Yapay Zeka Tabanlı Kod Aklama

Yapay Zeka Tabanlı Kod Aklama

Özet

Bu makalede , AI ve Bilişim Etiğinin en güncel tartışma konularından biri olan “Yapay Zekâ Tabanlı Kod Aklama” (AI-Driven Code Laundering) kavramı ele alınıyor. Açık kaynak kodlu projeler farklı lisanlar ile korunsada bazı AI araçları, bu lisanslara sahip  kodları  yeniden yorumluyor. değişken isimlerini ve sözdizimini değiştirip aslından bağımsız yeni yazılımlar üretebiliyor. Bu durum, geleneksel intihal tespit mekanizmalarını etkisiz kılmakta ve açık kaynak felsefesinin özünü oluşturan “atıf yapma ve paylaşma” zorunluluklarını yok etmektedir.

Anahtar Kelimeler: Bilişim Etiği, Yapay Zekâ Tabanlı Kod Aklama, Açık Kaynak Lisansları, Fikri Mülkiyet, GitHub Copilot.

İçindekiler

1. Giriş
2. AI Tabanlı Kod Aklama (AI-Driven Code Laundering) Nedir?
3. Örnek Vakalar ve Davalar
4. Çözüm Yöntemleri 
   1.  Genel Çözüm Yaklaşımları
   2. Bireysel Geliştirici Düzeyinde Önlemler
5. Teknik Uygulamalar
   1. Uygulama
   2. Uygulama
   3. Uygulama
6. Sonuç ve Etik Değerlendirme
7. Kaynakça
8. Ekler

1. Giriş: Yazılım Lisansları ve Kodlarımızın Korunması

Yazılım ürünlerimizi, emeklerimizi ve çabalarımızı ilk yıllardan itibaren yazılım lisansları korumaktadır. Bu lisanslar, geliştiricilerin haklarına yasal bir zemin sağlamaktadır. Bir yazılım projesinin açık kaynak kodlu olması, her şeyin serbest olduğu anlamına gelmez. Kullanıcılar bu projeleri kurallardan bağımsız olarak istedikleri gibi kullanamazlar. Kaynak gösterilmeksizin atıfların kaldırılması veya kodların doğrudan ticari ürünlere dönüştürülmesi yasal değildir. Açık kaynak dünyası, kendi içinde belirli kurallar ve sorumluluklar barındırır.

Yazılım lisansları sektörde genellikle iki ana gruba ayrılmaktadır:

• Kapsayıcı (Permissive) Lisanslar: MIT ve Apache 2.0 gibi lisanslar bu gruptadır. Bu modeller, ticari projeler de dahil olmak üzere kodun neredeyse tamamen serbest kullanımına olanak tanır. Ancak bu özgürlüğün tek bir güçlü şartı vardır. Kullanıcılar, orijinal geliştiricinin telif hakkı bildirimini ve lisans metnini korumak zorundadır. Yani asıl geliştiriciye atıfta bulunulması yasal bir zorunluluktur.

• Copyleft / Sınırlayıcı Lisanslar: GPL (General Public License) gibi lisanslar ise daha korumacı bir yaklaşım benimser. Bu lisansa sahip bir yazılımdan yeni bir kod türetirseniz kurallar değişir. Ürettiğiniz yeni yazılımı da açık kaynaklı yapmak zorundasınızdır. Sistem, kodun özgür kalmaya devam etmesini şart koşar.

Uzun seneler boyunca , üreticilerin haklarını koruyan yazılım lisanlarıdır. Fakat bazı yapay zeka ürünleri sayesinde işlevsizleştirildiği durumlar görülmeye başlanmıştır.

2. AI Tabanlı Kod Aklama (AI-Driven Code Laundering) Nedir?

Yapay zekanın yazılım dünyasındaki popülerleşmesi ile,  en çok tartışılan konulardan biri  Yapay Zeka tabanlı Kod Aklama (AI-driven code laundering) oldu. Bu konu, finans sektöründeki kara para aklama süreçlerine benzer bir şekildedir. Yasal olarak sınırlandırılmış kodların bir yapay zeka filtresinden geçirilerek yeniden üretilmesi ile kodların yasal sınırlarından ele alınması yöntemini içeriyor.

Peki bu nasıl gerçekleşiyor? yapay zeka uygulamaları ve bazı araçları, internette açık kaynaklı olan  milyarlarca satır  kod üzerinde eğitiliyor. Kullanıcı, yapay zekadan karmaşık ürün yapmasını istediğinde yapay zeka kendi içinde sakladığı orijinal açık kaynak projeye başvuruyor. kodu doğrudan kopyalayıp yapıştırmak ve kullanmak yerine, değişken ve fonksiyon isimlerini değiştirerek ,sözdizimini  ve genel döngü yapılarını yeniden yorumlayarak (örneğin bir for döngüsünü while yapısına çevirerek), algoritmanın genel mantığını bozmadan tekrar yazarak, yeni bir ürün üretiyor. Böylece ortada yeni bir ürün olduğundan orjinal ürünün yasal kısıtlamalarından arınmış olunuluyor.

Kağıt üzerinde yasal bir engelle karşılaşmayan bu durum, pratikte orijinal projenin fikri mülkiyet haklarını, geliştiricinin emeğini ve en önemlisi lisans zorunluluklarını (atıf yapma veya projeyi açık kaynak yapma şartlarını) tamamen göz ardı ediyor.

3. Örnek Vakalar ve Davalar

Son yıllarda bu konudaki en büyük gelişme toplu bir dava oldu. Bu dava Microsoft, GitHub ve OpenAI ortaklığına karşı açılmıştır. GitHub Copilot davası olarak bilinen bu süreç tarihe geçmiştir. Dava, Joseph Saveri Hukuk Bürosu ve Matthew Butterick tarafından açıldı.

Buradaki temel iddia, Copilot aracının kod aklama yöntemi kullanmasıdır. Davacılar, bu uygulamanın bir çeşit kod korsanlığı olduğunu savunmaktadır. Bu nedenle dava, alanındaki ilk emsal süreç olma niteliğini taşır.

Davanın Temel Dayanakları ve İddialar

Davacı taraflar, sistemin arkasındaki OpenAI Codex modeline odaklanmaktadır. Bilindiği gibi bu model, milyarlarca satır açık kaynaklı kodla eğitilmiştir. Üstelik bu kodlar, 11 popüler açık kaynak lisansına tabidir. Bu lisanslar atıf yapmayı ve telif hakkını korumayı zorunlu kılar.

Ayrıca türetilen projelerin de açık kaynak yapılması yasal bir şarttır. Dava dilekçesinde, Copilot’un lisansları nasıl ihlal ettiği açıklanmıştır. Bu kapsamda süreç üç temel yasal argüman üzerinden yürütülmektedir.

DMCA Bölüm 1202 İhlali (Telif Hakkı Yönetim Bilgilerinin Silinmesi)

Dijital Milenyum Telif Hakkı Yasası (DMCA) belirli korumalar içerir. Bu yasa uyarınca telif hakkı yönetim bilgilerinin kaldırılması yasaktır. Geliştirici adı ve lisans şartları bu yasal bilgiler arasındadır. Ancak Copilot, kullanıcılara kod sunarken bu bilgileri tamamen silmektedir.

Orijinal yazarın adı veya lisans metni koda dahil edilmez. Bu yüzden yapay zeka aracı açıkça yasayı ihlal etmekle suçlanmaktadır.

Savunma ve “Fair Use” (Adil Kullanım) Paradoksu

Microsoft ve OpenAI, telif hakkı hukukundaki “Fair Use” (Adil Kullanım) doktrinine sığınarak kendilerini savunmaktadır. Savunma, yapay zekanın eğitim sürecinde kodların birebir kopyalanmadığını, bunun yerine modellerin kodlardaki yapısal örüntüleri ve mantığı “öğrendiğini” öne sürmektedir. Onlara göre yapay zeka, girdiyi dönüştürerek (transformative use) yeni bir sentez ortaya koymaktadır. Bu nedenle, bu durum akademik araştırmalarda veri madenciliği yapmaya benzer bir adil kullanım hakkı olarak değerlendirilebilir.

Mahkeme Kararları ve Sürecin Güncel Durumu

Dava sürecinde mahkeme, yapay zeka şirketlerinin davayı tamamen düşürme taleplerini geri çevirmiştir. Kaliforniya Kuzey Bölge Mahkemesi, davanın en kritik unsurları olan “Sözleşme İhlali” (Breach of Contract) ve “DMCA kapsamında telif hakkı bilgilerinin silinmesi” iddialarının yargılanmaya devam etmesine karar vermiştir. Hukuki süreçte en sıcak ve kritik aşama ise “özdeşlik (identicality) şartı” üzerindeki tartışmadır. Yapay zeka şirketleri, Copilot çıktılarının orijinal kodlarla birebir aynı olmadığını, bu nedenle DMCA ihlali sayılamayacağını savunmaktadır. Davacı yazılımcılar ise bu karara itiraz ederek davayı Dokuzuncu Temyiz Mahkemesi’ne (Ninth Circuit Court of Appeals) taşımıştır. Yazılımcıların avukatları, yapay zekanın kodu harfi harfine kopyalamasa bile anlamsal olarak yeniden yazmasının yani “kod aklamasının” yasal boşluklardan yararlanarak suçu gizleme çabası olduğunu söylemektedir.

4. Çözüm Yöntemleri ve Öneriler

4.1. Yapısal ve Küresel Çözüm Yaklaşımları

Tüm dünya genelinde bu sorunun çözülmesi adına, sektöre bu konu ile ilgili yeni standartlar getirilmelidir. Bu yeni standartlar Yapay zeka ile ortaya çıkan yeni çeşit hırsızlıkları önlemek adına kritik bir adımdır. Bir kaç önerilen yöntem şunlardır:

• Yapay Zekâ Temelli Lisanslama: Geleneksel açık kaynak lisansları insan odaklı yazılmıştır. Ancak günümüzde yeni lisans modellerine ihtiyaç duyulmaktadır. Bu modeller, kodun yapay zekâ tarafından eğitim verisi olarak kullanılıp kullanılamayacağını belirlemelidir. Hangi koşullarda kullanılabileceği de bu lisanslarla netleşmelidir. Bu bağlamda, yapay zeka modellerinin veri kullanımına dair yasal temel oluşturan yeni lisansların geliştirilmesi şarttır.

  Açık ve Şeffaf Atıf Sistemleri (Watermarking & Lineage Tracking): Yapay zekâ şirketleri sistemlerine bazı zorunlu mekanizmalar entegre etmelidir. İlk olarak, üretilen kod bloklarının hangi orijinal projelerden geldiğini geriye dönük takip eden veri izleme (data lineage) sistemleri kurulmalıdır. İkinci olarak, kodun içine makineler tarafından okunabilen dijital filigranlar (watermarks) eklenmelidir. Bu filigranlar insan gözüyle görülmeyen yapılardır.

4.2. Bireysel Geliştirici Düzeyinde Önlemler

Bireysel bir geliştirici ya da mühendislik ekibi olarak bu etik krizle karşı karşıyayız. Bu noktada çift taraflı bir sorumluluğumuz bulunmaktadır. Bunlar, kendi kodumuzu korumak ve genel etik standartları yükseltmektir.

1. Kodumuzu Korumak
   

   Açık ve özgür kaynak düşüncemizden yola çıkarak, yazdığımız kodları açıkça paylaşırken , emeğimizi ve haklarımızı korumak için ; ilgili konuda yeni lisanslar ve teknolojiler çıkana kadar alabileceğimiz bir kaç önlem var:

   Platform Düzeyinde Opt-Out Seçeneklerini Kullanmak: bir çok platform, kullanıcılarına projelerinin yapay zeka eğitiminde kullanılmasını engelleme hakkı tanımaktadır ve her ne kadar bu hakların uygulanıp uygulanmadığı ve rızanın yeterli olup olmadığı tartışılsa da, Hesap ve depo ayarlarından bu izinleri kapatmak, ilk savunma hattımızı oluşturur.
   
   >Yapay Zeka Botlarına Sınır Çizmek (Web Scraping Protokolleri): Yapay zeka modelleri, internetteki kodları web tarayıcı botları aracılığıyla toplar. Projelerimizin dokümantasyon web sitelerinde veya kod depolarının ana dizinlerinde, arama motoru botları ile yapay zeka tarayıcı botlarını ayıran bildirimler yayınlamak, teknik bir engel oluşturur.

2. Başkalarının Kodunu Korumak: Etik Yapay Zeka Kullanımı
   

   “Code Laundering” sürecinin bir diğer aktörü, bu aklanmış kodu farkında olmadan kendi projesine dahil eden son kullanıcı geliştiricidir. Bir geliştirici olarak etik ihlallere karışmamak için şu önlemleri almalıyız:

   Yapılandırılmış Çoğaltma Filtrelerini Aktif Etmek: Kullandığımız yapay zeka kod asistanlarının (Copilot gibi) ayarlarında, ürettikleri çıktının internetteki açık kaynak projelerle eşleşip eşleşmediğini kontrol eden mekanizmalar bulunmaktadır. Bu filtrelerin aktif tutulması, yapay zekanın bize “aklanmış” bir GPL kodu sunmasını büyük ölçüde engeller.
   
   >Semantik Kod Doğrulama (AI Plagiarism Checkers): Yapay zeka tarafından üretilen kritik algoritmaları projeye doğrudan eklemek yerine, kod asistanları tarafından üretilmiş mantığı doğrulamak ve açık kaynak referansları bulmak bireysel güvenliği arttıracaktır.

5. Teknik Uygulamalar

1. Uygulama

Kendi yazdığımız kodları korumak çok önemlidir. Aynı hassasiyeti başka yazılımcıların kodları için de göstermeliyiz. Başkalarının kodlarını rızasız kullanmamak için bazı ayar yapılandırmaları yapabiliriz.

GitHub Copilot özel bir algoritma geliştirmiştir. Bu algoritma 150 karakter sınırı içeren bloklar ile açık kaynak kodlu yazılımları tarar. Söz konusu sistem, yazılan kodun herhangi bir kaynak kodla temel olarak eşleşip eşleşmediğini kontrol eder. Bu mekanizma bir filtre olarak çalışmaktadır. Filtre kapatıldığında Copilot lisans şartlarını tamamen göz ardı eder. Bu durum “Code Laundering” sürecine yol açabilir. Filtre açıldığında ise sistem, telif hakkı riski taşıyan önerileri doğrudan engeller veya yeni alternatifler sunar.

Adım 1: GitHub Hesap Ayarlarına Giriş

Öncelikle bir internet tarayıcısı açın. Ardından github.com adresine giderek hesabınıza giriş yapın. Sayfanın sağ üst köşesinde profil fotoğrafınız yer alır. Bu fotoğrafın altına açılan menüden ayarlar (Settings) bölümüne tıklayarak geçiş yapın.

Adım 2: Copilot Yönetim Paneline Geçiş

Sol tarafta bulunan uzun menü panelini aşağıya kaydırın. “Code, planning, and automation” ana başlığı altında “Copilot” sekmesine tıklayın. Bu işlemle birlikte GitHub Copilot aboneliğinizi, erişim izinlerinizi ve politikalarınızı yönetebileceğiniz ana panel karşınıza çıkacak.

Adım 3: “Suggestions Matching Public Code” Ayarının Yapılandırılması

Sayfanın içinde “Suggestions matching public code” (Kamuya açık kodlarla eşleşen öneriler) başlıklı ayar bölümünü bulun. Bu bölümün yanında veya altında yer alan seçim menüsünü açın. İki seçenekle karşılaşacaksınız: 

– Allowed (İzin Verildi): Bu seçenek, Copilot’un açık kaynaklı ve telifli kodları lisans uyarısı olmadan değiştirerek size sunmasına izin verir. (Bu, etik risk barındıran varsayılan ayardır).

– Blocked (Engellendi): Bu seçenekle, Copilot, üreteceği kod bloğu kamuya açık bir repo ile eşleştiğinde o öneriyi size sunmayı reddeder. 

Etik ve yasal olarak güvenli tarafta kalmak için bu seçeneği “Blocked” olarak değiştirmenizi öneririm.

2. Uygulama

Yapay zekâ asistanlarının kamusal kodları filtrelemeden sunmasına izin verildiği durumlarda, geliştiricinin filtreleme görevini üstlenmesi şart. GitHub’ın geliştirdiği “Code Referencing” özelliği, yapay zekanın sunduğu önerilerin “aklanıp aklanmadığını” gerçek zamanlı olarak kontrol eden en etkili şeffaflık araçlarından biri. Bu araç, üretilen kodun internetteki orijinal kaynağını, yazarını ve lisans türünü geliştiriciye göstererek etik karar verme sürecini insana bırakıyor. Sınıf veya atölye ortamında, yapay zekanın önerdiği bir kodun orijinal referanslarını bulmak ve lisansını denetlemek için izlenmesi gereken adımlar şunlardır:

Adım 1: VS Code’da Kod Önerisi Tetikleme

Öncelikle, VS Code editörünüzü açın ve yeni bir kod dosyası oluşturun. Editörde, internette sıkça karşılaşılan ve açık kaynaklı projelerde kullanılan belirli bir algoritmayı çağırmak için bir yorum satırı yazın (örneğin: // Algoritma: Dijkstra en kısa yol algoritması). Ardından, Enter tuşuna basarak Copilot’un gri renkte bir kod bloğu önermesini bekleyin ve Tab tuşuna basarak bu kodu kabul edin.

Adım 2: Copilot Log Paneli Üzerinden Referans Bildirimini Yakalama

Copilot, açık kaynaklı bir projeyle eşleşen bir kod bloğu ürettiğinde, editörün sağ alt köşesinde veya kod satırının hemen üzerinde küçük bir “Copilot log” veya “Eşleşen kodu gör” bildirimi belirecektir. Alternatif olarak, VS Code’un alt panelindeki “Output” (Çıktı) sekmesine tıklayıp, sağ köşedeki açılır menüden “GitHub Copilot” seçeneğini seçerek arka planda dönen referans tarama sonuçlarını görebilirsiniz.

Adım 3: Orjinal Lisans ve Kaynak Kod İncelemesi

Ekranda beliren referans linkine veya bildirim penceresine tıkladığınızda, VS Code içinde özel bir GitHub Copilot Code Referencing paneli açılacaktır. Bu panelde, yapay zekanın size sunduğu kodun birebir veya yüksek oranda semantik olarak benzediği orijinal GitHub depoları (repositories) listelenir. Listede şu kritik bilgiler yer alır: 

• Repository Name: Kodun asıl sahibi olan projenin adı (örneğin: facebook/react). 
• License: Kodun tabi olduğu yasal lisans (örneğin: GPL 3.0 veya MIT). 
• Code Snippet Link: Orijinal kod satırına giden doğrudan web bağlantısı.

3. Uygulama

Yazılım geliştiricileri açık kaynak kodlarını korumak istemektedir. Bu konudaki temel yaklaşım, yapay zekâ tarayıcı botlarını kaynak seviyesinde engellemektir. Bu botlar web kazıyıcı (web scraping) tabanlı çalışmaktadır. Büyük dil modellerini eğiten teknoloji şirketleri, kamuoyundan gelen fikri mülkiyet tepkilerine yanıt vermiştir. Bu şirketler, web sitelerindeki standart protokol deklarasyonlarına uyacaklarını taahhüt etmişlerdir.

1. Adım: Web Tabanlı Dokümantasyon Sayfaları İçin robots.txt Yapılandırması

Açık kaynaklı projelerin tanıtım web siteleri yapay zekâ botları için önemli hedeflerdir. API dokümantasyonları veya web tabanlı kaynak kod arayüzleri de bu kapsamda taranmaktadır. Geliştiriciler, web sitelerinin kök dizinine bir robots.txt dosyası ekleyebilirler. Bu metin dosyası ile botların tarama yetkileri global ölçekte sınırlanmaktadır.

Uygulama için geliştirilen projenin kök dizinine gidilmelidir. Öncelikle web sunucusundaki veya statik dağıtım alanındaki bu dizin açılmalıdır. Ardından ilgili alanda “robots.txt” adında bir dosya oluşturulmalıdır. Bilindiği gibi üretken yapay zekâ endüstrisinde veri toplayan belirli bot mekanizmaları vardır. Bunların başında OpenAI, Anthropic ve Apple gelmektedir. Bu yüzden söz konusu servisleri tamamen engellemek gerekir. Bunun için dosyaya aşağıdaki standart komut satırları eklenmelidir:

• User-agent: GPTBot
• Disallow: /
• User-agent: ChatGPT-User
• Disallow: /
• User-agent: ClaudeBot
• Disallow: /
• User-agent: Claude-Web
• Disallow: /

Bu yapılandırmada yer alan “Disallow: /” komutu, ilgili yapay zekâ ajanının web sitesindeki hiçbir alt dizine veya kod sayfasına erişmesine izin verilmediğini belirtir. Arama motorlarının (Google, Bing vb.) indeksleme botları ise bu kuralın dışında tutulur, böylece projenin internetteki görünürlüğü korunmuş olur.

2. Adım: Kod Depoları ve Sürüm Kontrol Sistemleri İçin .gitattributes Yapılandırması

Merkezi kod depolarında (GitHub, GitLab, Bitbucket) ham kaynak kodlar bulunur. Bu platformların kodları yapay zekâ modellerini eğitmek için analiz etmesini önlemek mümkündür. Bunun için sürüm kontrol sistemi düzeyinde bazı önlemler almak gerekir.

Projenizin yerel çalışma dizininde bir dosya oluşturmalısınız. Git sürüm kontrol sisteminin yapılandırma dosyalarından biri olan bu dosyanın adı gitattributes olmalıdır. Kod deposunun veri madenciliği araçları veya yapay zekâ indeksleyicileri tarafından taranmasını engellemek önemlidir. Bu taramalar “Code Laundering” süreçlerine hammadde oluşturmaktadır. Botları engellemek için, dosya içeriğine büyük veri havuzlarının tarama algoritmalarını devre dışı bırakmayı hedefleyen şu meta verileri tanımlamalısınız:

* text=auto

*.js linguist-generated=false

*.ts linguist-generated=false

*.py linguist-generated=false

Bu tanımlama, otomasyon araçlarına projedeki kaynak kodların otomatik olarak üretilmiş (generated) jenerik kodlar olmadığını, insan eliyle üretilmiş özgün fikri mülkiyet yapıları olduğunu bildirerek veri madenciliği filtrelerinde projenin hariç tutulmasını sağlar. Ayrıca, geliştiricilerin merkezi platformların (örneğin GitHub veri gizliliği paneli) ayarlarından projelerini “Model Training” (Model Eğitimi) havuzunun dışına çıkarmaları gerektiğini unutmamalıdır (Opt-Out).

6. Sonuç ve Etik Değerlendirme

Yoast SEO okunabilirlik kriterlerini (özellikle %20’den fazla cümlenin 20 kelimeyi aşmaması kuralını) karşılamak için metni daha kısa, net ve dinamik cümlelere böldüm. Anlam kaybı yaşanmadan, akademik dil korunarak yapılan düzenleme şu şekildedir:

6. Sonuç ve Etik Değerlendirme

Yapay zekâ teknolojilerinin yazılım süreçlerine entegrasyonu büyük kolaylıklar sağlamaktadır. Özellikle verimlilik ve erişilebilirlik açısından devrim niteliğinde adımlar atılmaktadır. Ancak bu durum, beraberinde ciddi ontolojik ve etik sorunlar getirmektedir. Yaşanan gelişmeler, bilişim dünyasında köklü bir değişimi zorunlu kılmaktadır. Bu sorunların en yıkıcı örneklerinden biri “Yapay Zekâ Tabanlı Kod Aklama” (AI-Driven Code Laundering) olarak karşımıza çıkar. Bu pratik, açık kaynak ekosisteminin temellerini sarsmaktadır. Adil paylaşım, şeffaflık ve emeğe saygı anlayışı bu süreçte ciddi şekilde zedelenmektedir.

Bilişim etiği açısından bakıldığında ortada açık bir hak ihlali vardır. Yapay zekâ modelleri telifli kodları yeniden yorumlamaktadır. Biçimsel değişiklikler yaparak kodun “kimliğini unutturmayı” hedeflemektedir. Bu durum bir teknik başarıdan ziyade, yapısal bir hak ihlali olarak değerlendirilmelidir. Söz konusu süreç, geleneksel hukukun ve intihal tespit araçlarının boşluklarından yararlanmaktadır. Böylece kolektif bir emek, geliştiricilerin rızası olmadan ticarileştirilmektedir. GitHub Copilot davası gibi küresel hukuki mücadeleler bu açıdan kritik bir öneme sahiptir. Bu davalar; telif hakkı, adil kullanım ve fikri mülkiyet kavramlarının yeniden tanımlanması gerektiğini göstermektedir. Yapay zekanın ham veriyi dönüştürdüğü iddiası, geliştiricilerin hak kaybını meşrulaştıramaz.

Bu etik kriz karşısında yazılım topluluğu çok boyutlu bir yaklaşım sergilemelidir. Küresel ölçekte yapay zekâ çağının gerçeklerine uyum sağlanmalıdır. Modellerin eğitim izinlerini sıkı kurallarla belirleyen yeni nesil lisanslama modelleri (AI-Ready Licenses) geliştirilmelidir. Bu modellerin uygulanması artık kaçınılmaz bir gerekliliktir. Ancak hukuki süreçlerin ve endüstriyel standartların oturması zaman alacaktır. Bu geçiş sürecinde, bireysel geliştiricilerin ve mühendislik ekiplerinin savunma amaçlı bir farkındalık geliştirmesi kritik bir öneme sahiptir.

Makalede bu koruma yöntemleri uygulamalı olarak gösterilmiştir. İlk olarak, kod asistanlarındaki kamusal kod filtreleri aktif tutulmalıdır. Kod referanslama (Code Referencing) araçlarının kullanımı yaygınlaştırılmalıdır. Bu sayede başkalarının lisanslı emeğine karşı duyarlılık gösterilebilir.  Platform düzeyindeki koruma ayarlarıyla özgün projeler rıza dışı veri madenciliğine karşı savunulmalıdır. Bu yaklaşım ise “çaldırmama prensibi” olarak adlandırılır. Tüm bu önlemler, günümüz yazılım dünyasında temel bir bilişim etiği refleksi ve dijital hijyen kuralıdır.

Sonuç olarak, yapay zekâ sistemlerinin yazılım dünyasını bir sömürü alanına dönüştürmesi engellenmelidir. Bunun yolu, teknolojinin gelişimini tamamen durdurmaktan geçmez. Çözüm, bu gelişimi insan emeğini ve etiği merkeze alan teknik ve hukuki bariyerlerle sınırlamaktır. Açık kaynak kod felsefesinin geleceği koruma altına alınmalıdır. Bu gelecek, yapay zekânın kara kutularına karşı geliştiricilerin sergileyeceği bilinçli ve etik duruşa bağlıdır.

7.Kaynakça

9.Ekler

EK-1 Özgünlük (İntihal) Analizi

Bu çalışma, Cahit Cengizhan (2026) tarafından belirtilen makale yayın ilkelerine uygun olarak teknik denetimlerden geçirilmiştir. Denetim sonuçları aşağıda sunulmuştur:

Makale 20.05.2026 tarihinde https://plagiarismdetector.net/ adresinde dört bölüm halinde taranmış, benzerlik incelemesinden geçmiştir. Birinci bölümün %100, ikinci bölümün %97 , üçüncü bölümün %100 , dördüncü bölümün %100 , oranında özgün (Unique) olduğu saptanmıştır. Ortalama özgünlük oranı %99,25‘tir.

EK-2 AI Detector Analizi

Makale 20.05.2026 tarihinde AI Content Detector | Trusted GPT-5, and Free AI Detector adresinde yapay zeka içerik incelemesinden geçmiştir. Yazının yapay zeka tarafından üretilme benzerlik oranı %8,25 olarak ölçülmüştür.

Bu eser Bahar Işıklı tarafından Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası Lisansı ile lisanslanmıştır.

Bahar IŞIKLI

Ben Bahar Işıklı, İstanbul’da doğdum. Marmara Üniversitesi Bilgisayar ve Öğretim Teknolojileri Eğitimi bölümünde 3. sınıf öğrencisi olarak akademik hayatıma devam ediyorum. Yazılıma olan ilgim lise yıllarımda başladı ve o günden bu yana modern web geliştirme süreçlerinin her aşamasına hâkim olmak adına kendimi sürekli geliştiriyorum. Gelecekte kariyerimi profesyonel bir yazılım geliştiricisi olarak sürdürmeyi ve sektördeki güncel dönüşümlere öncülük etmeyi hedefliyorum. Teknik yetkinliklerimi özellikle PHP, MySQL ve JavaScript tabanlı React, Vue, Next.js, Node.js ve Express gibi modern ekosistemlerde derinleştirmeye odaklanıyorum. Geliştirdiğim projelerin yayına alınma aşamalarında ise Cloudflare, Netlify ve Vercel gibi platformları aktif olarak kullanıyor; bulut altyapısı ihtiyaçlarımda AWS servislerinden yararlanıyorum.
Profesyonel deneyim tarafında, TraTech bünyesinde finans odaklı web yazılımları geliştiren bir ekipte 3 ay süren yoğun bir staj dönemi geçirdim. Bu süreçte beş farklı projede görev alarak React ve ASP.NET gibi teknolojilerle gerçek web ve finans problemlerine çözümler ürettim.
Şu anda GDG on Campus Marmara bünyesinde Yazılım Ekip Lideri olarak görev alıyor; topluluğun web projelerini ve teknik operasyonlarını yönetiyorum. Aynı zamanda farklı teknoloji yığınlarını kullanarak geliştirdiğim projeleri düzenli olarak kişisel GitHub hesabımda paylaşıyorum. Yazılım mimarisi, veri tabanı yönetimi ve kullanıcı deneyimi prensiplerini merkeze alarak, sektörel standartlarda inovatif çözümler üretmeye ve profesyonel süreçlere entegre olmaya devam ediyorum.