İlk Çalışanımız: Veri Seti Anonimleştirici — Deneme Süresindeki MVP0

----
Données brutes client (SPG, cours, évaluations)
  ├→ Noms de stagiaires en clair dans les PDF
  ├→ Emails dans les métadonnées JSON
  ├→ IP de connexion dans les logs pgvector
  ├→ Identifiants dans les nœuds Graphify
  └→ Références OF pilote dans les schémas SQL
----

Sonuç: ya kirli veriler üzerinde RAG yaparsınız (PII halüsinasyonları, GDPR uyumsuzluğu, hukuki riskler), ya da hiçbir şey yapmazsınız (ürün yok). Üçüncü yol olan —manuel olarak temizlemek— ölçeklenebilir değildir.

Benim cevabım: sorunu görmezden gelmemek. L'**otomatikleştirmek**Lütfen çevirmek istediğiniz metni gönderin.

== MVP0: Anonimleştirici, Deneme Süresindeki İlk Çalışan

MVP0 bir özellik değildir. O bir**emtia uzmanı**— kirli işleri aptalca ve acımasızca yapan ve pitch deck'lerde kimsenin bahsetmek istemediği bir çalışan.

Yaptığı şey:

[source]
----
ENTRÉE : Données brutes multi-sources
  ├→ AsciiDoc (SPG_A2SP.adoc) → noms, dates, OF pilote
  ├→ JSON (catalogue formations) → emails, téléphones
  ├→ YAML (config workspace) → tokens OAuth2
  ├→ SQL (schémas DDL) → IP, adresses
  ├→ pgvector (métadonnées embeddings) → identifiants
  ├→ ONNX (outputs classification) → noms propres
  └→ Graphify (graph.json) → nœuds avec PII

SORTIE : Datasets propres, format standardisé
  ├→ [ANONYMIZED] remplace les PII détectées
  ├→ Classification RGPD (niveau 0→4)
  ├→ Rapport d'audit (quoi a été nettoyé)
  └→ Dataset prêt pour RAG ET fine-tuning
----

Önce en belirgin kalıpları tespit eder (e-postalar`.*@.*`, jetonlar`sk-*`, `ghp_*`, IP'ler), ardından öğrenir. Deneme süresi şudur: Onu asile almadan önce, yanlış negatiflere izin vermediğini onaylarız.

== Bu MVP'nin Sağladıkları (ve bu sadece Uyumluluk değil)

MVP0 olarak anonimleştirme, otoyol öncesindeki GDPR gişesi değildir. Otoyolun kendisidir. İşte açtıkları:

=== Şimdiki Zaman: Prompt'ta Artırılmış Gerçeklik

[source]
----
DONNÉES BRUTES CLIENT
    ↓
Anonymiseur MVP0 → datasets propres
    ↓
RAG pgvector (MVP1) → top-K documents similaires (filtrés, anonymisés)
    ↓
LLM (deepseek-v4-pro) → réponse augmentée, zéro PII
----

RAG kirli veriler içinde arama yapmaz — bir alan içinde arama yapar**yapısı gereği temiz**. Bu, yanıtların kalitesini tamamen değiştirir: LLM, tanıdığı ancak belirtmemesi gereken PII'ları atlatmakla vakit kaybetmez.

=== Gelecek: Sağlıklı Veriler Üzerinde İnce Ayar (Fine-Tuning)

[source]
----
MVP0 → datasets propres accumulés (session après session)
    ↓
Fine-tuning expert métier (CDA, FPA) sur données zéro PII
    ↓
Modèle fine-tuné exposé via Ollama (sans fuite de données)
----

Ham veriler üzerinde ince ayar (fine-tuning) yapmak, potansiyel bir hukuki felakettir. Temiz veriler üzerinde ise bu, bir**tekrarlanabilir yöntem**Her müşteri temizlenmiş veri kümelerini biriktirir, her müşteri kişisel bir veriyi asla ifşa etmeden iş uzmanlarını kendi verileri üzerinde ince ayar (fine-tune) yapabilir.

== Neden Pazarlanabilir

Bu bir « GDPR uyumluluk aracı » değildir. Bu bir**evrensel bir problemi varlığa dönüştüren tekrarlanabilir yöntem**Lütfen çevrilecek metni sağlayın.

1. *Her eğitim kurumunun kirli verileri vardır* — sorun bu
2. *Hiçbirinin çok kaynaklı otomatik temizleme hattı yok* — piyasa bu
3. *Döngü: anonimleştirme → RAG → ince ayar (fine-tuning) tescillidir* — engel budur

Edster SaaS (MVP3), "bir Gradle workspace" satmayacak. Bu kapalı döngüyü satacak. Ve MVP0, giriş kapısıdır.

== Bağlamın Üçüncü Yolu Olarak SQL Formatı

Yapılandırılmış veri aktarımı sadece bir değişim formatı değildir. SQL şeması (DDL) şunları taşır:**alan varlık-ilişki modeli**Lütfen çevrilecek metni sağlayın.

[source]
----
CREATE TABLE formation (
  id UUID PRIMARY KEY,
  titre VARCHAR NOT NULL,
  referentiel RNCP REFERENCES rncp(id),
  organisme OF REFERENCES of_pilote(id)  -- ← va être anonymisé
);
----

Bu DDL, anonimleştirildiğinde (satır 4), LLM için bir bağlam kaynağı haline gelir. Metin değil, bir**iş modeli**. RAG içeriği (vektör benzerliği), Graphify ilişkileri (kesin yapı) ve SQL şeması ise**Örtük Alan Güdümlü Tasarım (Domain-Driven Design)**: bounded contexts, agrégats, value objects. LLM, şemasını okuduğu için iş mantığını anlar.

== Yol Haritası: MVP0'dan SaaS'a

[source]
----
MVP0 — Anonymiseur (ce que cet article décrit)
  Sortie : datasets propres, reproductible

MVP1 — RAG pgvector (dépend de MVP0)
  Realité augmentée en prompt sur données nettoyées

MVP2 — Graphify + ONNX + SQL DDD (dépend de MVP1)
  Vecteur composite de contexte (règles + similarité + relations exactes)

MVP3 — SaaS Edster (dépend de MVP0-2)
  Provisionnement workspace client complet
----

Her MVP bir öncekine bağlıdır. Hiçbiri MVP0 olmadan teslim edilemez. Anonimleştirici'nin backlog'da « P0 » olmamasının nedeni budur — o**MVP0**. Bu ilk ticari teslimattır ve geri kalan her şey onun başarısına bağlıdır.

== Sonuç: Her Şeyi Mümkün Kılan Görünmez Emek

Klasik bir startup'ta veri temizleme dış kaynaklıdır, manueldir veya görmezden gelinir. Bu mimaride ise bu,**ürünün kalbi**. Anonimleştirici ilk çalışandır çünkü o olmadan hiçbir şey çalışmaz:

* MVP0 yoksa → yasal RAG yok (MVP1)
* MVP0 yoksa → veri sızıntısı olmadan fine-tuning yok (EPIC 5)
* MVP0 olmadan → güvenilir bir SaaS (MVP3) olmaz
* MVP0 olmadan → prompt'ta artırılmış gerçeklik yok
* MVP0 olmadan → üçüncü bir bağlam yolu yok (SQL DDD)

Kirli işleri o hallediyor. Sunumlarda adı asla geçmeyecek. Ama fabrikayı döndüren kişi o.

Ve işte bu yüzden onu ilk önce işe alıyoruz.

== Referanslar

* Uzamsal ontoloji ve güven çemberleri üzerine makale:link:../2026/0114_gouvernance_cercles_confiance_ontologie_spatiale_alignement_llm_post.html[Hizalama Mekanizması Olarak Uzamsal Ontoloji]
* Eager/Lazy ajan yönetişimi üzerine makale:link:../2026/0108_gouvernance_agent_opencode_eager_lazy_post.html[Bir Yapay Zeka Ajanını AsciiDoc ile Yönetmek]
* Hot/Warm/Cold mekanizması hakkında makale:link:../2026/0110_mecanisme_backup_contexte_agent_post.html[Sliding Window ve Soğuk Hava Dalgası]
* Üç LLM'in karşılaştırması üzerine makale:link:../2026/0112_comparaison_kimi_glm_deepseek_long_contexte_plugin_gradle_opencode_post.html[DeepSeek-V4-Pro, Kimi K2.6, GLM-5.1]