Hindistan'ın DEPA'sı: Gizliliği koruyan yapay zeka eğitim verileri



Özet


Hindistan Elektronik ve Bilgi Teknolojileri Bakanlığı, iSPIRT Vakfı iş birliğiyle ham verilerin ifşasına gerek kalmadan farklı sektörlerde yapay zekâ modellerinin eğitilmesini sağlayan DEPA adlı taslak çerçeveyi yayımladı. Bu öneri, veri değişim platformu, elektronik sözleşmeler, güvenli veri ortamları ve diferansiyel gizlilik mekanizmalarından oluşan dört temel sütun üzerine kurulu teknik ve hukuki bir mimari sunmaktadır. Doküman, mevcut ulusal altyapılarla uyumlu olacak şekilde kurgulanmış olup henüz tartışma aşamasında bulunan bir taslak statüsündedir. Ayrıca çerçeve, bireysel düzeyde veri işleyen finansal onay sistemlerinden farklı olarak model eğitimi odaklı toplu veri paylaşımını hedeflemektedir.



Hindistan Elektronik ve Bilgi Teknolojileri Bakanlığı, iSPIRT Vakfı ile iş birliği yaparak yapay zekâ eğitimine yönelik DEPA adlı taslak bir çerçeve yayımladı. Bu öneri, ham verileri ifşa etmeden farklı sektörlerdeki yapay zekâ modellerini eğitmek için toplu veri kümelerinin paylaşılmasını sağlayan teknik ve hukuki bir mimari sunuyor. Doküman, bu tasarımı yapay zekâ çağına uygun “ikinci nesil Dijital Kamu Altyapısı” olarak konumlandırıyor.

Metin henüz “Tartışma İçin Taslak” statüsünde olduğundan, hükümetin planını yansıtıyor; hayata geçirilmiş bir uygulamayı değil. Ayrıca bu çerçeve ile finans sektöründe Sahamati tarafından yönetilen ve model eğitimi yerine çıkarım (inferencing) için bireysel düzeyde veri işleyen Hesap Toplayıcı (AA) onay sistemi olan DEPA Inference arasında net bir sınır çiziliyor.

Dört temel sütun ve iki dağıtım seçeneği

Mimari, dört teknik sütun üzerine kurulu:

Veri Değişim Platformu – aday olarak AI Kosh öne çıkıyor – keşif, kayıt ve erişim işlevlerini sağlıyor.

Elektronik Sözleşmeler, makine tarafından okunabilen ve şifrelenmiş imzalarla donatılmış, veri kullanım şartlarını otomatik olarak uygulayan anlaşmalardır.

Güvenli Veri Ortamı (SDE), ham verilerin ifşa edilmeden eğitim yapılmasını sağlayan donanım bölmeleri sunuyor; aynı zamanda denetlenen gizlilik bütçelerine göre ayarlanmış istatistiksel gürültü uygulayan diferansiyel gizlilik mekanizmalarını barındırıyor.

Diferansiyel Gizlilik: Tasarım, hesap verebilirlik ve şeffaflığı gizlilik ve güvenlikle birleştiren ADEPTS ilkelerini benimsiyor. Mevcut ulusal değişim platformları (AI Kosh ve API Setu) ile Ulusal Veri ve Analitik Platformu ile birlikte çalışabilir şekilde kurgulanmış.

Roller üçe ayrılıyor. Eğitim Verisi Sağlayıcıları (hastaneler, bankalar ve kamu kurumları) veri kümelerini kayıt altına alıyor, anonimleştiriyor ve şifreliyor. Eğitim Verisi Tüketicileri (girişimler, araştırmacılar ve düzenleyici kurumlar) modelleri eğitiyor; ticari sektörel Veri İşbirlikleri ise kendi alanlarındaki verileri toplayan yapılar olarak konumlanıyor.

Taslakta iki dağıtım seçeneği masada kalmaya devam ediyor: Birinci seçenek, sağlayıcıların anonimleştirmeyi kendilerinin yapması ve tüketicilerin SDE içinde eğitim alması veya veriyi indirmesi; ikinci seçenek ise değişim platformunun anonimleştirme işini üstlenmesi ve erişimin yalnızca güvenli bölme (enclave) içinden yapılması.

Güvenli bölmelerde eğitim

Önerilen iş akışı beş adımdan oluşuyor. Veri kümeleri kayıt altına alınıyor, şifreleniyor ve kriptografik etiketler veya filigranlarla işaretleniyor; ardından tüketici talepleri elektronik sözleşme şartlarına göre otomatik olarak doğrulanıyor. Eğitim işlemi SDE içinde sınırlı tutuluyor; ham verilere erişim engelleniyor, diferansiyel gizlilik uygulanıyor ve kayıtlar değiştirilemez şekilde loglanıyor.

Bağımsız doğrulama aşamasında önyargı ve adalet denetimleri, düşmanca (adversarial) dayanıklılık testleri ve açıklanabilirlik kontrolleri yapılıyor; bu disiplin, gerçekçi verilerle yapılan yeni nesil yapay zekâ ajanı test pratiklerine paralel ilerliyor. Süreç, kaynak veriye ve sözleşmelere kadar izlenebilirliği sağlayan sürekli izleme ile dağıtıma geçişle tamamlanıyor.

Güvenlik “sıfır güven” (zero-trust) modeliyle tanımlanmış; dinlenme halindeyken, aktarım sırasında ve işlenirken şifreleme sağlanıyor, gerçek zamanlı anormallik izlemesi yapılıyor. Çerçeve, federatif öğrenme ve güvenli çok taraflı hesaplamayı destekliyor; takma adlandırılmış anahtarlar ise