<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by meryem şevval yavuz on Medium]]></title>
        <description><![CDATA[Stories by meryem şevval yavuz on Medium]]></description>
        <link>https://medium.com/@meryemsevval?source=rss-c0f0cc994253------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*C40VGUqs8zsJMlhN7xYnmQ.jpeg</url>
            <title>Stories by meryem şevval yavuz on Medium</title>
            <link>https://medium.com/@meryemsevval?source=rss-c0f0cc994253------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 03:15:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@meryemsevval/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Adli Bilişimde Çoklu-Modal Yapay Zekâ Kullanımı: NVIDIA Nemotron-Nano-VL ve NeMo Guardrails…]]></title>
            <link>https://medium.com/@meryemsevval/adli-bili%C5%9Fimde-%C3%A7oklu-modal-yapay-zek%C3%A2-kullan%C4%B1m%C4%B1-nvidia-nemotron-nano-vl-ve-nemo-guardrails-2d078663952e?source=rss-c0f0cc994253------2</link>
            <guid isPermaLink="false">https://medium.com/p/2d078663952e</guid>
            <category><![CDATA[adli-bilişim]]></category>
            <category><![CDATA[nvdia]]></category>
            <category><![CDATA[yapay-zeka]]></category>
            <dc:creator><![CDATA[meryem şevval yavuz]]></dc:creator>
            <pubDate>Wed, 29 Jul 2026 12:05:01 GMT</pubDate>
            <atom:updated>2026-07-29T12:05:01.025Z</atom:updated>
            <content:encoded><![CDATA[<h3>Adli Bilişimde Çoklu-Modal Yapay Zekâ Kullanımı: NVIDIA Nemotron-Nano-VL ve NeMo Guardrails Deneyimi</h3><p>Günümüzde dijital delil miktarlarının ve olay yeri görsellerinin hızla artması, adli bilişim (digital forensics) uzmanlarının üzerindeki yükü her geçen gün artırıyor. Saatlerce kamera kaydı izlemek veya yüzlerce olay yeri fotoğrafını tek tek inceleyip raporlamak ciddi bir insan gücü ve zaman kaybına yol açabiliyor.</p><p>Stajım kapsamında yürüttüğüm Ar-Ge çalışmasında, bu süreci yapay zekâ ile otomatize edip hızlandırabilir miyiz sorusuna yanıt aradım. Bu yazıda, NVIDIA Build <strong>(</strong><strong>build.nvidia.com)</strong> platformundaki <strong>nvidia/llama-3.1-nemotron-nano-vl-8b-v1</strong> Çoklu-Modal (Vision-Language) modelini ve <strong>NVIDIA NeMo Guardrails</strong> güvenlik mimarisini inceleme ve test süreçlerimden bahsedeceğim.</p><h3>1. Neden Bu Modeli Seçtik? (Problem Tanımı ve İhtiyaç)</h3><p>Çalışmamızı bu model üzerinde yürütmemizin en temel sebebi, modelin her türlü görsel veriyi anlamsal olarak analiz edebilecek şekilde geliştirilmiş <strong>çoklu-modal (multi-modal)</strong> bir mimariye sahip olmasıdır.</p><p>Geleneksel yapay zekâ modelleri yalnızca metin işleyebilirken, incelediğimiz bu model kendisine sunulan bir fotoğrafı tıpkı bir insan gibi okuyabiliyor. Bu durum en çok olay yeri incelemeleri, güvenlik kamerası kayıtları ve delil toplama gibi adli vakalarda işimize yarıyor.</p><h3>2. Deney Ortamı ve Güvenlik Katmanı: NeMo Guardrails</h3><p>Adli bilişim gibi kritik bir alanda yapay zekâ kullanırken yalnızca modelin doğru tahmin yapması yeterli değildir. Elde edilen verilerin güvenliği, yetkisiz kişilerin hassas delillere erişiminin engellenmesi ve modelin yanlış yönlendirme yapmaması kritik önem taşır.</p><p>Bu noktada devreye <strong>NVIDIA NeMo Guardrails</strong> güvenlik katmanı giriyor. Modelimizin arkasında kurguladığımız bu güvenlik mimarisi:</p><p><strong>Girdi Denetimi (Input Rails):</strong> Kullanıcının komutlarında zararlı veya yetkisiz bir yönlendirme olup olmadığını denetler.</p><p><strong>Erişim ve Yetki Denetimi (Output Rails):</strong> Hazırlanan adli analiz raporlarının sivil kullanıcılara kapatılmasını, yalnızca yetkili adli uzmanlara sunulmasını sağlar.</p><h3>3. Saha Testleri: Görselde Usta, Dilde Sınıfta Kaldı!</h3><p>Modelin gerçek saha şartlarındaki sınırlarını ve yeteneklerini test etmek amacıyla NVIDIA Build Playground ortamında çeşitli görseller kullandım. Testlerimde hem günlük hayattan sokak fotoğraflarına hem de olay yeri inceleme görsellerine yer verdim.</p><h3>📸 Görsel Analiz Başarısı</h3><p>Model, görsel analiz konusunda kesinlikle çok başarılı.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/508/1*6Roq5iSe8ASXHu7rpCMPaQ.jpeg" /></figure><p><strong>Olay Yeri Senaryosu:</strong> Fotoğraftaki inceleme tulumlu personeli, ön plandaki siyah tabancayı ve numaralandırma kartlarını doğru nesne sınıfına sokabildi.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/600/1*tKE7dAMs9o6GhwsKzBdJjQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/661/1*jHTkoHPLUrscENYi13RO0g.png" /></figure><p><strong>Günlük Yaşam &amp; Obje Senaryosu:</strong> Sokak fotoğraflarındaki bisiklet ve binaları; antika sergisindeki tarihi çevirmeli telefonları yüksek doğrulukla tespit etti.</p><h3>⚠️ Karşılaşılan Anomali: Türkçe Tokenizasyon Döngüsü (Loop Bug)</h3><p>Ancak testler derinleştikçe teknik bir kısıtlamayı fark ettim. Model görsel tespitlerde harika bir performans sergilese de <strong>dil konusunda yetersiz kalıyor</strong>.</p><p>Türkçe sonuç üretmesini istediğimde, model bir noktadan sonra durma koşulunu tetikleyemiyor ve sürekli tekrara düşüyor. Örneğin:</p><blockquote>“Bir silahlı şüpheli, Bir silahlı şüpheli, Bir silahlı şüpheli…”<em> &gt; veya</em></blockquote><blockquote>“külçe, külçe, külçe…”</blockquote><p>şeklinde aynı kelimeleri tekrarlayıp durarak <strong>sonsuz döngüye (repetitive output loop)</strong> giriyor.</p><h3>🔍 Kök Neden Analizi ve İyileştirme Önerisi</h3><p>Yaptığım teknik incelemede bu durumun iki temel nedeni olduğunu saptadım:</p><ol><li>Modelin görsel algılama katmanı (Vision Encoder) çok güçlü olmasına rağmen, Türkçe dil tokenizasyonu henüz tam fine-tune edilmemiştir.</li><li>Metin jenerasyonu sırasındaki repetition_penalty (tekrarlama cezası) değerinin düşük kalması, modelin aynı kelime dizilimini tekrar üretmesini engelleyememektedir.</li></ol><p><strong>Çözüm Önerisi:</strong> Kurumsal ve adli uygulamalarda bu engeli aşmak için sistem istemlerinin (prompt) İngilizce verilip yanıtın çevrilmesi veya repetition_penalty parametresinin artırılması gerekmektedir.</p><h3>4. Sonuç ve Genel Değerlendirme</h3><p>8 milyar parametreli nvidia/llama-3.1-nemotron-nano-vl-8b-v1 gibi kenar cihaz uyumlu çoklu-modal modeller, adli bilişim alanında devrim yapabilecek potansiyele sahip. Olay yeri incelemelerinde delil toplama sürelerini saatlerden dakikalara indirme gücü sunuyor.</p><p>Görsel tespitteki bu başarının Türkçe dil parametrelerinin optimize edilmesi ve NeMo Guardrails gibi güvenlik katmanlarıyla desteklenmesi halinde, gelecekte adli bilişim uzmanlarının en büyük yardımcısı olacağına inanıyorum.</p><p>📂 <strong>Proje Kodları ve Detaylar:</strong> Çalışmaya ait Python entegrasyon kodlarına ve test detaylarına GitHub depom üzerinden ulaşabilirsiniz: 🔗 <a href="https://github.com/meryemsevvalyavuz/nvidia-build-arastirmasi">https://github.com/meryemsevvalyavuz/nvidia-build-arastirmasi</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2d078663952e" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>