<?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 Sinem Sarac on Medium]]></title>
        <description><![CDATA[Stories by Sinem Sarac on Medium]]></description>
        <link>https://medium.com/@sinem.sarac?source=rss-f7a12bee27e7------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*UmuksnrKGckLdso7HjZ6rQ.jpeg</url>
            <title>Stories by Sinem Sarac on Medium</title>
            <link>https://medium.com/@sinem.sarac?source=rss-f7a12bee27e7------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Fri, 20 Nov 2026 19:47:09 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sinem.sarac/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[Yapay Zeka ile Güçlendirilmiş Test Verisi Yönetimi]]></title>
            <link>https://medium.com/isbank-ai/yapay-zeka-ile-g%C3%BC%C3%A7lendirilmi%C5%9F-test-verisi-y%C3%B6netimi-de4864fb3530?source=rss-f7a12bee27e7------2</link>
            <guid isPermaLink="false">https://medium.com/p/de4864fb3530</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[test-ve-kalite]]></category>
            <dc:creator><![CDATA[Sinem Sarac]]></dc:creator>
            <pubDate>Fri, 11 Apr 2025 13:04:57 GMT</pubDate>
            <atom:updated>2025-04-14T18:32:46.928Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/475/1*DjUrqTm2tQk9mK7NG4htIA.png" /></figure><p>Yazılım geliştirme süreçlerinde test verisinin kalitesi, test sonuçlarının doğruluğunu ve dolayısıyla yazılımın genel başarısını doğrudan etkiler. <strong>Test Verisi Yönetimi (Test Data Management — TDM)</strong>, test ortamlarında kullanılan verilerin güvenli, uygun ve etkili bir şekilde sağlanmasını ve yönetilmesini amaçlar. Gelişen yapay zeka teknolojileri, TDM süreçlerini daha akıllı, hızlı ve ölçeklenebilir hale getirerek bu alanda önemli bir dönüşüm sağlamaktadır.</p><p><strong>Geleneksel TDM Yöntemlerinin Karşılaştığı Zorluklar</strong></p><p>• Üretim ortamı verisinin gizliliği ve regülasyonlara uyumluluğu (örneğin GDPR, KVKK).<br>• Verinin manuel olarak maskelenmesi ve alt kümelere ayrılması süreçlerinin zaman alıcı olması.<br>• Geliştirici ve test ekipleri arasında veri ihtiyacına yönelik uyumsuzluklar.<br>• Gerçek dünya senaryolarını yansıtan verilerin yetersizliği.</p><p>Bu zorluklar, <strong>akıllı otomasyon sistemlerinin</strong> ve <strong>yapay zeka tabanlı çözümlerin</strong> TDM alanına entegre edilmesini gerekli kılmaktadır. Test verisi yönetiminde yapay zeka (AI) ve makine öğrenmesi (ML) kullanımı şu alanlarda avantajlar sunar.</p><h3><strong>1. Sentetik Test Verisi Üretimi</strong></h3><p>Yapay zeka, üretim ortamı verilerinden öğrenerek istatistiksel dağılımlarla üretim ortamı verisine benzer özelliklere sahip sentetik veriler oluşturabilir. Bu sayede hem yasal uyumluluk korunur hem de test senaryoları bozulmaz.</p><p><strong>Sentetik Verinin Temel Avantajları</strong></p><p>• <strong>Yapısal Tutarlılık:</strong> Veri tipi ve uzunluk kuralları korunur.<br>•<strong> Mantıksal Tutarlılık: </strong>Örneğin, bir müşteri kredi başvurusu yapmışsa gelir bilgisi boş olamaz.<br><strong>• Senaryoya Uygunluk:</strong> Belirli bir test senaryosuna (örneğin limit aşımı) uygun özel durumlar oluşturulabilir.</p><p><strong>Yapay Zeka ile Sentetik Veri Üretilirken Kullanılan Bazı Teknikler</strong></p><p><strong>• Üretici Çekişmeli Ağ — GANs (Generative Adversarial Networks): </strong>Gerçekçi veriler üretmek için kullanılan güçlü bir derin öğrenme mimarisidir. GAN, birbirine karşı çalışan iki sinir ağından oluşur.<br><strong>- Üretici (Generator, G): </strong>Rastgele gürültüden (noise) başlar ve gerçeğe benzeyen veri üretmeye çalışır. Amacı ayrıştırıcının (discriminator) onu “gerçek” zannetmesini sağlamaktır.<br><strong>- Ayrıştırıcı (Discriminator, D):</strong> Gelen verilerin gerçek mi üretilmiş mi olduğunu anlamaya çalışır. Amacı, üreticinin “sahte” verisini ayırt etmektir.<br>Bu karşılıklı öğrenme süreci sonucunda üretici, gerçek veriye çok benzeyen örnekler üretmeyi öğrenir ve böylelikle kaliteli sentetik veri elde edilir.<br><strong>• Kural Tabanlı Yapay Zeka (Rule-based AI): </strong>Önceden tanımlanmış ‘if-then’ (eğer-şart) kurallarına göre çalışan yapay zeka sistemidir. Belirlenen kurallara göre karar alır ve işlem yapar. Özellikle doğruluğun kritik olduğu durumlarda tercih edilir.</p><p><strong>• Pekiştirmeli Öğrenme (Reinforcement Learning) : </strong>Mantıksal kuralları öğrenerek uygun veri üretmek için kullanılır. Bazı sistemlerde, Rule-Based AI ile birlikte çalışır. Kural tabanlı sistem, başlangıçta güvenli davranışları tanımlar; ajan bu kuralları öğrenip geliştirerek daha iyi sonuçlar elde eder.</p><p><strong>• Büyük Dil Modelleri — Large Language Models (LLM) :</strong> Büyük miktarda metin verisiyle eğitilmiş ve doğal dil işleme görevlerini (yazma, özetleme, çeviri, soru yanıtlama vb.) gerçekleştirebilen yapay zeka modelleridir. Özellikle metin ve form tabanlı veri üretiminde etkilidir. Genellikle transformer mimarisi üzerine kuruludur ve milyarlarca parametre içerir. <br>Kullanıcıdan gelen bir girdi (prompt) doğrultusunda, model eğitim sürecinde öğrendiği örüntülere dayanarak istatistiksel olarak en olası kelime dizisini üretir.</p><h3><strong>2. Otomatik Veri Maskeleme ve Sınıflandırma</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*-5kNDwl1lSKxOdUGN_R3nA.png" /></figure><p>Yapay zeka, veri setleri içinde kişisel ve hassas bilgileri otomatik olarak tespit edip maskeleyebilir. Özellikle metin tabanlı verilerde, Doğal Dil İşleme (NLP) destekli sistemler maskeleme işlemlerini daha etkili ve hızlı şekilde gerçekleştirir.</p><p><strong>a)</strong> <strong>Veri Sınıflandırma ve Etiketleme</strong></p><p>Makine öğrenmesi teknikleriyle, test verileri kullanım amaçlarına göre otomatik olarak sınıflandırılabilir. Bu sayede büyük veri havuzlarında hangi verilerin hangi test türü için uygun olduğu kolaylıkla belirlenebilir. Bu da test süreçlerinde ciddi zaman kazancı sağlar.</p><p><strong>Veri Sınıflandırma Yaklaşımları</strong></p><p>· <strong>Veri Tipi Tanımlama</strong>: Yapay zeka, sütun adları ve içeriklerine bakarak veri türünü tahmin edebilir. Örneğin: T.C. Kimlik No, e-posta adresi, kredi kartı numarası.</p><p>· <strong>İçerik Tabanlı Analiz:</strong> Regex (düzenli ifadeler), istatistiksel örüntüler ve makine öğrenmesi modelleri birlikte kullanılarak veri içerikleri değerlendirilir.</p><p>· <strong>Sınıflandırma Etiketleri:</strong> Yapay zeka, Doğal Dil İşleme (NLP), regex, karar ağaçları (Decision Tree) veya gelişmiş sınıflandırma için önceden eğitilmiş büyük dil modelleri (Pre-trained LLM) kullanarak aşağıdaki kategorilerde veri etiketleri atayabilir:</p><p>- Kişisel Veri (PII)<br>- Finansal Veri<br>- Hassas Sağlık Verisi<br>- Genel Veri<br>- Anonim Veri</p><p><strong>b)</strong> <strong>Veri Maskeleme</strong></p><p>Veri maskeleme, kişisel veya hassas bilgilerin test ortamlarında güvenli hale getirilmesini sağlar. Yapay zeka, sınıflandırma sonuçlarına göre uygun maskeleme yöntemlerini otomatik olarak belirleyebilir.</p><p><strong>Maskeleme Yöntemleri</strong></p><p>· <strong>Format Koruyarak Maskeleme (Format-Preserving Masking):</strong> Verinin orijinal formatı korunur, ancak içeriği değiştirilir. Örneğin, T.C. Kimlik Numarası 11 haneli kalır ve algoritmik doğruluğu korunur.</p><p>· <strong>Hashing (Karma Algoritması):</strong> Veri, geri döndürülemeyecek şekilde şifrelenir. Bu yöntem özellikle log kayıtları ve analiz sistemleri için uygundur.</p><p>· <strong>Takma Ad Tanımlama (Pseudonymization):</strong> Kişisel veriler, doğrudan kimliği ortaya koymayacak tutarlı sahte verilerle değiştirilir. Örneğin, “Ahmet Yılmaz” → “Kullanıcı134”. Bu verinin kime ait olduğunu anlamak için ayrı bir eşleme anahtarı gerekir.</p><p>· <strong>Gürültü Ekleme (Noise Injection):</strong> Sayısal verilere rastgele küçük sapmalar eklenerek veri anonim hale getirilir. Örneğin: Gelir = 4.200₺ → 4.180₺</p><p><strong>c)</strong> <strong>Otomasyon ve Geri Besleme</strong></p><p>Yapay zeka sistemleri, maskeleme sonrası verilerin sistem tarafından hala doğru şekilde işlenip işlenmediğini gözlemleyebilir. Bu süreçte pekiştirmeli öğrenme (reinforcement learning) kullanılarak maskeleme kuralları zamanla optimize edilir.</p><h3><strong>3. Test Verisi Talep Tahmini ve Versiyon Yönetimi</strong></h3><p>Yapay zeka, geçmiş test senaryoları ve hata raporlarını analiz ederek her bir test senaryosu için en uygun test verilerini önerebilir. Ayrıca versiyonlama süreçlerini de yönetebilir. Bu sayede test verisi seçimi hızlanır, doğruluk oranı artar ve manuel müdahaleye duyulan ihtiyaç azalır.</p><p>· <strong>Test Senaryosunun Analizi: </strong>Yapay zeka, test senaryosunu doğal dil veya yapılandırılmış veri biçiminde analiz edebilir.</p><p><strong>Örnek Senaryo:</strong></p><p>“Kullanıcı 10.000 TL üzerinde kredi başvurusu yaptığında, kredi skoru 1200’ün altındaysa başvuru reddedilir.”</p><p>Doğal dil işleme (NLP) tekniklerini kullanarak senaryodan aşağıdaki gibi kurallar çıkartır:</p><p>- başvuru_tutarı &gt; 10000 <br>- kredi_skoru &lt; 1200</p><p>· <strong>Gerekli Veri Alanlarının Belirlenmesi:</strong> Yapay zeka, senaryodan hangi veri alanlarının gerekli olduğunu tespit eder:</p><p>- başvuru_tutarı<br>- kredi_skoru<br>- başvuru_sonucu</p><p>· <strong>Örnek Değer Önerileri Üretimi:</strong> Yapay zeka, senaryoya uygun anlamlı test verileri üretir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/398/1*tSLAzJIwSGjznxegsCQ5pQ.png" /></figure><p>· <strong>Mevcut Veri Seti ile Karşılaştırma:</strong> Eğer bir veri havuzu varsa, yapay zeka bu örnekleri mevcut kayıtlarla karşılaştırarak en yakın eşleşen kayıtları önerir veya eksik olan durumları bildirir.</p><p>· <strong>Veri Çoğaltma ve Genişletme (Data Augmentation):</strong> Temel test durumlarına benzer fakat farklı varyasyonlar içeren yeni test verileri oluşturulur. Örneğin; farklı yaş grupları, bölgesel dağılımlar veya cihaz türleri gibi parametrelerle çeşitlilik sağlanabilir.</p><p>· <strong>Geri Besleme ile Öğrenme:</strong></p><p>Gerçek test sonuçlarına göre hangi verilerin etkili olduğu, hangi verilerin hata ürettiği gibi bilgiler yapay zeka modeline geri iletilir. Bu sayede öneri sistemi zamanla daha isabetli hale gelir.</p><p><strong>Test Verisi Versiyonlama</strong></p><p>Test verisi versiyonlama, farklı yazılım sürümleri için gereken test verilerinin ayrı ayrı yönetilmesini ve izlenmesini sağlar. Yapay zeka, bu alanda aşağıdaki işlevleri gerçekleştirebilir:</p><p>· Uygun test verisi versiyonlarını önerebilir.<br>· Veri güncellemelerini tespit edebilir.<br>· Veri ile senaryo arasındaki uyumu değerlendirebilir.</p><p>Yazılım versiyonlarındaki değişiklikleri izleyerek, hangi test verilerinin güncellenmesi gerektiğini belirleyebilir. Bu süreçte şema değişikliklerinin takibi, anomali tespiti ve doğal dil işleme (NLP) teknikleri kullanılır.</p><p>Eğer yeni bir test verisi versiyonu hata oluşturursa, otomatik olarak bir önceki güvenli sürüme geri dönülebilir. Bu da test süreçlerinin daha güvenli ve sürdürülebilir olmasını sağlar.</p><h3><strong>4. Anomali Tespiti ve Veri Kalite Kontrolü</strong></h3><p>Makine öğrenimi algoritmaları, veri kümelerinde ortaya çıkan olağandışı durumları (anomali) tespit ederek hatalı test verilerinin kullanılmasını engeller. Bu sayede test sonuçlarının güvenilirliği artar.</p><p>Test verilerinde anomali tespiti yapılabilmesi için modelin önce “normal” veri davranışını öğrenmesi gerekir. Bu genellikle eğitim verisiyle gerçekleştirilir. Eğitim aşamasının ardından test verileri modele sunulur; model, bu verilerin anormal olup olmadığını tahmin eder.</p><p><strong>Kullanılan Yapay Zeka Yöntemleri</strong></p><p><strong>a) Denetimsiz Öğrenme (Unsupervised Learning)</strong></p><p>Bu yöntemlerde modelin eğitimi için önceden etiketlenmiş veriler gerekmez. Amaç, veri içerisindeki gizli yapıları, örüntüleri ve ilişkileri keşfetmektir. Sıklıkla kullanılan bazı yöntemler:</p><ul><li><strong>İzolasyon Ormanı (Isolation Forest): </strong>Rastgele karar ağaçları oluşturarak çalışır.<br> -Eğitim verisiyle model kurulur.<br> -Test verisi modele verilir.<br> -Her veri noktası için bir “anomali skoru” hesaplanır.<br> -Eşik değerin üzerindeki veriler anomali olarak etiketlenir.</li><li><strong>Otokodlayıcı (Autoencoder):</strong> Yapay sinir ağı tabanlı bu model, verinin düşük boyutlu temsillerini öğrenmeyi amaçlar.<br> -Sadece normal verilerle eğitilir.<br> -Test verisi ağa verilir.<br> -Giriş ve çıkış verisi arasındaki fark (reconstruction error) ölçülür.<br> -Hata belirli bir eşiği aşarsa veri anormal kabul edilir.</li><li><strong>Kümeleme (Clustering): </strong>Benzer örnekleri aynı gruba toplar.<br> -K-Means, DBSCAN, Hiyerarşik Kümeleme gibi algoritmalar kullanılır.<br> -Kümenin dışında kalan veriler anomali adayı olabilir.</li></ul><p><strong>b) Yarı Denetimli Öğrenme (Semi-supervised Learning)</strong></p><p>Bu yöntemde az sayıda etiketli veri ile çok miktarda etiketsiz veri birlikte kullanılarak model eğitilir. Denetimli ve denetimsiz öğrenmenin birleşimidir.</p><p>· <strong>One-Class SVM (Support Vector Machine): </strong>Genellikle normal sınıfa ait verilerle eğitilir. Model, bu sınıfın sınırlarını öğrenir ve sınıra uymayan verileri anormal olarak işaretler.</p><p><strong>c) Denetimli Öğrenme (Supervised Learning)</strong></p><p>Bu yöntemde etiketlenmiş veri kullanılarak model eğitilir. Model, girdi (input) ile doğru çıktı (label) arasındaki ilişkiyi öğrenerek yeni girdiler için tahmin yapar.</p><p>· <strong>Sınıflandırma (Classification) </strong>ve<strong> Regresyon (Regression)</strong> yöntemleri bu kategoriye girer.</p><p><strong>Yapay Zeka Destekli Anomali Tespitinin Avantajları</strong></p><p>• Elle kural yazmaya gerek kalmaz.<br>• Gizli veya daha önce görülmemiş anomali türleri de öğrenilebilir.<br>• Gerçek zamanlı sistemlerle entegre edilebilir.</p><h4>Yapay Zeka Destekli Veri Kalite Kontrolü</h4><p>Veri kalite kontrolü, verilerin doğruluğunu, tutarlılığını, bütünlüğünü ve anlamlılığını değerlendirmeyi ve iyileştirmeyi hedefler. Yapay zeka ile bu süreçler otomatik hale getirilir.</p><p>Genellikle yapılan kontroller şunlardır:</p><ul><li>Veri Doğruluğu Kontrolü<br>• Tutarlılık Analizi<br>• Eksik Veri Tespiti ve Tamamlama<br>• Çoğaltılmış Veri ve Benzerlik Tespiti<br>• Veri Dağılımı ve Uç Değer (Outlier) Analizi</li></ul><h3><strong>5. Otomatik Veri Alt Kümesi Seçimi (Subsetting)</strong></h3><p>AI destekli alt küme seçim yöntemleri, geleneksel yöntemlerin ötesine geçerek yapay zeka (AI) ve makine öğrenmesi (ML) algoritmalarıyla daha akıllı, temsil edici ve görev odaklı veri alt kümeleri seçmeyi hedefler. Bu yöntemler; özellikle büyük veri kümelerinde, daha verimli model eğitimi, daha hızlı hesaplama ve daha az veriyle daha yüksek doğruluk elde etmek amacıyla kullanılır.</p><p><strong>AI Destekli Alt Küme Seçimi Yöntemleri:</strong></p><p>· <strong>Çeşitliliğe Dayalı Seçim (Clustering)</strong></p><p>Alt küme, veri kümesinin çeşitliliğini yansıtacak şekilde her bir kümeden belirli sayıda örnek seçilerek oluşturulur. Böylece alt küme, genel veri yapısını temsil eder.</p><p><strong>Kullanılan Teknikler: </strong>K-Means, Spectral Clustering, DBSCAN, Core-set yöntemleri.</p><p>· <strong>Temsil Edici Örnekleme (Representative Subsetting)</strong></p><p>Verinin istatistiksel özelliklerini (ortalama, varyans, dağılım vb.) en iyi şekilde temsil eden örnekler seçilir. Bu yöntem, model performansını düşürmeden veri boyutunu küçültmek için kullanılır. Yüksek boyutlu veriler, boyut indirgeme teknikleriyle 2–3 boyuta indirgenip temsili örnekler seçilir.</p><p><strong>Kullanılan Teknikler:</strong> Autoencoder, PCA, t-SNE, BERT, ResNet.</p><p>· <strong>Aktif Öğrenme (Active Learning)</strong></p><p>Etiketlenmesi modele en fazla katkıyı sağlayacak verilerin seçilmesi yaklaşımıdır. Modelin belirsizlik yaşadığı örnekler tespit edilir, bu veriler etiketlenir ve model bu verilerle yeniden eğitilir. Bu sayede minimum veriyle maksimum öğrenme sağlanır.</p><p>· <strong>Anomalilere Duyarlı Örnekleme (Anomali-Aware Sampling)</strong></p><p>Alt küme seçiminde, aykırı (anormal) verilerin farkında olunarak seçim yapılır. Bu yöntem; güvenlik, sağlık, hata tespiti gibi anomalilerin kritik olduğu alanlarda özellikle değerlidir. Her veri noktasına bir “anomali skoru” atanarak analiz gerçekleştirilir.</p><p><strong>Kullanılan Teknikler: </strong>Isolation Forest, Autoencoder, One-Class SVM, Local Outlier Factor.</p><p>· <strong>Aykırı Değerlerin Çıkarılması (Outlier Elimination</strong>)</p><p>Aşırı aykırı veriler çıkarılarak ya da uygun olanlar dahil edilerek daha stabil ve çeşitli alt kümeler oluşturulur.</p><p>Örnek: Bir öğrenci grubunda yaşlar genellikle 18–25 aralığındaysa, 55 yaşındaki bir birey aykırı değer (outlier) olarak değerlendirilebilir.</p><p>Bu yöntem;</p><p>• Veriyi temizlemek,<br>• Analizleri daha güvenilir hale getirmek,<br>• Makine öğrenmesi modellerinin doğruluğunu artırmak amacıyla kullanılır.</p><h3><strong>6. Uçtan Uca Yapay Zeka ile TDM Otomasyonu</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*Nh-B6MbQ3jFxND98FzqL8Q.png" /></figure><p>Yapay zeka destekli sistemler, test verisi yaşam döngüsünün tüm adımlarını uçtan uca otomatikleştirebilir:</p><p>• Veri Keşfi<br>• Veri Üretimi<br>• Test Senaryosu Eşleşmesi<br>• Versiyonlama<br>• Arşivleme ve Temizlik</p><p>Bu bütünsel yapı, genellikle <strong>TestOps</strong> veya <strong>AI-Driven DevTest</strong> yaklaşımı olarak adlandırılır.</p><p>Yapay zeka, test verisi yönetiminin aşağıdaki temel adımlarını doğrudan etkilemektedir:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/923/1*iQiK4alyZQ_ESeCFTj29vA.png" /></figure><h3><strong>Sonuç</strong></h3><p>Yapay zeka, test verisi yönetimini yalnızca daha verimli hale getirmekle kalmaz; aynı zamanda güvenlik, uyumluluk ve doğruluk açısından da yeni bir standart ortaya koyar. AI destekli TDM çözümleri, karmaşık test ihtiyaçlarını daha az kaynak kullanarak karşılayabilir ve yazılım kalitesinde sürdürülebilir iyileştirmeler sağlar.</p><p>Gelecekte TDM sistemlerinin büyük ölçüde otonom hale gelmesi, kendi verisini üretebilen ve yöneten akıllı test ortamlarının yaygınlaşması beklenmektedir.</p><h3><strong>Kaynaklar</strong></h3><p>• Synthetic Data Generation for Machine Learning — Springer, IEEE, ACM<br>• Privacy-Preserving Data Publishing — Cynthia Dwork, Latanya Sweeney<br>• Goodfellow et al. (2014) — Generative Adversarial Networks<br>• OpenAI ve Google tarafından geliştirilen transformer tabanlı modeller (GPT, BERT, T5)<br>• Isolation Forest, Autoencoder, One-Class SVM üzerine Scikit-learn ve Keras belgeleri<br>• Hands-On Unsupervised Learning Using Python — Ankur A. Patel<br>• Delphix, Informatica, Broadcom, GenRocket gibi firmaların TDM teknik belgeleri<br>• IBM, Microsoft, Oracle gibi firmaların ürün dökümantasyonları<br>(ör. IBM Infosphere Optim, Microsoft Azure Data Masking vb.)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=de4864fb3530" width="1" height="1" alt=""><hr><p><a href="https://medium.com/isbank-ai/yapay-zeka-ile-g%C3%BC%C3%A7lendirilmi%C5%9F-test-verisi-y%C3%B6netimi-de4864fb3530">Yapay Zeka ile Güçlendirilmiş Test Verisi Yönetimi</a> was originally published in <a href="https://medium.com/isbank-ai">Türkiye İş Bankası Veri Analitiği ve Yapay Zeka Bölümü</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>