Sahte Ürün Tespitinde Görsel AI Eğitimi: 10.000 Görselde Marka Öğretimi

B10 Visual AI Pipeline, sahte ürün tespitini salt görüntü tanıma olmaktan çıkarıp; veri bilimi, etik etiketleme ve model izlenebilirliği üçlüsünde yeniden tanımlar. 10.000 görsellik bir öğretim setiyle markalara özel AI modelleri eğitilir, bu süreç hem teknik doğruluk hem de hukuki sürdürülebilirlik açısından güvenli hale getirilir.

📅 10 Ekim 2025 | ⏱️ Okuma süresi: 7 dk | 🤖 B10 Data Intelligence Team

Veri Etiği ve Telif Güvenliği

AI eğitiminin temeli veridir; ancak veri güvenliği ve etik kaynak yönetimi artık teknik kadar yasal bir zorunluluktur. Bu nedenle tüm veri kaynaklarımız lisanslı, kamuya açık izinli veya müşteri tarafından sağlanan materyallerle sınırlıdır.

• Kaynak politikası: Yalnızca yasal, lisanslı ve telif temiz kaynaklardan veri toplama
• Anonimleştirme: Yüz, barkod, seri numarası ve kişisel verilerin maskelemesi
• İzin dokümantasyonu: Her veri kaynağı için doğrulanabilir izin kaydı

Etik veri olmadan güçlü model yoktur. Telif güvenliği, yapay zekânın sürdürülebilirliğidir.

Dataset Modelleme ve Sınıf Tasarımı

Modelin öğrenme başarısı, dengeli ve temsil gücü yüksek dataset tasarımına bağlıdır. 10.000 görsel, gerçek dünyadaki varyasyonları kapsayacak şekilde üç ana sınıfta toplanır:

• Orijinal: Üretici onaylı, yüksek çözünürlüklü ürün görselleri
• Counterfeit: Sahte veya taklit ürün görüntüleri
• Şüpheli: Belirsiz kalite veya manipülasyon içeren ara sınıf

Bu yaklaşım, modelin yalnızca “sahte/gerçek” ayrımı değil, gri bölgeleri de anlamasını sağlar.

Ön İşleme ve Veri Artırma (Augmentation)

Görseller; farklı ışık, açı, arka plan ve çözünürlük senaryolarına dayanıklı hale getirilir. Amaç, sahtecilik senaryolarında karşılaşılabilecek koşullara dayanıklı bir model elde etmektir.

• Normalize & resize: Tutarlı boyut ve renk uzayı oluşturma
• Augment: Renk bozulması, bulanıklık, rastgele kırpma ve noise ekleme
• Cutout/Mask: Logo ve etiket bölgelerini odaklayarak bölgesel öğrenme

Augmentasyon, yalnızca veriyi çoğaltmaz; modeli gerçek dünyaya hazırlar.

Eğitim Mimarisi ve Etiketleme Kalitesi

B10 modellerinde transfer learning yaklaşımı (ResNet, EfficientNet, ViT gibi mimariler) kullanılır. Etiket kalitesi, çift onay sistemi ve aktif öğrenme döngüsüyle sürekli kontrol edilir.

• Model tabanı: CNN + Vision Transformer (ViT) hibrit
• Çapraz kontrol: İki bağımsız etiketleyici, %95 tutarlılık eşiği
• Aktif öğrenme: Modelin en kararsız örneklerini yeniden etiketleme kuyruğuna alması

Değerlendirme ve Metrikler

Yalnızca doğruluk oranı değil, operasyonel kararlılık da ölçülür. Üretim ortamını taklit eden özel metrikler kullanılır.

• Precision / Recall / F1: Yanlış pozitif-yanlış negatif dengesi
• AUC-ROC / PR-AUC: Ayrıştırma kabiliyeti (eşik bağımsız)
• False Positive Cost: Yanlış alarmın operasyon maliyeti
• Open-set dayanıklılık: Görülmemiş varyasyonlara karşı direnç

Model başarısı, doğruluk oranından değil, işe yararlılıktan ölçülür.

Üretime Alım ve İnsan Döngüsünde Onay (HITL)

Yapay zekâ nihai karar verici değildir. Human-in-the-loop mekanizmasıyla model çıktıları uzmanlarca doğrulanır. Bu sayede her yanlış alarm, sisteme öğretici bir veri olarak geri döner.

• Skor eşikleri: Otomatik / yarı otomatik / manuel sınıflandırma kararları
• Workflow: Delil seti → otomatik rapor → hukuk & ajans bildirimi
• Feedback loop: İnsan onayı → yeniden eğitim → model güncellemesi

Canlı Takip ve Model Sürdürülebilirliği

Üretime alınan modeller, sürekli performans izleme altındadır. Model drift ve veri kayması analizleriyle zaman içinde doğruluk korunur.

• Drift izleme: Veri dağılımı değiştiğinde otomatik uyarı
• Adversarial test: Görsel manipülasyonlara karşı savunma
• Dokümantasyon: Her model sürümüne ait deney günlüğü ve onay kaydı

Sonuç

10.000 görsellik etik, dengeli ve üretim odaklı öğretim setleriyle eğitilen B10 Görsel AI Pipeline, sahte ürün tespitinde markalara hem operasyonel hız hem de hukuki geçerlilik kazandırır. Bu sistem, yalnızca “ne sahte?” sorusuna değil, “neden sahte?” sorusuna da yanıt verir.