HTS Analizinde Yapay Zekâ Nerede İşe Yarar, Nerede Karar Vermemelidir?

Bir HTS dosyasında yüz binlerce arama, mesaj, IMEI, baz istasyonu ve zaman kaydı bulunabilir.

Bu büyüklükteki bir veri setinde bütün kayıtları tek tek incelemek; ortak irtibatları, cihaz değişimlerini, tekrar eden iletişim örüntülerini ve baz–zaman kesişimlerini insan gözüyle belirlemek oldukça zaman alabilir.

Yapay zekâ bu noktada analiste önemli bir hız ve karşılaştırma gücü sağlayabilir.

Ancak yapay zekânın bir ilişkiyi fark etmesiyle, o ilişkinin ne anlama geldiğine karar vermesi aynı şey değildir.

HTS Analizinde Anomali Nedir? Bir Yazılım Şüpheli Davranışı Nasıl Fark Eder?">HTS analizinde yapay zekâ:

Kayıtları düzenleyebilir,

Benzerlikleri karşılaştırabilir,

Tekrarlayan örüntüleri gösterebilir,

Olağan dışı hareketleri önceliklendirebilir,

Analistin gözden geçirmesi gereken kayıtları işaretleyebilir.

Fakat bir kişinin suçlu olduğuna, iki kişinin birlikte hareket ettiğine veya bir hattın kesin olarak belirli bir kişi tarafından kullanıldığına karar vermemelidir.

Çünkü yapay zekâ bağlantıyı gösterebilir; ancak olayın bütün bağlamını tek başına bilemez.

Her otomatik analiz yapay zekâ mıdır?

HTS analizinde yapılan her otomatik işlem yapay zekâ olarak değerlendirilmemelidir.

Örneğin:

Aynı IMEI’nin kaç hatla ilişkili olduğunu bulmak,

Beş dakika içinde aynı bazda görünen hatları eşleştirmek,

Gelen ve giden çağrıları karşılaştırmak,

Belirli bir tarihteki kayıtları filtrelemek,

Toplam görüşme sayılarını hesaplamak

önceden tanımlanmış kurallarla gerçekleştirilebilir.

Bu işlemler çoğu durumda kural tabanlı analizdir.

Yapay zekâ veya makine öğrenmesi ise daha çok:

Büyük veri içindeki karmaşık benzerlikleri fark etme,

Olağan davranış örüntüsünü modelleme,

Bu örüntüden ayrılan hareketleri belirleme,

Benzer iletişim kümelerini gruplandırma,

Analiste inceleme önerileri sunma

gibi alanlarda devreye girebilir.

Bu ayrım önemlidir. Çünkü sistemin hangi sonucu sabit bir kuralla, hangisini istatistiksel veya yapay zekâ destekli bir değerlendirmeyle ürettiği açıkça görülebilmelidir.

Yapay zekâ verinin hazırlanmasında nasıl kullanılabilir?

HTS analizinin ilk ve en önemli aşamalarından biri verinin hazırlanmasıdır.

Farklı operatörlerden gelen dosyalarda:

Sütun adları değişebilir,

Tarih ve saat biçimleri farklı olabilir,

Numara formatları uyuşmayabilir,

Eksik veya tekrar eden satırlar bulunabilir,

Aynı iletişim türü farklı ifadelerle gösterilebilir.

Yapay zekâ destekli sistemler farklı veri yapılarını tanıyarak sütunların eşleştirilmesine ve kayıtların ortak bir yapıya dönüştürülmesine yardımcı olabilir.

Örneğin sistem:

“Arayan numara” ile “Calling Party” alanlarının aynı tür bilgiyi taşıdığını önerebilir,

Farklı tarih biçimlerini tanıyabilir,

Olağan dışı veya eksik sütunları gösterebilir,

Benzer görünen kayıtların tekrar olup olmadığını inceleme için işaretleyebilir.

Ancak yapay zekânın yaptığı eşleştirme kontrol edilmeden kesin kabul edilmemelidir.

Yanlış eşleştirilen bir tarih, numara veya iletişim yönü daha sonraki bütün analizleri etkileyebilir. Bu nedenle veri dönüştürme işlemleri doğrulanabilir ve gerektiğinde geri alınabilir olmalıdır.

Ortak irtibatların bulunmasında nerede işe yarar?

Birden fazla hattın HTS kayıtları birlikte incelendiğinde çok geniş bir iletişim ağı oluşabilir.

Yapay zekâ veya grafik analizi:

Aynı numaralarla iletişim kuran hatları,

Ortak temas noktalarını,

İletişim ağının merkezindeki numaraları,

Doğrudan ve dolaylı bağlantıları,

Benzer iletişim kümelerini

görünür hâle getirmeye yardımcı olabilir.

Örneğin Hat A ile Hat B birbirini hiç aramamış olabilir. Ancak ikisi de Hat C ile düzenli biçimde iletişim kuruyorsa sistem şu ilişkiyi gösterebilir:

Hat A → Hat C ← Hat B

Bu, önemli bir ortak irtibat bulgusudur.

Fakat yapay zekâ buradan:

“Hat A ile Hat B birlikte hareket ediyor.”

sonucunu çıkarmamalıdır.

Hat C bir aile büyüğü, şirket santrali, hastane, avukatlık bürosu veya yaygın kullanılan bir hizmet numarası olabilir.

Sistem ortak irtibatı gösterir; ilişkinin anlamını analist değerlendirir.

İletişim örüntülerinin belirlenmesinde nasıl kullanılır?

Tek bir arama çoğu zaman sınırlı bilgi verir. Tekrar eden kayıtlar ise belirli bir davranış örüntüsü oluşturabilir.

Yapay zekâ:

İletişimlerin hangi saatlerde yoğunlaştığını,

Hangi numaraların belirli bir sırayla arandığını,

Olay öncesindeki ani iletişim artışlarını,

Uzun bir sessizlikten sonra başlayan görüşmeleri,

Tekrarlayan arama zincirlerini

belirlemeye yardımcı olabilir.

Örneğin normalde ayda bir kez görüşen iki hat, belirli bir olaydan önceki bir saat içinde on kez iletişim kurmuş olabilir.

Sistem bu değişimi:

“Olağan iletişim örüntüsünden ayrılan ani yoğunluk”

olarak işaretleyebilir.

Ancak görüşmelerin neden yapıldığını veya içeriğini bilemez. Acil bir durum, iş süreci veya ailevi bir gelişme de aynı yoğunluğu oluşturabilir.

Dolayısıyla yapay zekâ örüntüyü gösterir; niyet belirleyemez.

Anomali tespitinde nerede işe yarar?

Yapay zekânın HTS analizindeki en değerli kullanım alanlarından biri, büyük veri içindeki olağan dışı hareketleri önceliklendirmektir.

Sistem şu tür durumları inceleme için işaretleyebilir:

Olay öncesinde ani iletişim yoğunluğu,

Daha önce görülmeyen yeni bir irtibat,

Beklenmeyen cihaz değişimi,

Aynı IMEI’nin farklı hatlarla ilişkilendirilmesi,

IMEI kullanım dönemlerinde zaman çakışması,

Tekrarlayan baz–zaman kesişimleri,

Olağan dışı saatlerde iletişim,

Karşılıklı kaydı bulunmayan çağrılar,

Zaman ve mesafe bakımından dikkat çeken baz hareketleri.

Ancak anomali, suç veya kötü niyet anlamına gelmez.

Anomali, yalnızca normal örüntüden ayrılan ve açıklanması gereken teknik bir işarettir.

Yapay zekâ sistemleri yanlış pozitif sonuçlar üretebilir. Olağan bir cihaz değişimi, vardiyalı çalışma, aile içinde telefon paylaşımı veya aynı iş bölgesinde bulunma sistem tarafından anomali olarak işaretlenebilir.

Bu nedenle her uyarı, dayanak kayıtlar ve olayın bağlamıyla birlikte incelenmelidir.

IMEI ve cihaz ilişkilerinde nasıl yardımcı olabilir?

Bir HTS dosyasında aynı IMEI’nin hangi numaralarla ve hangi zamanlarda ilişkilendirildiğini manuel olarak takip etmek zor olabilir.

Yapay zekâ destekli analiz:

Aynı IMEI’ye bağlı hatları gruplandırabilir,

Kullanım dönemlerini zaman çizelgesine yerleştirebilir,

Çakışan zaman aralıklarını gösterebilir,

Cihaz değişikliklerini belirleyebilir,

Benzer cihaz kullanım örüntülerini karşılaştırabilir.

Örneğin:

Hat A → IMEI X → 14.02–15.10

Hat B → IMEI X → 14.35–15.42

kayıtlarında sistem ortak IMEI ile birlikte zaman çakışmasını işaretleyebilir.

Ancak:

“Bu iki hattı kesinlikle aynı kişi kullanmıştır.”

kararı vermemelidir.

Cihaz paylaşımı, veri tekrarı, kayıt hatası veya farklı teknik nedenler değerlendirilmeden kimlik eşleştirmesi yapılamaz.

Baz ve zaman analizinde nasıl kullanılabilir?

Yapay zekâ, çok sayıda baz kaydını zaman bilgisiyle birlikte karşılaştırarak olası kesişimleri daha hızlı bulabilir.

Sistem:

Aynı veya yakın bazlarda görünen hatları,

Kayıtlar arasındaki zaman farkını,

Benzer kesişimlerin tekrar sayısını,

Önceki ve sonraki baz hareketlerini,

Zaman ve mesafe bakımından dikkat çeken kayıtları

analistin incelemesine sunabilir.

Örneğin:

Hat A → Baz 145 → 19.42

Hat B → Baz 145 → 19.46

kayıtları, iki hattın dört dakika arayla aynı baz istasyonu veya hücresel altyapıyla ilişkilendirildiğini gösterir.

Yapay zekâ bu kesişimi bulabilir ve geçmişte benzer kayıtların bulunup bulunmadığını araştırabilir.

Ancak:

“İki kişi kesin olarak aynı yerdeydi.”

veya:

“Birlikte hareket ettiler.”

sonucunu üretmemelidir.

Baz bilgisi çoğu durumda kesin GPS konumu değildir. Kapsama alanı, sektör bilgisi, çevresel koşullar ve kayıt boşlukları dikkate alınmadan kesin konum değerlendirmesi yapılamaz.

Yapay zekâ doğal dille sorgulamada nasıl yardımcı olabilir?

Yapay zekâ, analistin karmaşık filtreler oluşturmak yerine veriye doğal dille soru sormasını kolaylaştırabilir.

Örneğin analist şunları sorabilir:

“Hat A ile ortak IMEI kullanan numaraları göster.”

“Olay saatinden önce iletişimi artan hatları listele.”

“Hat A ve Hat B’nin beş dakika içindeki baz kesişimlerini bul.”

“Hat C ile ortak irtibatı bulunan incelenen hatları göster.”

“Karşılığı bulunmayan gelen çağrıları listele.”

Sistem bu soruları uygun filtre ve analiz işlemlerine dönüştürebilir.

Ancak yapay zekânın verdiği cevabın altında:

Kullanılan filtreler,

Tarih aralığı,

Zaman toleransı,

Eşleşen kayıtlar,

Uygulanan analiz kuralı

görülebilmelidir.

Analist yalnızca yapay zekânın yazdığı özetle yetinmemeli, sonucu oluşturan ham kayıtları kontrol edebilmelidir.

Rapor taslağında nasıl kullanılabilir?

Yapay zekâ, doğrulanmış teknik bulguların daha düzenli ve anlaşılır biçimde raporlanmasına yardımcı olabilir.

Örneğin sistem:

Bulguları kronolojik sıraya koyabilir,

İlgili kayıtları aynı başlık altında toplayabilir,

Teknik ifadeleri daha sade hâle getirebilir,

Tablo ve zaman çizelgesi açıklamaları oluşturabilir,

Rapor taslağında eksik alanları gösterebilir.

Ancak yapay zekâ tarafından oluşturulan rapor doğrudan nihai bilirkişi görüşü veya hukuki değerlendirme olarak kullanılmamalıdır.

Üretken yapay zekâ:

Var olmayan bir kayıt oluşturabilir,

Tarih veya numaraları karıştırabilir,

Olasılığı kesin sonuç gibi yazabilir,

Kaynakta bulunmayan bir gerekçe ekleyebilir,

Teknik ilişkiyi hatalı yorumlayabilir.

Bu nedenle her cümle ilgili dayanak kayıtla karşılaştırılmalı ve nihai rapor uzman tarafından onaylanmalıdır.

Yapay zekâ nerede karar vermemelidir?

HTS analizinde yapay zekâ özellikle şu konularda nihai karar vermemelidir:

Suçluluk veya masumiyet

Bir kişinin suçlu, suçsuz, şüpheli veya olayın faili olduğuna yapay zekâ karar veremez.

Kişinin kimliği

Bir numara veya IMEI ilişkisinden hareketle cihazı kesin olarak belirli bir kişinin kullandığı sonucunu tek başına üretemez.

Görüşmenin amacı ve içeriği

HTS kayıtları görüşmenin içeriğini göstermez. Yapay zekâ da yalnızca iletişim sıklığı veya zamanlamadan konuşmanın konusunu belirleyemez.

Kesin konum

Baz verisini GPS konumu gibi yorumlayarak kişilerin aynı adreste veya yan yana olduğunu söylememelidir.

Birlikte hareket etme

Benzer baz hareketleri veya ortak irtibatlardan hareketle kişilerin kesin olarak birlikte hareket ettiğine karar vermemelidir.

Hukuki nitelendirme

Bir teknik kaydın suç oluşturup oluşturmadığına, delilin hukuka uygunluğuna veya kişinin hukuki sorumluluğuna ilişkin nihai değerlendirme yapmamalıdır.

Delilin güvenilirliği

Kayıtların bütünlüğü, kaynağı ve elde edilme yöntemi uzman tarafından doğrulanmadan yapay zekâ çıktısı delilin gerçekliğini garanti edemez.

Açıklanabilirlik neden önemlidir?

Bir yapay zekâ sistemi:

“Bu kayıt risklidir.”

diyorsa bunun nedenini de göstermelidir.

Örneğin açıklama şöyle olabilir:

Hat A’nın iletişim sayısı olaydan önce beş kat arttı.

Aynı dönemde yeni bir numarayla 12 görüşme yapıldı.

Hat A ve Hat B üç farklı tarihte yakın bazlarda kayıt üretti.

Her iki hat aynı IMEI ile ilişkili kayıtlarda görüldü.

İlgili kayıtların tarih ve saatleri şunlardır.

Buna karşılık yalnızca:

“Yapay zekâ bu kişiyi şüpheli buldu.”

şeklindeki bir sonuç teknik olarak denetlenebilir değildir.

Analist, sistemin hangi verileri kullandığını, hangi kuralları uyguladığını ve sonuca hangi kayıtlardan ulaştığını görebilmelidir.

NIST’in yapay zekâ risk yönetimi yaklaşımı da güvenilir sistemlerde şeffaflık, açıklanabilirlik, risk ölçümü ve insan müdahalesini öne çıkarır. NIST AI Risk Management Framework

İnsan denetimi neden vazgeçilmezdir?

Yapay zekâ çok sayıda kaydı insandan daha hızlı karşılaştırabilir. Ancak olayın hukuki, sosyal ve teknik bağlamını her zaman doğru yorumlayamaz.

Bir analist:

Verinin eksik olup olmadığını,

Kayıtların güvenilirliğini,

Olağan açıklamaları,

Olayın koşullarını,

Diğer delillerle uyumu,

Teknik bulgunun sınırlarını

değerlendirir.

Bu nedenle doğru iş bölümü şöyledir:

Yapay zekâ veriyi tarar ve öneri sunar.

Analist kayıtları doğrular ve bağlamı değerlendirir.

Yetkili merciler hukuki kararı verir.

HTS verilerinin güvenliği neden önemlidir?

HTS verileri telefon numaraları, iletişim ilişkileri, cihaz bilgileri, zaman ve bölgesel hareketler gibi kişisel nitelikte bilgiler içerebilir.

Bu verilerin yapay zekâ sistemlerinde kullanılması sırasında:

Hukuki işleme şartı,

Amaçla sınırlılık,

Veri minimizasyonu,

Yetkilendirme,

Erişim kayıtları,

Şifreleme,

Saklama ve imha politikaları,

Üçüncü taraf hizmetlere veri aktarımı

dikkatle değerlendirilmelidir.

Gerçek HTS verileri, kontrolsüz veya herkese açık yapay zekâ araçlarına yüklenmemelidir. Verilerin nerede işlendiği, saklanıp saklanmadığı ve model eğitimi için kullanılıp kullanılmadığı bilinmelidir.

Kişisel Verileri Koruma Kurumu da yapay zekâ sistemlerinin insan merkezli, güvenli, şeffaf ve denetlenebilir biçimde kullanılmasını; kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun çerçevesinde değerlendirilmesini vurgulamaktadır. KVKK Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi

Denetim izi nasıl tutulmalıdır?

Yapay zekâ destekli bir HTS analizinde gerçekleştirilen işlemler kayıt altına alınmalıdır.

Örneğin:

Veriyi kim yükledi?

Analiz ne zaman çalıştırıldı?

Hangi model veya kural kullanıldı?

Hangi zaman toleransı uygulandı?

Sistem hangi kayıtları eşleştirdi?

Kullanıcı hangi sonucu onayladı veya reddetti?

Rapora hangi bulgular aktarıldı?

Bu bilgiler, analiz sürecinin sonradan kontrol edilebilmesini sağlar.

Ayrıca yapay zekâ çıktısının değişmez bir gerçek olmadığı unutulmamalıdır. Model, kural veya veri değiştiğinde sonuç da değişebilir. Bu nedenle kullanılan sistem sürümü ve analiz parametreleri kayıt altında tutulmalıdır.

HTS Asistanı’nın yaklaşımı

HTS Asistanı’nda yapay zekânın rolü, analistin yerine karar vermek değil; büyük veri içindeki ilişkileri daha hızlı ve görünür hâle getirmektir.

Yapay zekâ destekli yaklaşım:

Farklı HTS dosyalarının düzenlenmesine yardımcı olabilir,

Numara, IMEI, baz ve zaman ilişkilerini karşılaştırabilir,

Ortak irtibatları ve iletişim kümelerini gösterebilir,

Tekrarlayan örüntüleri belirleyebilir,

Olağan dışı hareketleri önceliklendirebilir,

Doğal dille sorgulama imkânı sunabilir,

Doğrulanmış bulgular için rapor taslağı oluşturabilir.

Ancak sistemin ürettiği her sonuç:

Dayanak kayıtlara bağlanmalı,

Analist tarafından kontrol edilmeli,

Alternatif açıklamalarla karşılaştırılmalı,

Teknik sınırları belirtilerek raporlanmalıdır.

Amaç, yapay zekânın hüküm vermesi değildir.

Amaç; analistin yüz binlerce satır içinde gözden kaçabilecek ilişkileri daha hızlı fark etmesine, ilgili kayıtlara ulaşmasına ve teknik değerlendirmesini daha sağlam verilerle yapmasına yardımcı olmaktır.

Çünkü HTS analizinde yapay zekânın en doğru rolü:

Karar vermek değil, doğru soruların nerede sorulması gerektiğini göstermektir.

Yapay zekâ ilişkiyi bulabilir.

Analist anlamını değerlendirir.

Hukuki kararı yetkili merciler verir.

Bağlantıları analiz et, gerçeği ortaya çıkar.