu varsaymaktır. Rıza bulunsa bile amaçla bağlantı, sınırlılık, ölçülülük, güvenlik ve uygun alternatifler değerlendirilmelidir. Özellikle çalışanlar, öğrenciler veya hizmet almak zorunda olan kişiler bakımından rızanın gerçekten özgür iradeyle verilip verilmediği ayrıca incelenmelidir.
Son olarak, sistemi insan kararının yerine kesin hüküm veren bir araç gibi kullanmayın. Yüz tanıma sonucu erişimi etkiliyorsa kararın gerekçesi kaydedilmeli, kişi hatalı sonuca itiraz edebilmeli ve düzeltme için uygulanabilir bir yol bulunmalıdır. Proje bu koşulları karşılayamıyorsa kapsamı daraltmak veya biyometrik olmayan bir yönteme dönmek, modeli iyileştirmeye çalışmaktan daha doğru sonraki adımdır.
Önce kullanım amacını kesinleştirin
Yüz tanıma iki farklı problemi ifade edebilir. Doğrulama (1’e 1), kullanıcının iddia ettiği kimlikle eşleşip eşleşmediğini kontrol eder. Örneğin kişi kullanıcı adını girdikten sonra kameradaki yüzü kayıtlı şablonuyla karşılaştırılır. Tanımlama (1’e çok) ise görüntüyü geniş bir kişi kümesine karşı arar ve “Bu kişi kim?” sorusuna yanıt üretmeye çalışır. Tanımlama, daha fazla kişi verisi, daha yüksek hata maliyeti ve daha sıkı erişim denetimi gerektirir.
Bu ayrım yalnızca teknik değildir. Türkiye’de belirli bir teknik işlemle kişiyi benzersiz biçimde tanımlamaya veya doğrulamaya yarayan yüz verileri biyometrik veri niteliği taşıyabilir; biyometrik veriler özel nitelikli kişisel veriler arasında değerlendirilir. Bu nedenle kameradan görüntü almakla kimlik şablonu üretmek aynı risk düzeyinde kabul edilmemelidir.
Proje başlamadan önce kontrol listesi
Aşağıdaki sırayı, model eğitimi veya hazır bir kütüphane entegrasyonundan önce uygulayın:
- Amacı ve başarı ölçütünü yazılı hâle getirin. “Yetkili kullanıcı giriş yapabilsin” gibi dar bir amaç belirleyin; güvenlik kamerası görüntülerinden kimlik aramak gibi farklı bir amacı aynı projeye gizlice eklemeyin. Kabul edilebilir yanlış kabul ve yanlış ret oranlarını kullanımın riskine göre ayrıca tanımlayın.
- Alternatif yöntemi karşılaştırın. Kart, PIN, tek kullanımlık kod veya insan onayı aynı amacı daha az kişisel veriyle sağlayabiliyorsa yüz tanımayı otomatik olarak seçmeyin. Biyometrik yöntemin gerekli ve ölçülü olduğu gösterilemiyorsa tasarımı değiştirin.
- İşlenecek veriyi sınırlayın. Ham yüz fotoğraflarını sürekli saklamak yerine, mümkünse korumalı bir biyometrik şablon kullanın. Şablonun geri döndürülemez olup olmadığını, başka bir amaçla kullanılıp kullanılamayacağını ve silme işleminin gerçekten gerçekleştiğini doğrulayın.
- Açık rıza ve aydınlatma sürecini tasarlayın. Kişiye verinin hangi amaçla, ne kadar süreyle, kim tarafından ve hangi yöntemle işleneceğini anlatın. Rıza bir koşul olarak kullanılıyorsa bunun özgür iradeyle verilip verilmediğini ve hizmetin biyometrik olmayan makul bir alternatifinin bulunup bulunmadığını ayrıca değerlendirin. Hukuki dayanak, saklama süresi ve ilgili kişi talepleri için kurumunuzun hukuk ve veri koruma sorumlularından yazılı değerlendirme alın.
- Veri güvenliğini katmanlandırın. Ham görüntü ve şablonlara erişimi ayırın; aktarımda ve depolamada şifreleme, en az yetki, erişim kayıtları, anahtar yönetimi ve düzenli silme politikası kullanın. Geliştirme ortamına gerçek kişilerin verisini kopyalamayın; test verisini anonimleştirin veya sentetik veri kullanın.
- Gerçek kullanım koşullarını temsil eden veriyle test edin. Işık, kamera açısı, maske, gözlük, yaş grubu, cilt tonu, saç ve görüntü kalitesi gibi koşulları ayrı ayrı ölçün. Tek bir toplam doğruluk oranı yeterli değildir; her önemli alt grupta yanlış kabul, yanlış ret ve eşik değişiminin sonuçlarını raporlayın.
- Canlılık ve sahteciliğe dayanıklılığı test edin. Fotoğraf, ekrandan gösterilen video, kayıt veya maske gibi saldırıları değerlendirin. Canlılık kontrolü başarısız olduğunda sistemi otomatik olarak güvenilir kabul etmeyin; yüksek riskli işlemlerde ek bir doğrulama veya insan incelemesi uygulayın.
- İnsan müdahalesi ve itiraz yolunu ekleyin. Modelin “eşleşmedi” sonucu kişinin kesin olarak yetkisiz olduğunu kanıtlamaz; kötü ışık, kamera açısı veya veri kalitesi etkili olabilir. Kullanıcıyı kilitlemeden önce yeniden deneme, biyometrik olmayan alternatif ve gerektiğinde yetkili personel incelemesi sağlayın.
- Canlıya almadan önce kayıt ve silme testini tamamlayın. Bir deneme hesabıyla hangi görüntünün, şablonun, kararın ve log kaydının oluştuğunu kontrol edin. Saklama süresi dolduğunda ham görüntülerin, yedeklerin ve geçici dosyaların da silindiğini doğrulamadan projeyi üretime taşımayın.
Model sonucunu nasıl yorumlamalısınız?
Modelin ürettiği benzerlik skoru kimlik kanıtı değildir; yalnızca seçilen eşik altında veya üstünde kalan bir karşılaştırma sonucudur. Eşiği düşürmek daha fazla gerçek kullanıcıyı kabul edebilir, ancak yetkisiz kişiyi kabul etme riskini artırır. Eşiği yükseltmek güvenliği artırabilir, ancak gerçek kullanıcıların reddedilmesini çoğaltabilir. Eşik, veri kümesinin toplam sonucuna göre değil, projenin hata maliyetlerine ve alt grup performansına göre seçilmelidir.
| Ölçüt | Ne anlatır? | Tek başına neyi kanıtlamaz? |
|---|---|---|
| Yanlış kabul | Yetkisiz kişinin kabul edilme riskini gösterir. | Sistemin her koşulda güvenli olduğunu kanıtlamaz. |
| Yanlış ret | Yetkili kişinin reddedilme riskini gösterir. | Kişinin kimliğinin sahte olduğunu kanıtlamaz. |
| Canlılık kontrolü | Sunulan yüzün gerçek kişiye ait olma ihtimalini değerlendirir. | Kişinin doğru hesap sahibi olduğunu tek başına kanıtlamaz. |
| Alt grup sonuçları | Performansın farklı kullanıcı gruplarında değişip değişmediğini gösterir. | Toplam doğruluk oranının adil olduğunu kanıtlamaz. |
| İnsan incelemesi | Belirsiz sonuçların ek bağlamla değerlendirilmesini sağlar. | İncelemeyi yapan kişinin hatasız karar vereceğini garanti etmez. |
Sık yapılan tasarım hataları
Yüz görüntülerini parola gibi düşünmek hatalıdır: Parola değiştirilebilir, yüz özellikleri aynı şekilde yenilenemez. Bu nedenle yüz verisini gereksiz yere merkezî bir veritabanında toplamak, üçüncü taraf hizmete belirsiz biçimde aktarmak veya uygulama loglarına yazmak ciddi risk oluşturur.
Bir başka hata, açık rıza alındığında projenin otomatik olarak hukuka uygun olduğunu varsaymaktır. Rıza bulunsa bile amaçla bağlantı, sınırlılık, ölçülülük, güvenlik ve uygun alternatifler değerlendirilmelidir. Özellikle çalışanlar, öğrenciler veya hizmet almak zorunda olan kişiler bakımından rızanın gerçekten özgür iradeyle verilip verilmediği ayrıca incelenmelidir.
Son olarak, sistemi insan kararının yerine kesin hüküm veren bir araç gibi kullanmayın. Yüz tanıma sonucu erişimi etkiliyorsa kararın gerekçesi kaydedilmeli, kişi hatalı sonuca itiraz edebilmeli ve düzeltme için uygulanabilir bir yol bulunmalıdır. Proje bu koşulları karşılayamıyorsa kapsamı daraltmak veya biyometrik olmayan bir yönteme dönmek, modeli iyileştirmeye çalışmaktan daha doğru sonraki adımdır.
