<?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[Fiba Tech Lab - Medium]]></title>
        <description><![CDATA[Fiba Tech Lab Medium Hesabı - Medium]]></description>
        <link>https://medium.com/fiba-tech-lab?source=rss----eef5aff3b133---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>Fiba Tech Lab - Medium</title>
            <link>https://medium.com/fiba-tech-lab?source=rss----eef5aff3b133---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 20:11:09 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/fiba-tech-lab" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Açık İnovasyonda Asıl Mesele: İş Birliği]]></title>
            <link>https://medium.com/fiba-tech-lab/a%C3%A7%C4%B1k-i%CC%87novasyonda-as%C4%B1l-mesele-giri%C5%9Fim-bulmak-de%C4%9Fil-i%CC%87%C5%9F-birli%C4%9Fi-kurabilmek-df483465873f?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/df483465873f</guid>
            <dc:creator><![CDATA[Cansu Aktaş Evren]]></dc:creator>
            <pubDate>Fri, 23 Oct 2026 07:22:59 GMT</pubDate>
            <atom:updated>2026-11-04T11:00:59.112Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/930/1*WU0dpjMQaBK6g96w-MNxDQ.png" /></figure><p>Kurumlar girişim ekosistemiyle etkileşime geçebilmek, yeni fırsatları keşfedebilmek için birçok farklı yöntem kullanıyor. Hackathonlar, odaklı inovasyon yarışmaları (challenge programları), açık inovasyon platformları, hızlandırma ve kuluçka programları bu yöntemlerin başında geliyor. Bunun yanı sıra, açık inovasyon ve girişim iş birliği ekipleri aracılığıyla girişimlerle doğrudan temas kurabiliyor; kurumsal girişim sermayesi (CVC) yapıları üzerinden stratejik yatırım ilişkileri geliştirebiliyor.</p><p>Bu yöntemler kurumun yenilikçi teknolojilere, iş modellerine erişime olanak sunuyor, farklı pazarları, fırsatları keşfetmelerine olanak sağlıyor. Ancak girişimlerle temas kurmak, başarılı bir iş birliği geliştirmenin yalnızca ilk adımını oluşturuyor. Çünkü bir girişimi keşfetmek ile o girişimle değer yaratan çıktılar üretip bunu da sürdürülebilir bir ticari modele dönüştürmek arasında önemli bir fark var.</p><p>Peki bu temasların gerçek iş birliğine, birer ticari ürüne veya sürdürülebilir iş modeline dönüşebilmesi için taraflar hazır mı?</p><p><strong>İş Birliği Yapma Niyetine Girmeden Önce Kurum ve Girişim Olarak Gerekli Hazırlıklar Yapıldı mı?</strong></p><p>Başarılı bir kurum girişim iş birliği için atılması gereken önemli adımlardan biri de kurumun neye ihtiyaç duyduğunu ve bu iş birliğinden ne beklediği açık ve net bir şekilde bilmesidir. Ekosistemde yeni teknolojilerle çözüm üreten birçok girişimin bulunması bu girişimlerin kurumlar için doğru bir çözüm üreteceği anlamına gelmemektedir.</p><p>Bu nedenle kurumların girişimlerle temas kurmadan önce stratejik önceliklerini, çözmek istedikleri problemleri ve ulaşmayı hedefledikleri sonuçları açıkça tanımlaması gerekmektedir. Problemin hangi süreçlerde ortaya çıktığı, mevcut durumun verilerle nasıl desteklendiği, çözümden beklenen fayda ve başarı kriterlerinin neler olduğu gibi soruların yanıtlanması, iş birliğinin daha sağlam temeller üzerine kurulmasını sağlıyor. Bununla birlikte kurumların yalnızca ihtiyaçlarını değil, iş birliğine ayırabilecekleri kaynakları ve sunabilecekleri imkanları da değerlendirmesi önemli. PoC (Proof of Concept) için ayrılabilecek süre ve bütçe, veri paylaşımı, teknik altyapı, iş birimlerinin katılımı ve mentörlük desteğinin olup olmayacağı gibi unsurların önceden netleştirilmesi, girişimlerin de kendi yetkinliklerini ve kaynaklarını doğru değerlendirmesine olanak tanıyor.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/758/1*GDKo4OaWRBHt9eqsfjq5EA.png" /><figcaption>Şekil 1. Kurum–Girişim İş Birliğine Hazırlık Matrisi</figcaption></figure><p>World Economic Forum’un (2018) kurumlar ve girişimler arasındaki iş birliklerini ele alan raporu da tarafların beklentilerini ve birbirlerine sunabilecekleri değeri doğru anlamalarının önemine dikkat çekiyor. Bu yaklaşım, başarılı bir iş birliğinin yalnızca doğru çözümü bulmakla değil, tarafların iş birliğine ne kadar hazır olduklarıyla da ilişkili olduğunu ortaya koyuyor.[1]</p><p>Bir diğer önemli konu ise iş birliğinden beklenen faydanın kısa vadede mi yoksa uzun vadede mi değerlendirileceğine karar verilmesi. Çünkü kurumların kısa vadede mevcut operasyonlarını iyileştirmeye yönelik ihtiyaçları (horizon 1) ile yeni büyüme alanlarını keşfetmeye veya geleceğin iş modellerini geliştirmeye yönelik hedefleri (horizon 2 ve 3) aynı yaklaşımı gerektirmiyor. Kısa vadeli iş birliklerinde somut ve ölçülebilir çıktılar ön plana çıkarken, orta ve uzun vadeli iş birliklerinde yeni teknolojilerin keşfi, trendlerin değerlendirilmesi ve birlikte geliştirme potansiyeli daha fazla önem kazanıyor. [2]</p><p>Hazırlık süreci yalnızca kurumlar için geçerli değil. Girişimlerin de sundukları çözümün hangi probleme karşılık geldiğini, teknolojik olgunluk seviyelerini, entegrasyon gereksinimlerini ve kurumsal bir iş birliğini yürütebilecek yetkinliklerini ve operasyonel kapasitelerini değerlendirmeleri gerekiyor. İş birliğinin sürdürülebilirliği, her iki tarafın da beklentilerini, sorumluluklarını ve yaratabilecekleri değeri doğru tanımlamasına bağlı.</p><p>Sonuç olarak, girişimlerle iş birliğine başlamadan önce tarafların ihtiyaçlarını ve çözüme ulaşacağı metotları doğru şekilde tanımlaması gerekmektedir. Doğru tanımlanmamış bir ihtiyaçla başlayan iş birliği ne kadar yenilikçi bir teknoloji ile buluşursa buluşsun beklenen değeri yaratmakta taraflar zorlanabilmektedir.</p><p><strong>Girişimler ile Çalışmak İsteyen Ekipler Birlikte Hareket Edebiliyor mu?</strong></p><p>Girişimlerle başarılı iş birlikleri geliştirmek, yalnızca inovasyon ekiplerinin çabasıyla mümkün olmamaktadır. İş birliğinin hayata geçebilmesi için ilgili iş birimleri, teknoloji, satın alma, hukuk ve bilgi güvenliği gibi farklı ekiplerin ortak bir hedef doğrultusunda koordineli hareket etmesi gerekiyor. Harvard Business Review’da yayımlanan “<em>Why Great Innovations Fail to Scale”</em> çalışması da yenilikçi fikirlerin ölçeklenmesinde karşılaşılan önemli engellerden birinin, farklı önceliklere ve çalışma biçimlerine sahip ekiplerin birlikte hareket edememesi olduğuna dikkat çekiyor.[3]</p><p>Girişimlerin yaşam döngüsü oldukça kısa ve kritik olduğundan, iş birliklerinde hız ve uyum en önemli parametreler arasında yer alıyor. Sözleşmelerin hazırlanması ve imzalanması aşamalarında hızlı ve çevik hareket etmek girişimler için kritik önem taşımaktadır. Birçok iş biriminin onayının gerektiği durumlarda, girişim ile kurum arasında köprü görevi üstlenecek ve kurum içindeki süreçleri koordine edecek bir sorumlunun belirlenmesi sürecin ilerlemesini büyük ölçüde kolaylaştırmaktadır.</p><p>Girişimler hızla ölçeklenip büyüyebildikleri için sürdürülebilir ve uzun vadeli ilişkiler kurabilmek adına doğacak iş birliğindeki başarı metriklerinin en baştan belirlenmesi gerekmektedir. Tüm süreçlerde şeffaflığın ve karşılıklı kazan-kazan yaklaşımının benimsenmesi, çoğu zaman süreçte yaşanabilecek sürtünme noktalarını da ortadan kaldırmaktadır. <strong>Kurum–girişim iş birliklerinde başarı, yalnızca doğru girişimi bulmaktan değil, ortak hedefler doğrultusunda uyum içerisinde hareket edebilmekten geçiyor.</strong></p><p>Sürdürülebilir iş birlikleri için yalnızca belirli iş birimlerine sorumluluk atanmasından ziyade, kurum genelinde ortak bir anlayışın benimsendiği ve net sorumlulukların tanımlandığı bir mekanizmanın oluşturulması kalıcı çözümler üretmek adına çok daha önemlidir.</p><p><strong>PoC Süreçleri Başarıya mı, Öğrenmeye mi Odaklanıyor?</strong></p><p>PoC bağımsız bir çözüm fikrini ya da varsayımını gerçek dünyada test etmek için yapılan küçük bir uygulamadır. Temel amacı, bir girişimin çözümünün ve/veya teknolojisinin uygulanabilir olduğunu küçük bir alt küme içerisinde ispatlamaktır. Kaynak yönetimi ve kaynakları verimli kullanması oldukça önemli bir adımdır. Ürünün dar kapsamının kısa süre içerisinde test edilmesi amaçlanmaktadır. [4]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/980/1*SVohlYaQdlGj7AgLg64Gjw.png" /><figcaption>Tablo1. PoC, Prototip ve Pilot Uygulamalarının Karşılaştırılması [4]</figcaption></figure><p>Girişimlerle iş birliklerinde PoC süreçleri, yalnızca teknolojinin uygulanabilirliğini test etmek için değil, aynı zamanda kurum ve girişimin birlikte öğrenmesi ve çözümün yaratabileceği değeri değerlendirmesi açısından da önem taşıyor. Bu süreçte başarı kriterlerinin önceden belirlenmesi, sonuçların objektif olarak değerlendirilmesi ve elde edilen öğrenimler doğrultusunda ilerleme ya da vazgeçme kararının verilmesi gerekiyor. Girişimler değerlendirilirken sadece finansal hacmi, referansları değil, teknolojik yetkinlikleri, çeviklikleri, ekip yapıları, entegrasyon kriterleri ve kültürel uyum konuları da dikkate alınmalıdır.</p><p>Her PoC’nin başarılı bir ticari iş birliğine dönmesi beklenmemelidir. Neyin yapılmaması gerektiğinin de erken aşamada deneyimlenerek öğrenilmesi, ileride doğması muhtemel daha büyük kayıpların önüne geçilmesi olarak düşünüldüğünde, bir başarıdır. Atlassian’ın PoC geliştirme rehberinde de vurgulandığı üzere, problemin ve kapsamın tanımlanması, ölçülebilir başarı kriterlerinin oluşturulması, gerekli kaynakların belirlenmesi, gerçekçi bir zaman planının hazırlanması ve sonuçların değerlendirilmesi bu sürecin temel adımlarını oluşturuyor. [5]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/783/1*uDUTG7tixsjUjGRABCgfCQ.png" /><figcaption>Tablo 2. Kurum–Girişim İş Birliklerinde PoC Başarı Kriterleri [5]</figcaption></figure><p>Girişimlerle gerçekleştirilen PoC çalışmalarının başarılı olması, iş birliğinin tamamlandığı anlamına gelmiyor. Asıl önemli olan, elde edilen sonuçların sürdürülebilir ve ölçeklenebilir bir iş birliğine dönüştürülebilmesi.</p><p>PoC sonucunda elde edilen öğrenimler doğrultusunda, çözümün olgunluk seviyesine ve doğrulanması gereken varsayımlara bağlı olarak prototip, MVP veya pilot uygulama gibi farklı yöntemlerle test ve geliştirme sürecine devam edilebilir. Öncelikle kapalı devre test edilen çözüm adım adım daha güvenli alanda (belirli bir toplulukla) test, çalışmalarına devam ediyor. Tüm testlerde başarıyı elde ettikten sonra son olarak gerçek müşterilerle daha geniş kitleler üzerinde çözüm denenebilmektedir. Bu süreçte belirsizlikleri azaltmak ve sürekli müşteri geri bildirimleri ile en iyi sonuca ulaşmaya çalışmak, sürekli öğrenerek çözümü ölçeklendirmek, başarılı bir prototipin temel prensibidir. Tarafların stratejik öncelikleri çerçevesinde pilot sürecinde girişimle iş birliği modelinin belirlenmesi gerekmektedir.</p><p>Bu aşamada kurum ve girişimin stratejik öncelikleri doğrultusunda ticari iş birliği, ortak geliştirme, yatırım veya satın alma gibi farklı iş birliği modellerinin değerlendirilmesi ve uzun vadeli yol haritasının netleştirilmesi önem taşıyor. PoC’de başarılı olmak yalnızca bir başlangıçtır. Asıl başarı elde edilen öğrenimleri sürdürülebilir ve ticari bir iş sonucuna dönüştürebilmektir.</p><p>Sonuç olarak;</p><p>Girişim dostu olmak bir söylem değil kurumsal bir yetkinliktir. Yapılacak iş birliğinin öncesinde ihtiyaçların net bir şekilde tanımlandığı tarafların birbirinin eksik yanlarını tamamladığı, sürdürülebilir bir uyum, başarının temel anahtarıdır.</p><p>Kurum girişim iş birliklerinde başarı, yalnızca doğru girişimi keşfetmek veya yenilikçi bir teknolojiyi kurumla buluşturmakla değil stratejik ihtiyaçların doğru tanımlandığı, kurum içindeki ekiplerin ortak hedefler doğrultusunda hareket ettiği, deneme ve öğrenme süreçlerinin etkin bir şekilde yönetildiği bir bakış açısıdır. Ancak bu şekilde elde edilen sonuçlar sürdürülebilir ticari değerlere dönüşebilir.</p><p>Çünkü asıl mesele yalnızca girişimlerle çalışmak istemek değil, girişimlerle birlikte değer yaratabilecek kurumsal yetkinliğe ve iş birliği kültürüne sahip olabilmektir.</p><p><strong>Cansu AKTAŞ EVREN</strong></p><p><strong>KAYNAKLAR</strong></p><p>[1] World Economic Forum. (2018). <em>Collaboration between start-ups and corporates: A practical guide for mutual understanding.</em> <a href="https://www.weforum.org/publications/collaboration-between-start-ups-and-corporates-a-practical-guide-for-mutual-understanding/">https://www.weforum.org/publications/collaboration-between-start-ups-and-corporates-a-practical-guide-for-mutual-understanding/</a></p><p>[2] McKinsey &amp; Company. (2009). <em>Enduring ideas: The three horizons of growth.</em> <a href="https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/enduring-ideas-the-three-horizons-of-growth">https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/enduring-ideas-the-three-horizons-of-growth</a> (Erişim Tarihi 18.10.2026)</p><p>[3] Hill, L. A., Tedards, E., &amp; Wild, J. (2026). <em>Why great innovations fail to scale.</em> Harvard Business Review. <a href="https://hbr.org/2026/03/why-great-innovations-fail-to-scale">https://hbr.org/2026/03/why-great-innovations-fail-to-scale</a> Ücretsiz Erişim Linki: <a href="https://www.physicianleaders.org/pages/articles/why-great-innovations-fail-to-scale">https://www.physicianleaders.org/pages/articles/why-great-innovations-fail-to-scale</a> )</p><p>[4] Leurs, B., &amp; Duggan, K. (2018). <em>Proof of concept, prototype, pilot, MVP — What’s in a name?</em> Nesta. <a href="https://www.nesta.org.uk/blog/proof-of-concept-prototype-pilot-mvp-whats-in-a-name/">https://www.nesta.org.uk/blog/proof-of-concept-prototype-pilot-mvp-whats-in-a-name/</a></p><p>[5] Atlassian. (t.y.). <em>Your guide to proof of concept (POC) in product development.</em> <a href="https://www.atlassian.com/work-management/project-management/proof-of-concept/">https://www.atlassian.com/work-management/project-management/proof-of-concept/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=df483465873f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/a%C3%A7%C4%B1k-i%CC%87novasyonda-as%C4%B1l-mesele-giri%C5%9Fim-bulmak-de%C4%9Fil-i%CC%87%C5%9F-birli%C4%9Fi-kurabilmek-df483465873f">Açık İnovasyonda Asıl Mesele: İş Birliği</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[QR’dan Otonom Ödemelere: Yapay Zeka Bankacılıkta Son Kullanıcı Deneyimini Nasıl Yeniden Tanımlıyor?]]></title>
            <link>https://medium.com/fiba-tech-lab/qrdan-autonomous-payments-a-yapay-zeka-bankac%C4%B1l%C4%B1kta-son-kullan%C4%B1c%C4%B1-deneyimini-nas%C4%B1l-yeniden-8150e2ce1ff2?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/8150e2ce1ff2</guid>
            <category><![CDATA[yapay-zeka]]></category>
            <category><![CDATA[qr]]></category>
            <category><![CDATA[pos]]></category>
            <category><![CDATA[ai-agent]]></category>
            <dc:creator><![CDATA[Feyzullah USTA]]></dc:creator>
            <pubDate>Wed, 21 Oct 2026 06:36:06 GMT</pubDate>
            <atom:updated>2026-10-21T06:36:08.621Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kfaPL0D8MKuNP_wNVKplsg.png" /></figure><p><em>2020&#39;lerin başında bankacılık sektörünün gündemi mobilleşmeydi. Bugün ise artık yeni bir dönemin eşiğindeyiz: Otonom Finans. QR kodlar, yapay zeka ve dijital ödeme ekosistemleri bir araya gelerek yalnızca ödeme yöntemlerini değil, müşterilerin finansal hizmetlerle kurduğu ilişkiyi de kökten değiştiriyor.</em></p><p>2030&#39;a doğru ilerlerken kritik soru artık “Müşteri ödemeyi nasıl yapacak?” değil.</p><p>Asıl soru şu:</p><p><strong>“Yapay zeka müşteri adına ödeme kararlarını ne ölçüde verecek?”</strong></p><p>Bu dönüşümün merkezinde ise QR tabanlı ödeme sistemleri bulunuyor.</p><h3><strong>QR Ödeme Sistemleri Neden Bu Kadar Hızlı Yükseliyor?</strong></h3><p>Kartlı ödeme sistemleri onlarca yıldır finansal dünyanın temelini oluşturdu. Ancak özellikle mobil cihazların hayatın merkezine yerleşmesiyle birlikte QR tabanlı ödemeler yeni nesil bir alternatif haline geldi.</p><p>Bunun üç temel nedeni var:</p><ul><li>Düşük altyapı maliyeti</li><li>Mobil odaklı kullanıcı deneyimi</li><li>Hızlı entegrasyon kabiliyeti</li></ul><p>Özellikle gelişmekte olan ülkelerde QR ödemeler, kart terminallerinin ulaşamadığı noktalara kadar yayılabilmektedir.</p><p>Türkiye’de de FAST ve TR Karekod altyapılarının yaygınlaşmasıyla birlikte QR ödemeler artık yalnızca bir alternatif değil, bankaların stratejik büyüme alanlarından biri haline gelmiş durumda.</p><p>Fakat asıl dönüşüm QR’ın kendisinde değil.</p><p><strong>Asıl dönüşüm, QR işlemlerinin yapay zekâ tarafından yorumlanmaya başlamasında yatmaktadır.</strong></p><h3><strong>Yapay Zeka Destekli QR Ödemeler Kullanıcı Deneyimini Nasıl Değiştirecek?</strong></h3><p>Bugünün QR ödemelerinde süreç oldukça basit:</p><ol><li>Kullanıcı mobil uygulamayı açar.</li><li>QR kodu okutur.</li><li>Tutarı kontrol eder.</li><li>İşlemi onaylar.</li></ol><p>2030&#39;a giderken bu akış büyük ölçüde değişecek.</p><p>Yapay zeka sistemleri kullanıcının;</p><ul><li>Harcama alışkanlıklarını,</li><li>Lokasyon bilgisini,</li><li>Geçmiş işlemlerini,</li><li>Gelir-gider dengesini,</li><li>Kampanya tercihlerini</li></ul><p>analiz ederek ödeme sürecini neredeyse görünmez hale getirecek.</p><p>Örneğin bir kahve zincirinde her sabah ödeme yapan bir müşteri düşünelim.</p><p>Yapay zeka şu soruları zaten cevaplamış olacak:</p><ul><li>Bu kullanıcı burada sık alışveriş yapıyor mu?</li><li>Ortalama harcaması nedir?</li><li>Hangi hesabı kullanmayı tercih ediyor?</li><li>Uygun bir kampanya var mı?</li><li>Harcama riski oluşturuyor mu?</li></ul><p>QR okutulduğunda sistem tüm bu değerlendirmeleri milisaniyeler içerisinde gerçekleştirerek kullanıcıya en uygun ödeme yolunu önerecek.</p><p>Belki de yalnızca şöyle bir mesaj göreceğiz:</p><blockquote><em>“Bu ödemeyi maaş hesabınızdan gerçekleştiriyorum. Ayrıca %10 cashback fırsatınız uygulanmıştır.”</em></blockquote><p>İşlemin karmaşıklığı arka planda kalacak. Kullanıcı ise yalnızca sonucu görecek.</p><h3><strong>QR + AI Kombinasyonu Kredi Kartlarının Yerini Alabilir mi?</strong></h3><p>Bu soru sektörün en çok tartışılan konularından biri aslında.</p><p>Cevap: “ <strong>Tamamen değil. Ama ciddi ölçüde dönüşüm yaratabilir. </strong><em>”</em></p><p>Kartlar aslında bir ödeme aracı değil, bir ödeme kimliğidir. Ancak QR teknolojisi ile birlikte kimlik doğrulama mobil cihazlara taşınmaya başladı. Yapay zekanın eklenmesi ise yeni bir katman oluşturuyor.</p><p>Gelecekte müşteri;</p><ul><li>Kart taşımayabilir,</li><li>IBAN bilmeyebilir,</li><li>Hesap seçmeyebilir.</li></ul><p>Bütün bu kararları yapay zeka destekli dijital asistan yönetebilir.</p><p>Özellikle genç kullanıcı segmentinde şu senaryo oldukça olası görünüyor:</p><blockquote><strong>“Bana en avantajlı ödeme yöntemini kullan.”</strong></blockquote><p>Bu komut sonrasında sistem;</p><ul><li>Banka hesabını,</li><li>Dijital cüzdanları,</li><li>Taksit seçeneklerini,</li><li>Cashback fırsatlarını</li></ul><p>anlık olarak hesaplayacak.</p><p>Kartlar tamamen ortadan kalkmasa da görünürlüklerini büyük ölçüde kaybedebilir. Tıpkı bugün birçok kullanıcının fiziksel şubesini neredeyse hiç ziyaret etmemesi veya nakit taşımanın bir ölçüde azalması gibi.</p><h3>ATM’ler Nakit Noktası Olarak Kalacak Mı? Yoksa Akıllı Finans Terminalleri mi Olacak?</h3><p>ATM’ler uzun yıllardır para çekme makineleri olarak konumlandırıldı. Ancak müşteri davranışları artık değişiyor. Mobil bankacılık büyüyor. Kartsız işlemler yaygınlaşıyor. QR tabanlı ATM deneyimleri artık birçok bankada standart hale geliyor.</p><p>2030&#39;a doğru ATM’ler üç temel evrim geçirebilir.</p><h3>1. Tamamen Kartsız Deneyim</h3><p>Kart takma işlemi tarihe karışabilir.</p><p>Müşteri uygulamadan QR oluşturur =&gt; ATM QR’ı okur =&gt; İşlem tamamlanır.</p><h3>2. Yapay Zeka Destekli Kişiselleştirme</h3><ul><li>ATM kullanıcıyı tanıyabilir.</li><li>Sık gerçekleştirilen işlemleri öne çıkarabilir.</li><li>Bekleme süresini kısaltabilir.</li><li>Dinamik ekranlar sunabilir.</li></ul><h3>3. Finansal Danışmanlık Noktaları</h3><p>Geleceğin ATM’leri yalnızca para dağıtmayabilir. Örneğin müşteri ekran karşısında şu öneriyi görebilir:</p><blockquote><strong>“Son üç ayda tasarruf oranınız düştü. Birikim hedefinizi korumak için aylık 2.500 TL ek tasarruf planı öneriyorum.”</strong></blockquote><p>Böylece ATM, işlem merkezi olmaktan çıkıp bir finansal etkileşim noktasına dönüşebilir.</p><h3>SoftPOS Teknolojisi POS Cihazlarını Tarihe Karıştırabilir mi?</h3><p>Bugünün POS dünyası donanım merkezlidir. Ancak SoftPOS yaklaşımı oyunun kurallarını değiştirmekte. SoftPOS sayesinde bir Android telefon doğrudan POS terminali olarak çalışabilmektedir.</p><p>Bu özellikle;</p><ul><li>Mikro işletmeler,</li><li>Kuryeler,</li><li>Sahada çalışan ekipler,</li><li>Küçük esnaflar</li></ul><p>için büyük avantaj yaratmaktadır.</p><p><strong>Peki yapay zeka burada ne yapacak?</strong></p><p>AI destekli SoftPOS sistemleri yetenekleri :</p><ul><li>Dolandırıcılık tespiti yapabilecek,</li><li>Dinamik fiyatlandırma sunabilecek,</li><li>Müşteri segmentasyonu gerçekleştirebilecek,</li><li>Kişiselleştirilmiş kampanyalar gösterebilecek.</li></ul><p>Bir esnafın telefonundaki uygulama küçük bir POS cihazı olmaktan çıkıp adeta dijital satış danışmanına dönüşecektir.</p><p>Bu nedenle önümüzdeki yıllarda soru:</p><blockquote><strong>“Kaç POS cihazımız var?”</strong></blockquote><p>olmaktan çıkacak. Yerini şu soru alacak:</p><blockquote><strong>“Kaç akıllı ödeme noktamız var?”</strong></blockquote><h3>Agentic AI: Ödeme Süreçlerinin Yeni Oyuncusu</h3><p>Yapay zeka bugün çoğunlukla öneride bulunuyor aslında. Peki ya yarın ne olacak?</p><p>Yarın yapay zeka yalnızca tavsiye vermeyecek =&gt; <strong>Görev üstlenecek</strong></p><p>Agentic AI olarak tanımlanan yeni yaklaşım ise belirli sınırlar içerisinde karar alabilen ve eylem gerçekleştirebilen sistemleri ifade etmketedir.</p><p>Örneğin: Bir müşteri bankacılık uygulamasına şu talimatı verebilir:</p><blockquote><strong>“Aylık market harcamalarımda her zaman en avantajlı ödeme seçeneğini kullan.”</strong></blockquote><p>Bundan sonra sistem;</p><ul><li>Bankaların kampanyalarını izler,</li><li>Dijital kuponları ve kampanyaları değerlendirir,</li><li>Harcama limitlerini kontrol eder,</li><li>Risk analizini yapar,</li><li>Ödemeyi tamamlar.</li></ul><p>Müşteri yalnızca raporu inceler. Bu noktada ödeme deneyimi “self-service” modelinden çıkarak “AI-service” modeline dönüşür.</p><p>Bankalar için kritik konu; Bu ajanların güvenilir ve denetlenebilir hale getirilmesidir. Çünkü müşteri parasını bir yazılıma değil, bankaya emanet etmek ister.</p><h3>QR + Agentic AI + Gerçek Zamanlı Karar Motorları Nasıl Birlikte Çalışacak?</h3><p>QR tabanlı ödemelerin geleceğini konuşurken çoğu zaman yalnızca müşteri ekranında görünen deneyime odaklanıyoruz aslında. Oysa 2030&#39;a doğru dönüşümün asıl yaşanacağı alan, arka planda çalışan gerçek zamanlı karar sistemleri olacak.</p><p>Geleneksel ödeme mimarisinde QR kod yalnızca işlemi başlatan bir araçtır. Autonomous Payments mimarisinde ise QR, fraud motoru, müşteri bağlamı (customer context), kişisel finans motoru, kampanya motoru ve Agentic AI katmanlarını tetikleyen bir başlangıç sinyaline dönüşmektedir. Nihai ödeme kararı gerçek zamanlı karar motoru tarafından verilmekte; FAST, kart veya dijital cüzdan kanalı üzerinden işlem tamamlanmaktadır. Bu nedenle gelecekte rekabet ödeme aracında değil, ödeme kararının üretildiği zeka katmanında gerçekleşecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/806/1*rw-ySJapFoqorjGJzxMNBQ.png" /></figure><p>Şekil 1. QR Tabanlı Otonom Ödeme Mimarisi</p><h3>Otonom Ödeme Profili: Yapay Zekâ Müşterinin Finansal Stratejisini Nasıl Öğrenecek?</h3><p>Bugünün öneri sistemleri büyük ölçüde geçmiş davranışları analiz etmektedir. Ancak Autonomous Payments dünyasında geçmiş davranışları tekrar etmek yeterli değildir.</p><p>Örneğin her sabah aynı kahveyi alan bir müşterinin davranışını öğrenmek oldukça kolaydır. Asıl zorluk, müşterinin finansal hedefleri ile günlük harcamaları arasında doğru dengeyi kurabilmektir.</p><p>Warren Buffett’ın meşhur yaklaşımını düşünelim:</p><blockquote><em>“Harcadıktan sonra kalan parayı tasarruf etmeyin, tasarruf ettikten sonra kalan parayı harcayın.”</em></blockquote><p>Bu bakış açısı her müşteri için aynı olmayabilir. Bazı müşteriler büyüme odaklı davranırken, bazıları tasarruf odaklı davranabilir.</p><p>Bu nedenle gelecekte bankalar kredi risk profiline benzer şekilde yeni bir kavram tanımlayabilir:</p><h3>Otonom Ödeme Profili</h3><p>Bu profil içerisinde;</p><ul><li>Aylık tasarruf hedefleri</li><li>Nakit akışı tercihleri</li><li>Borçlanma eğilimi</li><li>Risk iştahı</li><li>Harcama öncelikleri</li><li>Otonom karar verme seviyesi</li><li>Acil durum fonu hedefleri</li></ul><p>yer alabilir.</p><p>Böylece yapay zekâ yalnızca geçmiş işlemleri tekrar eden bir sistem değil, müşterinin finansal stratejisini uygulayan dijital temsilci haline gelir.</p><h3><strong>Otonom Ödeme Limitleri Nasıl Belirlenecek?</strong></h3><p>Agentic AI sistemlerinin müşteri adına ödeme yapabilmesi için belirli finansal sınırlar içerisinde hareket etmesi gerekir. Bu sınırlar rastgele tanımlanamaz. Müşterinin gelir yapısı, gider profili, tasarruf hedefleri ve risk iştahı birlikte değerlendirilerek oluşturulur.</p><p>Örneğin aşağıdaki profile sahip bir müşteri düşünelim:</p><ul><li>Aylık net gelir: 90.000 TL</li><li>Zorunlu giderler: 45.000 TL</li><li>Tasarruf hedefi: Gelirin %20&#39;si</li><li>Risk iştahı: Düşük</li><li>Otonom karar seviyesi: Orta</li></ul><p>Bu durumda sistem aşağıdaki hesaplamayı yapabilir:</p><p><em>Aylık Gelir : 90.000 TL</em></p><p><em>Tasarruf Hedefi (%20) : 18.000 TL</em></p><p><em>Zorunlu Giderler : 45.000 TL</em></p><p><em>-----------------------------------</em></p><p><em>Serbest Harcama Alanı : 27.000 TL</em></p><p>Yapay zekâ bu tutarın tamamını otonom harcamaya açmak yerine koruma katsayısı uygulayabilir.</p><p><em>Serbest Harcama Alanı : 27.000 TL</em></p><p><em>Koruma Katsayısı (%40) : 10.800 TL</em></p><p><em>Otonom Harcama Bütçesi : 16.200 TL</em></p><p>Bu durumda sistem:</p><ul><li>Günlük maksimum 500 TL</li><li>Haftalık maksimum 3.500 TL</li><li>Aylık maksimum 16.200 TL</li></ul><p>şeklinde dinamik limitler oluşturabilir.</p><p>Önemli olan nokta, bu limitlerin statik değil; müşterinin gelir, gider ve risk profilindeki değişimlere göre sürekli güncellenmesidir.</p><p>Böylece otonom ödeme sistemi yalnızca harcama yapan değil, müşterinin belirlediği finansal stratejiyi koruyan bir mekanizmaya dönüşür.</p><h3>Açıklanabilir AI (XAI): Yapay Zekâ Bana Neden Kahve Aldırmadı?</h3><p>Agentic AI sistemlerinin başarısı yalnızca doğru karar vermeleriyle ölçülmeyecektir. Aynı zamanda verdikleri kararı açıklayabilmeleri gerekecektir.</p><p>Bir müşteri düşünelim:</p><p><strong>Müşteri Profili</strong></p><ul><li>Aylık gelir: 90.000 TL</li><li>Tasarruf hedefi: %20</li><li>Otonom ödeme profili: Korumacı</li><li>Acil durum fonu hedefi: 6 aylık gider</li></ul><p>Ay içerisinde beklenmedik şekilde;</p><ul><li>18.000 TL hastane harcaması</li><li>9.500 TL ilaç gideri</li></ul><p>oluşmuş olsun.</p><p>Bu durumda Agentic AI aşağıdaki değerlendirmeleri yapabilir:</p><ul><li>Aylık tasarruf hedefi risk altında</li><li>Acil durum fonu hedefinde sapma oluştu</li><li>Nakit akışı beklenenden daha hızlı tüketiliyor</li><li>Ay sonuna kadar bütçe açığı oluşma ihtimali yükseldi</li></ul><p>Bu nedenle sistem müşteriye şu açıklamayı sunabilir:</p><blockquote><em>Son 15 gün içerisinde gerçekleşen sağlık harcamaları nedeniyle tasarruf hedefiniz risk altına girmiştir. Belirlediğiniz finansal strateji doğrultusunda düşük öncelikli harcamalarda geçici limit uygulanmıştır. Günlük kahve bütçeniz 1 ürün ile sınırlandırılmıştır. Bu kuralı değiştirmek için finansal tercihlerinizi güncelleyebilirsiniz.</em></blockquote><p>Bu yaklaşımın kritik noktası kahveyi engellemek değil, kararın gerekçesini şeffaf şekilde açıklayabilmektir.</p><p>İşte Explainable AI bu noktada devreye girmektedir.</p><h3><strong>Simülasyon ve Stres Testleri: Yapay Zekâ Olağan Dışı Durumlarda Nasıl Davranacak?</strong></h3><p>Bankacılık sektöründe bir modelin yalnızca normal koşullarda doğru çalışması yeterli değildir. Beklenmedik durumlarda da doğru davranabilmesi gerekir.</p><p>Bu nedenle otonom ödeme sistemleri canlı ortama alınmadan önce simülasyon ve stres testlerinden geçirilmelidir.</p><h4>Senaryo 1: Beklenmedik Sağlık Harcaması</h4><p>Aylık Gelir : 90.000 TL</p><p>Hastane Gideri : 18.000 TL</p><p>İlaç Gideri : 9.500 TL</p><p>Sistem:</p><ul><li>Tasarruf hedefindeki sapmayı hesaplar.</li><li>Acil durum fonunu yeniden değerlendirir.</li><li>Düşük öncelikli harcamaları sınırlar.</li><li>Belirli eşiklerde kullanıcı onayı ister.</li></ul><h4>Senaryo 2: Gelir Düşüşü</h4><p>Normal Gelir : 90.000 TL</p><p>Yeni Gelir : 65.000 TL</p><p>Bu durumda sistem:</p><ul><li>Otonom limitleri yeniden hesaplar.</li><li>Risk seviyesini günceller.</li><li>Harcama politikalarını sıkılaştırır.</li><li>Kullanıcıya yeni bütçe önerisi sunar.</li></ul><h4>Senaryo 3: Olağan Dışı Harcama Artışı</h4><p>Kullanıcının harcamaları geçmiş davranış kalıplarının belirgin şekilde üzerine çıkarsa sistem:</p><ul><li>Gerçek zamanlı risk değerlendirmesi yapar.</li><li>Anormallik tespiti mekanizmalarını çalıştırır.</li><li>Otonom ödeme yetkisini geçici olarak askıya alabilir.</li><li>Ek doğrulama veya kullanıcı onayı talep edebilir.</li></ul><p>Amaç yalnızca işlemi tamamlamak değil, müşterinin uzun vadeli finansal hedeflerini koruyabilmektir.</p><h3>Otonom Ödeme Sistemleri Canlıya Nasıl Alınabilir?</h3><p>Bankaların Agentic AI sistemlerini bir gecede müşteri adına ödeme yapan yapılara dönüştürmesi beklenmemelidir. Daha olası senaryo kademeli bir geçiş modelidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/354/1*k_R_ORAnGh-KgWvY2m7ypw.png" /></figure><p>Şekil 2. Otonom Ödeme Sistemleri Yaşam Döngüsü</p><h3>Faz 1: Öneri (Recommendation) Modu</h3><p>Yapay zekâ ilk etapta yalnızca öneri üretir. Kullanıcının her işlemi manuel onaylaması beklenir.</p><h3>Faz 2: Destekli Karar (Assisted Decision) Modu</h3><p>Yapay zekâ ödeme yöntemini hazırlar, kullanıcı onayına sunar ve kullanıcı son onayı verir.</p><h3>Faz 3: Sınırlı Otonomi (Limited Autonomy)</h3><p>Önceden tanımlanan limitler dahilindeki düşük riskli işlemlerin otomatik gerçekleşmesi sağlanabilir.</p><p>Örnek:</p><ul><li>Market</li><li>Ulaşım</li><li>Kahve</li><li>Otopark</li></ul><p>işlemleri gibi.</p><h3>Faz 4: Tam Otonom Ödemeler</h3><p>Müşteri tarafından tanımlanmış sınırlar kapsamında agent’lar bağımsız hareket eder. Bu aşamaya geçebilmek için aşağıdaki mekanizmaların olgunlaşması gerekmektedir :</p><ul><li>Yapay Zeka Yönetişimi / AI Governance</li><li>Açıklanabilirlik / Explainability</li><li>Denetlenebilirlik / Auditability</li><li>Model Risk Yönetimi / Model Risk Management</li><li>Kullanıcı Müdahalesi /Human Override</li><li>Stres Testleri / Stress Testing</li><li>İzleme / Monitoring</li></ul><p>Tıpkı bugün kredi skorlama modellerinin düzenli validasyon süreçlerinden geçirilmesi gibi, gelecekte otonom ödeme ajanları da model performansı, açıklanabilirlik, sapma analizi (model drift), müşteri memnuniyeti ve finansal hedef başarısı açısından sürekli izlenecek ve yeniden kalibre edilecektir.</p><h3><strong>Türkiye’de Dijital Ödeme Ekosistemi Neden Stratejik Avantaja Sahip?</strong></h3><p>BKM verilerine göre Türkiye’de:</p><ul><li>130 milyondan fazla kredi kartı</li><li>195 milyondan fazla banka kartı</li><li>1,6 milyondan fazla POS cihazı</li><li>54 binden fazla ATM</li></ul><p>bulunmaktadır.</p><p>2025 yılında:</p><ul><li>Kartlı ödeme hacmi yaklaşık 1,9 trilyon TL seviyesine ulaşmıştır.</li><li>Kartlı işlem adedi 1,7 milyar seviyesine yaklaşmıştır.</li><li>Mağaza içi işlemlerde temassız ödeme oranı %80&#39;in üzerine çıkmıştır.</li><li>İnternetten yapılan kartlı ödemelerde yıllık büyüme %59 olarak gerçekleşmiştir.</li></ul><p>Bu veriler çok önemli bir gerçeği ortaya koyuyor:</p><blockquote><em>Türkiye artık dijital ödeme dönüşümünün ilk fazını tamamladı. Bir sonraki aşama, yapay zekâ destekli akıllı ödeme sistemleri olacak.</em></blockquote><h3>Türkiye Bu Dönüşümün Neresinde?</h3><p>Türkiye aslında birçok kişinin düşündüğünden daha avantajlı bir konumda bulunmaktadır. Bunun birkaç nedeni var :</p><h4>Güçlü Bankacılık Altyapısı</h4><p>Türk bankacılık sektörü dijital dönüşüm konusunda uzun yıllardır ciddi yatırımlar yapıyor. Mobil bankacılık penetrasyonu oldukça yüksek durumda.</p><h4>FAST ve TR Karekod</h4><p>Merkez Bankası öncülüğünde geliştirilen FAST altyapısı ve TR Karekod standardı, QR tabanlı ödemelerin yaygınlaşması için güçlü bir zemin oluşturmaktadır.</p><h4>Genç ve Mobil Odaklı Nüfus</h4><p>Yeni nesil kullanıcılar kart taşımaktan çok uygulama kullanmaya alışkın durumdalar. Bu da QR tabanlı çözümlerin benimsenme ve yaygınlaşma hızını artırmaktadır.</p><h4>Fintech Ekosistemi</h4><p>Bankalar ve fintech şirketleri arasındaki iş birlikleri giderek artmaktadır. Bu iş birlikleri, yapay zekanın ödeme sistemlerine entegrasyonunu hızlandırabilir. Ancak önümüzde çözülmesi gereken konular da bulunuyor:</p><ul><li>Veri yönetişimi</li><li>Açıklanabilir yapay zeka</li><li>Düzenleyici çerçeveler</li><li>KVKK uyumluluğu</li><li>AI risk yönetimi</li></ul><p>Bu alanlarda erken hareket eden kurumlar önemli avantaj elde edecek.</p><h3><strong>Agentic AI ile Ödeme Yapan Bankacılık Sistemlerinde Risk ve Sorumluluk</strong></h3><p>Agentic AI’ın en heyecan verici tarafı müşteri adına karar verebilmesidir. Ancak bankacılık perspektifinden bakıldığında asıl soru şudur:</p><blockquote><strong>Yapay zekâ müşteri adına ödeme yaparsa sorumluluk kimde olacak?</strong></blockquote><p>Bu soruya verilecek cevap geleceğin regülasyonlarını şekillendirebilir.</p><h4>Senaryo: Akıllı Market Asistanı</h4><p>Müşteri bankasına aşağıdaki talimatı veriyor:</p><blockquote><strong>“Market alışverişlerimde bana en avantajlı ödeme yöntemini seç.”</strong></blockquote><p>Agentic AI şu işlemleri gerçekleştiriyor:</p><ol><li>Hesap bakiyesini kontrol ediyor.</li><li>Kredi kartı kampanyalarını inceliyor.</li><li>Cashback fırsatlarını karşılaştırıyor.</li><li>Kalan aylık bütçeyi hesaplıyor.</li><li>Ödemeyi otomatik tamamlıyor.</li></ol><p>Kullanıcı yalnızca sonucu görüyor. Bu noktada birkaç kritik risk ortaya çıkıyor :</p><h4>Risk 1: Yetki ve Onay Yönetimi</h4><p>Yapay zekânın hangi sınırlar içinde hareket edeceği açık şekilde tanımlanmalıdır.</p><p>Örneğin:</p><ul><li>Günlük maksimum 5.000 TL</li><li>Aylık maksimum 25.000 TL</li><li>Yalnızca market kategorisi</li><li>Yalnızca müşteri tanımlı iş yerleri</li></ul><p>Bu sınırlar ihlal edildiğinde insan onayı devreye girmelidir.</p><h4>Risk 2: Fraud ve Hesap Ele Geçirme</h4><p>Klasik bankacılıkta saldırgan hesabı ele geçirirse para transfer etmeye çalışır.</p><p>Agentic AI dünyasında ise saldırgan:</p><ul><li>Hesabı ele geçirebilir,</li><li>AI ajanının davranışlarını yönlendirebilir,</li><li>Otomatik ödeme kurallarını değiştirebilir.</li></ul><p>Bu nedenle aşağıdaki mekanizmalar kritik hale gelecektir:</p><ul><li>Cihaz Parmak İzi Tanıma</li><li>Davranışsal Biyometri</li><li>Risk Tabanlı Kimlik Doğrulama</li><li>Gerçek Zamanlı Anormallik Tespiti</li></ul><h4>Risk 3: Denetlenebilirlik (Auditability)</h4><p>Bankacılıkta yalnızca doğru karar vermek yeterli değildir.</p><p>Kararın açıklanabilir olması gerekir.</p><p>Müşteri şu soruyu sorabilmelidir:</p><blockquote><strong>“Bu ödeme neden bu karttan gerçekleştirildi?”</strong></blockquote><p>Bankanın da şu cevabı verebilmesi gerekir:</p><blockquote><strong>“AI sistemi bu kartı seçti çünkü %10 cashback kampanyası bulunuyordu, risk skoru düşük seviyedeydi ve müşterinin belirlediği limitler içerisinde kaldı.”</strong></blockquote><p>İşte bu nedenle Autonomous Payments döneminde yalnızca yapay zekâ değil;</p><p><strong><em>Açıklanabilir Yapay Zeka (XAI) + Denetlenebilirlik + Yapay Zeka Yönetişimi</em></strong></p><p>yaklaşımları da bankacılığın temel bileşeni haline gelecektir.</p><h3>Stratejik Mesaj</h3><p>Önümüzdeki dönemde rekabet yalnızca ödeme yapmak üzerine kurulmayacak. Rekabet;</p><ul><li>En hızlı ödemeyi sunmak,</li><li>En güvenli işlemi gerçekleştirmek,</li><li>En doğru öneriyi yapmak,</li><li>Müşteri adına en iyi kararı verebilmek</li></ul><p>üzerine şekillenecek. Bunun için bankaların yalnızca QR kanallarına yatırım yapması yeterli değil.</p><p>Aynı zamanda;</p><ul><li>Veri platformlarını güçlendirmeleri,</li><li>AI modelleri oluşturmaları,</li><li>Agentic AI mimarilerine hazırlanmaları,</li><li>Gerçek zamanlı karar motorlarına yatırım yapmaları</li></ul><p>gerekecek.</p><p>QR kod yalnızca görünen yüzdür. Asıl değer, QR’ın arkasında çalışan zeka katmanındadır.</p><p><strong><em>Geleceğin ödeme sistemlerinde temel soru “Bu işlemi hangi kanaldan gerçekleştireceğiz?” olmayacaktır. Asıl soru “Bu karar hangi finansal stratejiye göre verildi?” olacaktır. Kazanan kurumlar yalnızca ödeme işlemini gerçekleştirenler değil; müşteri hedeflerini anlayan, bu hedefleri gerçek zamanlı olarak yöneten ve aldığı kararları şeffaf şekilde açıklayabilen kurumlar olacaktır.</em></strong></p><h3>Sonuç Olarak: Geleceğin Ödemeleri Görünmez Olacak</h3><p>Bankacılık tarihinin her döneminde müşteri deneyimini basitleştiren teknolojiler kazandı. Şubeden ATM’ye, ATM’den internet bankacılığına, internet bankacılığından mobil uygulamalara uzanan yolculuk bunun en net kanıtı aslında. Şimdi yeni bir kırılma noktasındayız.</p><p>QR teknolojileri, yapay zeka, gerçek zamanlı ödeme altyapıları ve agentic sistemler birleşerek ödemeyi görünür bir eylem olmaktan çıkarıyor. Yakın gelecekte kullanıcılar hangi hesabı kullanacağını, hangi kampanyadan yararlanacağını veya hangi ödeme yönteminin daha avantajlı olduğunu düşünmek zorunda kalmayacak. Bu kararları güvenilir yapay zeka sistemleri verecek.</p><p>Belki de 2030&#39;un en büyük değişimi yeni bir ödeme aracı ortaya çıkması olmayacak.</p><p><strong><em>Asıl değişim, ödeme kararının insan ile makine arasında paylaştırılması olacak.</em></strong></p><p>Ve o gün geldiğinde bankaların başarısı, müşterilerine kaç farklı ödeme yöntemi sunduklarıyla değil; müşterileri adına ne kadar doğru, güvenli ve görünmez karar alabildikleriyle ölçülecek.</p><p><strong>QR’dan Autonomous Payments’a uzanan yolculuk aslında teknolojinin değil, finansal deneyimin yeniden tasarlanma hikâyesidir. Bu dönüşümü yöneten kurumlar geleceğin bankaları olacak.</strong></p><p><strong>Not:</strong> Bu makale; TCMB, BKM, EMVCo, Worldpay, Gartner, Microsoft ve diğer sektörel kaynaklardan elde edilen bilgiler ışığında hazırlanmış olup, geleceğe yönelik değerlendirmeler yazarın kişisel analiz ve öngörülerini içermektedir.</p><h3>Referanslar</h3><p><a href="https://www.emvco.com/emv-technologies/qr-codes/">[1] EMVCo. (n.d.). <em>EMV® QR Codes</em></a><em>.</em></p><p><a href="https://www.emvco.com/knowledge-hub/emv-qr-code-for-payments/">[2] EMVCo. (2021). <em>EMV® QR Code for Payments</em>.</a></p><p><a href="https://www.worldpay.com/en/global-payments-report">[3] Worldpay. (2026). <em>Global Payments Report</em>.</a></p><p><a href="https://www.microsoft.com/ai">[4] Microsoft. (n.d.). <em>Microsoft AI</em>.</a></p><p><a href="https://www.ibm.com/thought-leadership/institute-business-value">[5] IBM Institute for Business Value. (n.d.). <em>Insights and Research</em>.</a></p><p><a href="https://www.deloitte.com/global/en/industries/financial-services.html">[6] Deloitte. (n.d.). <em>Financial Services Industry Insights</em>.</a></p><p>[7] <a href="https://www.accenture.com/en/industries/banking/banking-operations">Accenture. (n.d.). <em>Banking Insights</em>.</a></p><p>[8] <a href="https://www.visa.com/en-us/solutions/visa-protect">Visa. (n.d.). <em>Risk and Identity Solutions</em>.</a></p><p><a href="https://www.mastercardservices.com/">[9] Mastercard. (n.d.). <em>Cyber &amp; Intelligence Solutions</em>.</a></p><p>[10] <a href="https://www.fico.com/en/solutions/card-fraud">FICO. (n.d.). <em>Fraud and Security Solutions</em>.</a></p><p>[11] <a href="https://www.nvidia.com/en-us/solutions/ai/agentic-ai/">NVIDIA. (n.d.). <em>AI for Financial Services</em>.</a></p><p><a href="https://cloud.google.com/financial-services">[12] Google Cloud. (n.d.). <em>Financial Services Solutions</em>.</a></p><p><a href="https://www.gartner.com/en/industries/financial-services">[13] Gartner. (n.d.). <em>Financial Services Research</em>.</a></p><p><a href="https://fast.tcmb.gov.tr/">[14] Türkiye Cumhuriyet Merkez Bankası. (n.d.). <em>FAST: Fonların Anlık ve Sürekli Transferi</em>.</a></p><p><a href="https://odemelerinmerkezi.org/">[15] Türkiye Cumhuriyet Merkez Bankası. (n.d.). <em>Ödemelerin Merkezi</em>.</a></p><p><a href="https://www.bkm.com.tr/">[16] Bankalararası Kart Merkezi. (n.d.). <em>Bankalararası Kart Merkezi</em>.</a></p><p><a href="https://bkm.com.tr/secilen-aya-ait-istatistikler/">[17] Bankalararası Kart Merkezi. (n.d.). <em>Seçilen Aya Ait İstatistikler</em>.</a></p><p><a href="https://www.tcmb.gov.tr/wps/wcm/connect/TR/TCMB+TR/Main+Menu/Istatistikler/Parasal+ve+Finansal+Istatistikler/Banka+ve+Kredi+Karti+Sektorel+Harcama+Istatistikleri/">[18] Türkiye Cumhuriyet Merkez Bankası. (n.d.). <em>Banka ve Kredi Kartı Sektörel Harcama İstatistikleri</em>.</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8150e2ce1ff2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/qrdan-autonomous-payments-a-yapay-zeka-bankac%C4%B1l%C4%B1kta-son-kullan%C4%B1c%C4%B1-deneyimini-nas%C4%B1l-yeniden-8150e2ce1ff2">QR’dan Otonom Ödemelere: Yapay Zeka Bankacılıkta Son Kullanıcı Deneyimini Nasıl Yeniden Tanımlıyor?</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Agent’lar Nasıl Konuşur? MCP ve A2A ile Kurumsal Agentic AI Mimarisi]]></title>
            <link>https://medium.com/fiba-tech-lab/agentlar-nas%C4%B1l-konu%C5%9Fur-mcp-ve-a2a-ile-kurumsal-agentic-ai-mimarisi-87d5293aca25?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/87d5293aca25</guid>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[model-context-protocol]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[backend-development]]></category>
            <dc:creator><![CDATA[Furkan Karagöz]]></dc:creator>
            <pubDate>Mon, 05 Oct 2026 06:43:44 GMT</pubDate>
            <atom:updated>2026-10-05T06:43:43.665Z</atom:updated>
            <content:encoded><![CDATA[<p><em>MCP’nin stateless mimariye geçişi ve A2A v1.0 ile olgunlaşan standart yığınının kurumsal entegrasyonlara etkisi.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jcmmMKSvwALfHcoBJE0JQA.png" /></figure><h3>Entegrasyon karmaşıklığı ve standartlaşma ihtiyacı</h3><p>Kurumsal yazılım geliştirmede entegrasyon uzun süredir maliyetli bir alandır. Her sistem için ayrı bir adaptör, ayrı bir kimlik doğrulama akışı ve ayrı bir hata yönetimi geliştirmek gerekir. Büyük dil modeli (LLM) tabanlı agent’ların yaygınlaşmasıyla bu sorun yeni bir biçimde ortaya çıktı: her model sağlayıcısı, geliştirme çerçevesi (framework) ve araç için ayrı araç çağırma (tool calling) entegrasyonları yazılmaya başlandı. N agent ve M sistemin bulunduğu bir ortamda bu yaklaşım N×M entegrasyon anlamına gelir.</p><p>Anthropic’in Kasım 2024&#39;te açık bir standart olarak tanıttığı Model Context Protocol (MCP), bu soruna ortak bir arayüz önermek amacıyla geliştirildi [1]. 2026 itibarıyla ekosistem, tekil protokollerden ziyade farklı problemleri çözen katmanlı ve açık bir standart yığını etrafında şekillenmektedir.</p><p>Bu yazıda söz konusu yığının iki temel bileşeni olan <strong>MCP</strong> ve <strong>A2A (Agent2Agent)</strong> protokollerini ele alıyoruz. Protokollerin son sürümlerindeki değişiklikleri, birlikte kullanım senaryolarını ve canlı ortama (production) geçişte dikkate alınması gereken kriterleri değerlendiriyoruz.</p><h3>Agentic AI yığınının katmanlı yapısı</h3><p>Protokol seçimini doğrudan etkileyen gelişmelerden biri yönetişim tarafında yaşandı. Linux Foundation, 9 Aralık 2025&#39;te Agentic AI Foundation’ı (AAIF) kurdu; vakfın kuruluş projeleri Anthropic’in MCP’si, Block’un goose’u ve OpenAI’nin AGENTS.md’siydi [2]. Aynı duyuruda AGENTS.md’nin 60.000&#39;den fazla açık kaynak proje tarafından benimsendiği belirtildi [2].</p><p>Vakfa 4 Haziran 2026&#39;da MCP, A2A, LLM çıkarımı ve API trafiği için geliştirilmiş, Apache 2.0 lisanslı agentgateway katıldı. Google kaynaklı A2A protokolü ise 17 Ağustos 2026&#39;da vakfın barındırdığı projeler arasına dahil oldu [3].</p><p>AAIF, bu projeleri tek bir yığının birbirini tamamlayan katmanları olarak tanımlamaktadır [4]:</p><ul><li><strong>AGENTS.md</strong> — Talimat ve bağlam katmanı: projeye ait kuralları ve çalışma prensiplerini agent’lara iletir.</li><li><strong>goose</strong> — Çalışma zamanı (runtime) katmanı: agent’ın akıl yürüttüğü, plan oluşturduğu ve görevleri yürüttüğü ortamdır.</li><li><strong>MCP</strong> — Bağlantı katmanı: araçlara ve veri kaynaklarına erişimi standartlaştırır.</li><li><strong>agentgateway</strong> — Sınır katmanı: yönlendirme, politika uygulama ve gözlemlenebilirliği yönetir.</li><li><strong>A2A</strong> — Agent’lar arası birlikte çalışabilirlik katmanıdır.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*gnowybsHCTnOM0i7JJ-nhQ.png" /><figcaption>Şekil 1. Beş katmanlı agent yığını</figcaption></figure><p>Şekil 1&#39;deki bu yapı, MCP ve A2A’nın birbirine alternatif değil, birbirini tamamlayan protokoller olduğunu ortaya koymaktadır. İki protokolün aynı vakıf çatısı altında yer alması spesifikasyonlarını birleştirmemiştir: MCP, AI uygulamalarını araç ve veri kaynaklarına bağlarken A2A bağımsız agent’lar arasındaki iletişimi standartlaştırır [5]. A2A, bu tarih itibarıyla 150&#39;den fazla kuruluş tarafından desteklenmektedir [5].</p><p>Özetle MCP, bir agent’ın dış sistemler üzerinde işlem yapmasını; A2A ise agent’ların birbirleriyle görev paylaşmasını sağlayan katmandır.</p><h3>Model Context Protocol (MCP)</h3><p>MCP, istemci-sunucu modeline dayanır. Ana uygulama (host) içinde çalışan <strong>istemci</strong> (client), bir veya daha fazla <strong>MCP sunucusu</strong> (server) ile bağlantı kurar. Sunucular üç tür yetenek sunar: <strong>tools</strong> (çağrılabilir fonksiyonlar), <strong>resources</strong> (okunabilir veri) ve <strong>prompts</strong> (yeniden kullanılabilir şablonlar).</p><p>Protokolün benimsenme düzeyi deneysel kullanımın ötesine geçmiş durumdadır. Tier 1 SDK’larda aylık indirme sayısı yaklaşık yarım milyara ulaşmış; TypeScript ve Python SDK’larının her biri toplamda 1 milyar indirmeyi aşmıştır [6]. Gözlemlenebilirlik platformu Honeycomb, aylık etkileşimli sorgularının yaklaşık %20&#39;sinin agent’lar tarafından yapıldığını paylaşmıştır [6].</p><h3>Stateless mimariye geçiş</h3><p>28 Temmuz 2026&#39;da yayımlanan spesifikasyon; stateless bir protokol çekirdeği, Multi Round-Trip Requests, başlık (header) tabanlı yönlendirme, önbelleğe alınabilir liste sonuçları, güçlendirilmiş yetkilendirme ve resmi bir eklenti çerçevesi (extension framework) içermektedir [6].</p><p>Bu revizyondaki en kapsamlı değişiklik stateless mimariye geçiştir; protokolün 2024&#39;teki çıkışından bu yana yapılan en köklü yapısal düzenleme budur [7].</p><p>Revizyonla öne çıkan diğer iki bileşen şunlardır [10]:</p><ul><li><strong>MCP Apps:</strong> Sunucuların, host tarafından yalıtılmış (sandbox) bir iframe içinde gösterilen etkileşimli HTML arayüzleri sunmasına olanak tanır. Araçlar arayüz (UI) şablonlarını önceden bildirdiği için host bu şablonları çalıştırmadan önce önbelleğe alabilir ve güvenlik denetiminden geçirebilir. Böylece agent’lar yanıtlarını metinle sınırlı kalmadan form, grafik veya tablo biçiminde sunabilir.</li><li><strong>Tasks:</strong> Uzun süreli işlemler için tasarlanmıştır. Sunucu, tools/call isteğine bir görev tanıtıcısı (task handle) ile yanıt verebilir; istemci görevi tasks/get, tasks/update ve tasks/cancel çağrılarıyla yönetir. Bu özellik çekirdek spesifikasyondan çıkarılarak bir eklenti (extension) olarak yeniden yapılandırılmıştır.</li></ul><p>Stateful modelde bir oturum, istemcinin initialize isteğiyle başlar. Sunucu bu aşamada bir session ID döner ve sonraki her istek bu kimlikle ilişkilendirilir. Protokol seviyesinde tutulan bu durum, sunucunun her istemci için bellekte bağlam saklamasını gerektirir.</p><p>Yeni revizyonda hem initialize isteği hem de protokol seviyesindeki oturum kaldırılmıştır; her istek kendi kimlik bilgisini ve parametrelerini taşıyarak bağımsız hale gelmiştir [7].</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rgAP-OJX8WPyWyEewnYsFA.png" /><figcaption>Şekil 2. Stateful ve Stateless MCP akışı</figcaption></figure><p>Şekil 2&#39;de görüldüğü gibi stateful modelde istemci oturum boyunca aynı sunucuya bağlı kalır; stateless modelde her istek bağımsız olduğu için yük dengeleyici (load balancer) arkasındaki herhangi bir sunucu tarafından karşılanabilir.</p><p>Değişikliğin gerekçesi operasyoneldir. Protokolün ilk tasarımı yerel geliştirme ortamları gözetilerek yapılmıştı; sunucular buluta taşınıp çok istemcili kurumsal senaryolarda kullanılmaya başlandığında bu tasarım ölçeklenebilirlik sorunlarına yol açtı [8]. Oturum durumu bellekte tutulduğu sürece istemcinin her seferinde aynı sunucu örneğine yönlendirilmesi, yani oturum yapışkanlığı (sticky session) yapılandırması gerekiyordu. Bu da yatay ölçeklemeyi, kademeli dağıtımı (rolling deployment) ve sunucu örneklerinin serbestçe sonlandırılmasını zorlaştırıyordu.</p><p>Pratik sonucu şudur: uzak bir MCP sunucusu artık standart bir HTTP iş yükünden farksızdır ve kurumların API’leri için hâlihazırda kullandığı altyapı üzerinde çalıştırılabilir [9]. Mevcut yük dengeleyici, otomatik ölçekleme ve gözlemlenebilirlik yapınızı olduğu gibi kullanabilirsiniz. Buna karşılık bu değişiklik geriye dönük uyumlu değildir; eski istemcilerle yeni sunucular her senaryoda birlikte çalışmayabilir [8]. Geçişi planlarken bu noktayı göz önünde bulundurun.</p><h3>Örnek uygulama: Basit bir MCP sunucusu</h3><p>Python SDK v2 ile basit bir sipariş sorgulama sunucusu:</p><pre># pip install &quot;mcp[cli]&gt;=2&quot;<br>from mcp.server import MCPServer<br><br>mcp = MCPServer(&quot;siparis-servisi&quot;)<br><br><br>@mcp.tool()<br>def siparis_durumu(siparis_no: str) -&gt; dict:<br>    &quot;&quot;&quot;Verilen sipariş numarasının güncel durumunu döndürür.&quot;&quot;&quot;<br>    # Gerçek hayatta: ERP / veritabanı çağrısı<br>    return {&quot;siparis_no&quot;: siparis_no, &quot;durum&quot;: &quot;kargoda&quot;}<br><br><br>if __name__ == &quot;__main__&quot;:<br>    mcp.run(transport=&quot;streamable-http&quot;)</pre><p>Fonksiyon parametrelerindeki tür belirteçleri (type hints) otomatik olarak aracın giriş şemasına dönüştürülür. Belge dizesi (docstring) ise modelin aracı hangi durumda kullanacağına karar verirken dikkate aldığı açıklamadır. Bu nedenle belge dizelerinin açık ve kapsamlı yazılması, aracın doğru kullanılması açısından belirleyicidir.</p><p>Sunucuyu uv run mcp dev server.py komutuyla çalıştırdığınızda MCP Inspector açılır; araçları listeleyip parametre girerek elle test edebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Nq0ir2JtJXwVvXXbdC9WLA.gif" /><figcaption>Şekil 3. MCP Inspector üzerinde araç (tool) çağrısı</figcaption></figure><p>Şekil 3&#39;te MCP Inspector arayüzü görülüyor. Sağdaki panelde çağrının protokol seviyesindeki karşılığı, yani tools/call isteği ve dönen yanıt izlenebilir.</p><p><strong>Sürüm geçişi notu:</strong> SDK v1&#39;den geçiş yapan projelerde FastMCP sınıfı MCPServer olarak yeniden adlandırılmış, mcp.server.fastmcp.* altındaki modüller mcp.server.mcpserver.* altına taşınmıştır [11]. Sürümü sabitlenmemiş bağımlılıklar veya yeniden oluşturulan konteyner (container) imajları yeni major sürümü beklenmedik şekilde çekebileceğinden, bağımlılıkların sabitlenmesi önerilir [12]. v2 SDK, aynı sunucu üzerinden hem 2025 hem de 2026 revizyonunu kullanan istemcilere ek yapılandırma gerektirmeden hizmet verebilmektedir [11].</p><h3>Agent2Agent (A2A) Protokolü</h3><p>MCP, bir agent’ın araçlara erişimini standartlaştırır. Farklı ekipler, farklı geliştirme çerçeveleri veya farklı kurumlar tarafından geliştirilmiş agent’ların birbirleriyle görev paylaşması ise ayrı bir problemdir; A2A bu problemi ele alır.</p><p>Google, A2A protokolünü 9 Nisan 2025&#39;te duyurmuş; protokolün ilk kararlı ve canlı ortama hazır sürümü olan v1.0 Mart 2026&#39;da yayımlanmıştır [13]. Bu süreçte IBM’in Agent Communication Protocol’ü (ACP), Ağustos 2025&#39;te A2A ile birleşmiştir [14].</p><p>A2A üç temel kavram üzerine kuruludur:</p><ol><li><strong>Agent Card:</strong> Agent’ın yeteneklerini (skills), desteklediği kimlik doğrulama yöntemlerini ve erişim bilgilerini tanımlayan JSON belgesidir. Genellikle /.well-known/agent-card.json adresinde yayınlanır.</li><li><strong>Task:</strong> Agent’lar arasında devredilen iş birimidir; submitted, working, input-required, completed ve failed gibi durumlardan oluşan bir yaşam döngüsüne sahiptir.</li><li><strong>Message ve Artifact:</strong> Agent’lar arasındaki mesajları ve görev sonucunda üretilen çıktıları temsil eder.</li></ol><p>Aşağıda sadeleştirilmiş bir Agent Card örneği yer almaktadır:</p><pre>{<br>  &quot;name&quot;: &quot;Finans Onay Agent&quot;,<br>  &quot;description&quot;: &quot;İade ve ödeme taleplerini kurum politikalarına göre değerlendirir.&quot;,<br>  &quot;version&quot;: &quot;1.2.0&quot;,<br>  &quot;capabilities&quot;: { &quot;streaming&quot;: true, &quot;pushNotifications&quot;: true },<br>  &quot;skills&quot;: [<br>    {<br>      &quot;id&quot;: &quot;iade-onayi&quot;,<br>      &quot;name&quot;: &quot;İade onayı&quot;,<br>      &quot;description&quot;: &quot;Tutar ve müşteri geçmişine göre iade talebini onaylar veya reddeder.&quot;,<br>      &quot;tags&quot;: [&quot;finans&quot;, &quot;iade&quot;]<br>    }<br>  ]<br>}</pre><p><em>Not: Bu örnek anlatım amacıyla sadeleştirilmiştir. v1.0 ile Agent Card yapısı yeniden düzenlenmiştir; canlı ortamda (production) resmi şema esas alınmalıdır.</em></p><p>v1.0 sürümüyle gelen en önemli kurumsal özellik güven katmanıdır. Signed Agent Cards ile agent kimlikleri kriptografik olarak doğrulanabilmekte, spesifikasyon da yaygın yük dengeleme ve güvenlik kalıplarıyla uyumlu hale getirilmiştir [13]. Agent kimliğinin doğrulanabilmesi, kurumlar arası agent iletişiminin temel ön koşuludur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*AZFax51L0FEIrbiqVUy38g.png" /><figcaption>Şekil 4. A2A task yaşam döngüsü</figcaption></figure><p>Şekil 4&#39;te görüldüğü gibi görev, ek bilgi gerektiğinde input-required durumuna geçerek istemciden yanıt bekleyebilir. Bu özellik, uzun süreli agent işlemlerini senkron API çağrılarından ayıran temel farktır.</p><h3>Birlikte kullanım: Örnek bir kurumsal senaryo</h3><p>Bir e-ticaret şirketinde müşterinin sohbet asistanı üzerinden iade talebinde bulunduğu senaryoyu ele alalım.</p><ol><li><strong>Müşteri Hizmetleri Agent’ı</strong> (orkestratör) talebi alır ve <strong>MCP</strong> üzerinden CRM sunucusuna bağlanarak müşteri ve sipariş bilgilerini sorgular.</li><li>İade tutarı tanımlı eşiğin üzerinde olduğundan onay gerekir. Orkestratör, finans ekibi tarafından farklı bir geliştirme çerçevesiyle (framework) geliştirilmiş <strong>Finans Onay Agent’ının</strong> Agent Card’ını keşfeder ve <strong>A2A</strong> üzerinden bir görev iletir.</li><li>Finans Onay Agent’ı, kendi MCP sunucuları aracılığıyla ERP sistemine ve dolandırıcılık skorlama (fraud scoring) servisine erişir; kararını bir artifact olarak iletir.</li><li>Onayın ardından orkestratör, <strong>MCP</strong> üzerinden kargo firmasının API’sinde iade etiketi oluşturur ve etiketi müşteriye bir <strong>MCP App</strong> arayüzüyle sunar.</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t4u0KkTmLPl9l3G8jeo3Wg.png" /><figcaption>Şekil 5. İade senaryosunda MCP ve A2A akışı</figcaption></figure><p>Bu senaryodaki temel mimari ilke, orkestratörün Finans Onay Agent’ının iç yapısına erişmemesidir. Orkestratör; karşı tarafın kullandığı modeli, araçları veya istemleri (prompt) bilmez, yalnızca Agent Card’da tanımlanan sözleşmeye dayanır. “Opak agent” olarak adlandırılan bu yaklaşım, ekiplerin agent’larını birbirinden bağımsız geliştirip dağıtabilmesini sağlar ve mikroservis mimarisindeki servis sınırı ilkesiyle örtüşür.</p><h3>Protokol seçimi için karar kriterleri</h3><p><strong>Ne zaman hangisi tercih edilmeli?</strong></p><ul><li><strong>MCP</strong> — Agent’ın bir veritabanına, API’ye veya dosya sistemine erişmesi gerekiyorsa.</li><li><strong>MCP Aracı (Tool)</strong> — Deterministik bir işlem (hesaplama, sorgu, CRUD) agent’a açılacaksa.</li><li><strong>A2A</strong> — Kendi akıl yürütme sürecine sahip, başka bir ekibe ait agent’a görev devredilecekse.</li><li><strong>A2A (task yaşam döngüsü)</strong> — Karşı taraf uzun sürebilen ve ara adımlarda ek bilgi talep edebilen bir süreç yürütüyorsa.</li><li><strong>Yalnızca MCP</strong> — Tek ekip, tek agent ve sınırlı sayıda araç varsa.</li></ul><p>Sık karşılaşılan hatalı tasarımlardan biri, birden fazla agent’ı koordine eden kapsamlı bir MCP sunucusu geliştirmektir. Sunucunun arkasında kendi akıl yürütme sürecine sahip bir agent bulunuyorsa, bu bileşen bir araç (tool) değil eşdüzey bir agent’tır (peer) ve A2A ile modellenmelidir.</p><p>Öte yandan her senaryo çok agent’lı bir mimari gerektirmez. Çok agent’lı sistemler (multi-agent) hata ayıklama, maliyet ve yanıt süresi açısından ek karmaşıklık getirir. Tek bir agent ve iyi tasarlanmış MCP araçlarıyla başlamak, sahiplik veya uzmanlık sınırları netleştiğinde A2A’ya geçmek daha sürdürülebilir bir yaklaşımdır.</p><h3>Peki bankada bu mimariyi tasarlasaydık?</h3><p>Buraya kadarki kriterler protokol düzeyinde geçerli. Ancak bir mimarinin değeri, düzenlemeye tabi ve hata maliyeti yüksek bir kurumda nasıl davrandığıyla ölçülür.</p><p>Bu nedenle tartışmayı bankacılık örneği üzerinden somutlaştırmak istiyorum; aşağıdaki değerlendirme teknik bir kılavuz değil, şu ana kadar edindiğim deneyimlerden yola çıkan bir yorumdur.</p><p>İlk fazda MCP ile yalnızca okuma ağırlıklı ve düzenleyici açıdan düşük riskli alanları açardım: müşteri profilinin tutulduğu CRM, ürün ve kampanya kataloğu, kur ve faiz servisleri, kurum içi prosedür dokümantasyonu ve çağrı geçmişi. Bu sistemlerin ortak yanı, agent’ın bir karar vermemesi, yalnızca dağınık bilgiyi bir araya getirmesidir.</p><p>Buradaki asıl tasarım kararı hangi sistemin açılacağı değil, aracın ne kadar geniş tanımlanacağıdır. core_banking_query(sql) gibi genel amaçlı bir araç, yetki sınırını modelin muhakemesine bırakır. musteri_urunleri_getir(musteri_no)gibi dar bir araç ise hem yetkiyi kodda sabitler hem de modelin doğru aracı seçme olasılığını artırır.</p><p>Randevu veya itiraz kaydı gibi yazma yetkisi gerektiren işlemleri ikinci faza bırakır, bu araçların işlemi tamamlamak yerine mevcut iş akışına yalnızca bir talep düşürmesini sağlardım.</p><p>A2A’yı ise ancak organizasyonel bir sınırı aşmak gerektiğinde devreye alırdım. Bankada bu sınırlar zaten mevcuttur: kredi tahsis, uyum ve dolandırıcılık izleme ekipleri farklı sahiplere, farklı risk iştahına ve çoğu zaman farklı teknoloji yığınlarına sahiptir.</p><p>Müşteri asistanının kredi ön değerlendirmesini doğrudan yapması yerine, tahsis ekibinin geliştirdiği agent’a A2A üzerinden görev iletmesi bu yüzden anlamlıdır. Tahsis agent’ı kendi MCP sunucularıyla skorlama ve teminat servislerine erişir, kararını artifact olarak döner.</p><p>Buradaki kazanç teknik olmaktan çok kurumsaldır: tahsis ekibi kendi eşiklerini ve kurallarını, karşı ekibe hiçbir şey açmadan güncelleyebilir. Yazının başında değindiğimiz opak agent ilkesi, denetime tabi bir kurumda yalnızca bir mimari tercih değil, sorumluluk sınırlarının korunması anlamına gelir.</p><p>Uyum birimiyle yürütülen süreçleri de aynı şekilde modellerdim. Bu süreçler günlerce sürebildiği ve ara adımda ek belge talep edebildiği için, task yaşam döngüsündeki input-required durumu doğal bir karşılık sunar.</p><blockquote><strong><em>Asıl mimari olgunluk, agent’ın nerede kullanılmayacağına karar vermekte ortaya çıkıyor.</em></strong></blockquote><p>Para transferinin fiilen gerçekleştirilmesi, limit tahsisi, faiz belirleme ve hesap kapatma gibi işlemleri agent’a açmazdım. Bunlar yıllardır kural motorları ve iş akışı sistemleriyle çözülmüş, deterministik olması gereken problemlerdir; araya olasılıksal bir katman koymanın getirisi sınırlı, denetim maliyeti yüksektir. Agent bu noktada bilgiyi toplayıp kullanıcıya sunar, işlemi mevcut sistem yapar.</p><p>Aynı şey, mevzuat gereği gerekçesi birebir gösterilmesi gereken kararlar için de geçerlidir. Bir kredi başvurusunun neden reddedildiğini denetçiye satır satır açıklayamıyorsanız, o kararı bir dil modeline bırakamazsınız.</p><p>Günde milyonlarca kez çalışan mutabakat işleri gibi yüksek hacimli ve sabit şablonlu süreçlerde de tercihim agent değil, sıradan bir toplu işlem (batch) süreci olurdu; burada maliyet ve gecikme tek başına belirleyicidir.</p><p>Son olarak bu mimariyi tek seferde kurmaya çalışmazdım. Çağrı merkezi destek senaryosunda tek bir agent ve sınırlı sayıda okuma aracıyla başlar, ağ geçidi (gateway) ve gözlemlenebilirlik katmanını ilk günden konumlandırırdım. Yazma yetkili araçlar, insan onayı adımıyla birlikte ikinci fazda devreye girerdi. A2A ise ancak ikinci bir ekip kendi agent’ını geliştirdiğinde anlam kazanır.</p><h3>Canlı ortam (production) için değerlendirme kriterleri</h3><ul><li><strong>Yetkilendirme:</strong> MCP’nin son sürüm döngüsünde ihraççı (issuer) doğrulaması, ihraççıya bağlı istemci kimlik bilgileri ve tercih edilen kayıt yöntemi olarak Client ID Metadata Documents (CIMD) eklenmiştir. Enterprise-Managed Authorization da kararlı bir eklenti (extension) olarak kullanılabilmektedir [9]. Kurumsal SSO entegrasyonunun bu yapı üzerinden planlanması önerilir.</li><li><strong>En az yetki ilkesi:</strong> run_sql(query) gibi genel amaçlı araçlar yerine siparis_getir(siparis_no) gibi amaca özel araçlar tercih edilmelidir. Araç çıktılarına gömülü zararlı talimatlar (indirect prompt injection) ciddi bir risk oluşturduğundan, yazma yetkisine sahip araçlarda insan onayı adımı bulunmalıdır.</li><li><strong>Ağ geçidi (Gateway) katmanı:</strong> Agent trafiği servislere doğrudan açılmamalı; hız sınırlama (rate limiting), politika uygulama, denetim kaydı (audit log) ve gözlemlenebilirlik tek bir noktada yönetilmelidir. AAIF bünyesindeki agentgateway bu ihtiyaca yönelik geliştirilmiştir [3].</li><li><strong>Gözlemlenebilirlik:</strong> Birden fazla agent ve servis üzerinden geçen akışlarda uçtan uca izleme olmadan hata ayıklamak mümkün değildir. OpenTelemetry ile dağıtık izleme (distributed tracing) kurulması önerilir.</li><li><strong>Sürüm uyumluluğu:</strong> MCP’de her özellik Active, Deprecated ve Removed aşamalarından geçer; kullanımdan kaldırma ile kaldırılma arasında en az 12 ay bulunur [10]. Bununla birlikte 2026-07-28 revizyonunu kullanan sunucular eski istemcilerle (ve tersi) uyumlu çalışmayabilir [8]. Bağımlılıkların sabitlenmesi ve geçişin planlı yapılması gerekir.</li></ul><h3>Sonuç</h3><p>Agentic AI alanındaki tartışmanın odağı, geliştirme çerçevesi seçiminden hangi katmanda hangi açık standardın kullanılacağına kaymıştır. Mevcut tablo; araç ve veri erişimi için MCP, agent’lar arası iş birliği için A2A ve bunları tamamlayan talimat, çalışma zamanı ve ağ geçidi katmanlarından oluşan bir mimariye işaret etmektedir.</p><p>Kurumsal ekipler için önerimiz, yeni geliştirilecek agent entegrasyonlarının bu standartlarla uyumlu tasarlanmasıdır. Başlangıç olarak kritik bir iç sistem üzerinde küçük kapsamlı bir MCP sunucusu geliştirmek, ekipler arası agent iş birliği ihtiyacı ortaya çıktığında ise A2A’yı değerlendirmek makul bir yol haritası sunmaktadır.</p><h3>Kaynaklar</h3><p>[1] Anthropic. “<a href="https://www.anthropic.com/news/model-context-protocol">Introducing the Model Context Protocol</a>.” Anthropic News &amp; Announcements, 2024.</p><p>[2] The Linux Foundation. “<a href="https://www.linuxfoundation.org/press/linux-foundation-announces-the-formation-of-the-agentic-ai-foundation">Linux Foundation Announces the Formation of the Agentic AI Foundation (AAIF)</a>.” Linux Foundation Press Release, 2025.</p><p>[3] Nerd Level Tech. “<a href="https://nerdleveltech.com/a2a-protocol-joins-agentic-ai-foundation">A2A Joins AAIF: The 2026 Agent Protocol Consolidation</a>.” Nerd Level Tech, 2026.</p><p>[4] Pebblous. “<a href="https://blog.pebblous.ai/blog/a2a-mcp-agentic-ai-foundation-authorization/en/">A2A Joins MCP at the Agentic AI Foundation</a>.” Pebblous Blog, 2026.</p><p>[5] Quasa. “<a href="https://quasa.io/insights/a2a-joins-the-agentic-ai-foundation-mcp-still-solves-a-different-problem">A2A Joins AAIF, While MCP Retains a Different Role</a>.” Quasa Insights, 2026.</p><p>[6] Soria Parra, D., Delimarsky, D. “<a href="https://blog.modelcontextprotocol.io/posts/2026-07-28/">The 2026-07-28 Specification</a>.” Model Context Protocol Blog, 2026.</p><p>[7] 4sysops. “<a href="https://4sysops.com/archives/2026-07-28-model-context-protocol-mcp-stateless-multi-round-trip-routable-headers-authorization-hardening/">2026-07-28 Model Context Protocol (MCP): Stateless, Multi-Round-Trip, Routable Headers, Authorization Hardening</a>.” 4sysops, 2026.</p><p>[8] The Register. “<a href="https://www.theregister.com/devops/2026/07/23/model-context-protocol-prepares-to-break-with-its-stateful-past/5276722">Model Context Protocol Prepares to Break with Its Stateful Past</a>.” The Register, 2026.</p><p>[9] Soria Parra, D., Delimarsky, D. “<a href="https://blog.modelcontextprotocol.io/posts/mcp-roadmap/">The New MCP Roadmap</a>.” Model Context Protocol Blog, 2026.</p><p>[10] Model Context Protocol. “<a href="https://blog.modelcontextprotocol.io/posts/2026-07-28-release-candidate/">The 2026-07-28 MCP Specification Release Candidate</a>.” Model Context Protocol Blog, 2026.</p><p>[11] Model Context Protocol. “<a href="https://py.sdk.modelcontextprotocol.io/whats-new/">What’s New in v2</a>.” MCP Python SDK Documentation, 2026.</p><p>[12] FastMCP. “<a href="https://gofastmcp.com/getting-started/upgrading/from-mcp-sdk-v1">Upgrading from the MCP SDK v1</a>.” FastMCP Documentation, 2026.</p><p>[13] Google Open Source. “<a href="https://opensource.googleblog.com/2026/04/a-year-of-open-collaboration-celebrating-the-anniversary-of-a2a.html">A Year of Open Collaboration: Celebrating the Anniversary of A2A</a>.” Google Open Source Blog, 2026.</p><p>[14] DEV Community. “<a href="https://dev.to/pockit_tools/mcp-vs-a2a-the-complete-guide-to-ai-agent-protocols-in-2026-30li">MCP vs A2A: The Complete Guide to AI Agent Protocols in 2026</a>.” DEV Community, 2026.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=87d5293aca25" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/agentlar-nas%C4%B1l-konu%C5%9Fur-mcp-ve-a2a-ile-kurumsal-agentic-ai-mimarisi-87d5293aca25">Agent’lar Nasıl Konuşur? MCP ve A2A ile Kurumsal Agentic AI Mimarisi</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Ölü İnternet Çağında Bankacılık: Finansın Dijital Geleceğinde İnsan Nerede?]]></title>
            <link>https://medium.com/fiba-tech-lab/%C3%B6l%C3%BC-i%CC%87nternet-%C3%A7a%C4%9F%C4%B1nda-bankac%C4%B1l%C4%B1k-finans%C4%B1n-dijital-gelece%C4%9Finde-i%CC%87nsan-nerede-80a7dd45deb4?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/80a7dd45deb4</guid>
            <category><![CDATA[banking]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[dead-internet-theory]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[finance]]></category>
            <dc:creator><![CDATA[Osman Balli]]></dc:creator>
            <pubDate>Mon, 28 Sep 2026 07:03:43 GMT</pubDate>
            <atom:updated>2026-09-28T07:03:42.091Z</atom:updated>
            <content:encoded><![CDATA[<p>Sosyal medyada gezinirken karşınıza çıkan o aşırı popüler videonun, altındaki binlerce hararetli yorumun ve onları beğenen profillerin aslında hiçbir zaman var olmadığını düşünün. “Ölü İnternet Teorisi” (Dead Internet Theory), günümüz internetinin -özellikle sosyal medya platformlarının- artık organik ve insan odaklı bir yapıdan çıkarak, ağırlıklı olarak yapay zeka tarafından üretilen içerikler, otomatik botlar ve algoritmalar tarafından domine edilen bir ekosisteme dönüştüğünü öne sürer (Cheemalapati vd., 2026). Bu teoriye göre, sosyal ağlarda gördüğümüz beğeni, yorum, paylaşım ve hatta içerik üretimlerinin büyük bir kısmı, insan davranışını taklit etmek üzere tasarlanmış yapay zeka ajanları tarafından gerçekleştirilmektedir (Muzumdar vd., 2025). Ancak bu kavram, kelimenin fiziksel anlamıyla internetin yok olduğunu iddia eden somut bir hipotezden ziyade; insanların dijital alanlardaki failliğinin, gerçekçi etkileşimlerin ve dijital güvenin şeffaf olmayan algoritmalar ile kontrolsüz otomasyonlar içerisinde yitip gitmesine dikkat çeken güçlü bir sosyoteknik tanı ve etik eleştiri metaforudur (Walter, 2024). Yani bilimsel olarak doğrulanmış bir teori değildir. Bu yazıda da Ölü İnternet Teorisi’nin gerçekliği kanıtlanmış bir olgu olduğu varsayılmamaktadır. Bunun yerine teori, yapay zekâ ve otomasyonun dijital etkileşimlerde insan faaliyetinin yerini giderek daha fazla alması ihtimalini düşünmek için bir düşünce deneyi olarak ele alınmakta ve bu perspektif finans sektörüne taşınmaktadır.</p><p>Burada amaç, bilimsel olarak doğrulanmamış bir teoriyi finans sektörüne doğrudan uyarlamak değil; teorinin işaret ettiği insan-sonrası dijital etkileşim senaryosunu finansal hizmetler bağlamında düşünmektir. Peki, bu distopik metafor sadece sosyal medya akışlarından mı ibaret? Kafamızı ekrandan kaldırıp her gün etkileşime girdiğimiz dijital finans dünyasına baktığımızda, durumun çok daha derin ve yapısal bir boyut kazandığını görüyoruz. Dijital hayaletler artık sadece yapay “beğeni” toplamıyor; paramızı yönetiyor, kredi notumuzu belirliyor ve finans sektörünü sessizce ele geçiriyor. Küresel finans ekosistemindeki bu dönüşüm, insan dokunuşunun giderek soyutlandığı olası bir yeni evreyi, -burada “Ölü Bankacılık” olarak adlandıracağım-, insan ile finansal kurum arasındaki etkileşimin giderek yapay ajanlar tarafından yürütüldüğü olası bir senaryoyu gündeme getiriyor.</p><p>Eski bankacılık ritüellerini hatırladığımızda; şubeye gitmek, sıra beklemek ve sizi adınızla tanıyan bir müşteri temsilcisiyle göz teması kurarak el sıkışmak gibi insani detaylar güvenin temelini oluştururdu. Bugün mobil bankacılık uygulamasını açtığımızda karşılaştığımız manzara ise tamamen farklı bir gerçeklik sunuyor. Bir sorunla karşılaştığımızda beliren o “yardımsever dijital asistanlar” (chatbotlar), insani etkileşimin algoritmik bir simülasyonunu sunuyor. Teknolojik dönüşümün ulaştığı son aşamada, gelişmiş Büyük Dil Modellerinin (LLM) sunduğu görev otomasyonu ve akıllı planlama yetenekleri sayesinde tüketiciler; karmaşık sorunları alt görevlere bölüp çözebilen ve kendi yansıtma (reflection) mekanizmalarına sahip olan kişisel yapay zeka ajanlarını (AI Agents) gündelik ve profesyonel yaşamlarına entegre etmeye başlıyor (Chu vd., 2025; Huang vd., 2024). Bu eğilimin ileri bir aşamasında, çok yakın bir gelecekte sizin finansal botunuzun bankanın müşteri hizmetleri botuyla pazarlık etmesi dahi mümkün olabilir. İki algoritma, arka planda mikrosaniyeler içinde bir faiz oranını veya kredi yapılandırmasını tartışıp karara bağlayacak.</p><p>Peki, iki botun konuştuğu, kararlar aldığı ama içinde tek bir insanın bile fiziksel olarak yer almadığı bir bankacılık hizmeti ne kadar “canlı” sayılabilir?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/940/1*BXK4lX5Rz5HYMFqZTZr9Dw.png" /><figcaption>Şekil 1: Ajanlar Arası (A2A) Otonom Bankacılık ve Human-in-the-Loop Karar Mimarisi</figcaption></figure><p>Ölü İnternet Teorisi’nin ortaya koyduğu varsayımsal senaryo, dijital ekonominin geleceğine ilişkin daha temel soruları da gündeme getirmektedir. Geçmişte işletmelerin, piyasaların veya bireylerin pazar dinamikleri içindeki kaderi rasyonel insan analizlerine ve organik taleplere dayanırken; günümüzde bu karar mekanizmaları tamamen görünmez algoritmaların, makine öğreniminin ve otomasyon sistemlerinin etkisi altına girmektedir. İşin en kritik boyutu, finansal riskinizi veya pazar değerinizi değerlendiren bu algoritmaların beslendiği verilerin giderek daha büyük bir bölümünün yapay sistemler tarafından üretilmesi ihtimali, finansal karar mekanizmaları açısından yeni bir risk alanı yaratmaktadır. Paes (2025) bu olası dönüşümü “Sentetik Tüketici Tekilliği” (Synthetic Consumer Singularity) kavramıyla tartışmakta ve yüksek sadakatli yapay personaların ekonomik karar mekanizmaları üzerindeki potansiyel etkilerine dikkat çekmektedir (Paes, 2025). Bu senaryonun gerçekleşmesi halinde, algoritmaların birbirlerinin çıktılarından beslenmesi ve böylece yapay bir fikir birliği üretmesi riski ortaya çıkabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/941/1*faLm0ex77LHWNggASL3p3A.png" /><figcaption>Şekil 2: “Sentetik Geri Besleme” Döngü Diyagramı</figcaption></figure><p>İnsan psikolojisini ve bilişsel karar alma mekanizmalarını taklit eden Yüksek Sadakatli Personalar (HFPs), sanki gerçek birer insanmış gibi dijital reklamlara tıklamakta, pazar eğilimlerini değiştirecek ürün yorumları yazmakta ve piyasanın talep sinyallerini manipüle etmektedir. Eğer finansal karar sistemlerinin kullandığı veri ekosisteminin önemli bir bölümü başka yapay sistemler tarafından üretilmeye başlarsa, algoritmaların birbirlerinin çıktılarından beslenmesi ve böylece yapay bir fikir birliği üretmesi riski ortaya çıkabilir. Algoritmalar tarafından bir şirketin veya bireyin finansal geleceği hakkında alınan kararlar, aslında botların kendi aralarında yarattığı bu yapay ve “halüsinatif fikir birliğine” (hallucinated consensus) dayanmaktadır (Paes, 2025). Dolayısıyla, organik insan bağının koptuğu bu ekosistemde milyarlarca dolarlık bütçeler ve ekonomik kararlar, insan doğasını taklit eden sentetik ajanların ve kod satırlarının insafına bırakılmaktadır.</p><p>Aynı illüzyon ve tehlike küresel piyasalar için de geçerlidir. Imperva’nın (2026) raporuna göre internet trafiğinin %53&#39;ünün bot kaynaklı olduğu bir ortamda (Imperva, 2026), borsalarda dönen sermaye de robo-danışmanlar ve yüksek frekanslı ticaret (HFT) algoritmaları tarafından yönetilmektedir. Ünlü Fransız düşünür Jean Baudrillard’ın <a href="https://dn720006.ca.archive.org/0/items/baudrillard.-1970.-the-consumer-society/Baudrillard.1981.Simulacra-and-Simulation.pdf">“simülasyon” kuramı</a>yla açıklanabilecek bu yeni çağda; işaretler, kültürel ve ekonomik göstergeler gerçek dünyadaki kökenlerinden koparak kendi başlarına var olan birer koda dönüşmüştür. Tıpkı algoritmaların yalnızca diğer algoritmaların ürettiği yapay piyasa dalgalanmalarını okuyarak saniyede binlerce işlem yapması gibi; para ve değer kavramı da artık fiziksel dünyadaki insan emeğiyle veya gerçek niyetlerle olan bağını yitirmektedir. Bu perspektiften bakıldığında finansal piyasalar, Baudrillard’ın işaret ettiği “kod egemenliği” fikrinin çağdaş bir tezahürü olarak okunabilir (Sommerer, 2025).</p><p>İnternet yapısal olarak kimliğini kaybederken ve bankacılık da bu sentetik ekosisteme tamamen taşınırken, bizi bekleyen en büyük tehlike köklü bir “güven illüzyonudur”. Yapay zeka tarafından üretilen sahte finansal haberler, <a href="https://www.theguardian.com/technology/article/2024/may/10/ceo-wpp-deepfake-scam">Deepfake ile taklit edilen CEO açıklamaları</a> veya bot ordularının manipüle ettiği spekülatif piyasa yorumları, finansal sistemleri saniyeler içinde istikrarsızlaştırabilecek güce ulaşmıştır. Daha da kötüsü, bankaların en güvenli kale olarak gördüğü biyometrik doğrulama (yüz tanıma ve ses analizi) sistemleri, üretken yapay zeka karşısında savunmasız kalmaktadır. Bankalar artık sadece geleneksel siber suçlularla değil, kimin “gerçek bir insan” olduğunu anlama noktasında dijital hayaletlerle kimliksel bir savaş vermek zorundadır. Nitekim kimlik doğrulama süreçlerinde deepfake ve yapay zekâ destekli sahtekarlık girişimlerinin küresel ölçekte %700&#39;ün üzerinde artış göstermesi bu kırılganlığı somutlaştırmaktadır (Sumsub, 2024). Öte yandan Imperva’nın <a href="https://www.imperva.com/resources/resource-library/reports/imperva-api-threat-report/">raporu</a>na göre finansal hizmetler ve bankacılık sitelerine yapılan oturum açma (login) girişimlerinin yaklaşık %30 ila %40&#39;ı, hesap ele geçirme (ATO) amaçlı çalışan otomatik botlar tarafından gerçekleştirilmektedir.</p><p>Bu “güven illüzyonu” artık yalnızca teorik bir uyarı değildir. 2024 yılının başında Hong Kong’da çok uluslu bir şirketin finans çalışanının başına gelen <a href="https://edition.cnn.com/2024/02/04/asia/deepfake-cfo-scam-hong-kong-intl-hnk">vaka</a>, sentetik gerçekliğin finansal sistemleri nasıl felç edebileceğini somut olarak kanıtlamıştır. Bir video konferans görüşmesine katılan çalışan; şirketin İngiltere merkezli CFO’sunun ve diğer yönetim kurulu üyelerinin dijital olarak üretilmiş deepfake avatarlarıyla toplantı yapmış, karşılaştığı ses ve görüntü taklitlerine güvenerek beş ayrı yerel hesaba toplamda 25,6 milyon dolar transfer etmiştir. Tek bir organik insanın, tamamen yapay ajanlardan oluşan bir “yönetim simülasyonu” tarafından yönlendirildiği bu olay; insan-sonrası finansal iletişimin yarattığı kimliksel riskin ve biyometrik zaafiyetin en çarpıcı örneklerinden biridir.</p><p>Bankalar artık sadece geleneksel siber suçlularla değil, kimin “gerçek bir insan” olduğunu anlama noktasında dijital hayaletlerle kimliksel bir savaş vermek zorundadır.</p><p>Ölü İnternet Teorisi’nin kendisi ampirik olarak doğrulanmış bir teori olmasa da, ortaya koyduğu varsayımsal dünya finans sektörünün geleceğine ilişkin önemli sorular üretmektedir. Eğer dijital etkileşimlerin -giderek- daha büyük bölümü insanlardan ziyade yapay ajanlar tarafından gerçekleştirilecekse; finansal güven, müşteri ilişkileri, piyasa sinyalleri ve karar alma süreçlerinin nasıl yeniden tanımlanacağı sorusu kaçınılmaz hale gelmektedir. Finans dünyası tamamen algoritmik bir ekosisteme evrilirken; ironik bir şekilde en lüks, en kıymetli ve en pahalı varlık yeniden “insan” olacak gibi görünüyor. Geleceğin en prestijli ve güvenilir bankacılık hizmeti ise belki de en ileri teknolojiyi kullanan değil, teknolojinin arkasında hâlâ gerçek bir insanın bulunduğunu hissettirebilen hizmet olacaktır.</p><p>Sonuç olarak, yapay zekâ, otonom ajanlar ve sentetik verilerin finansal sistemlere giderek daha fazla entegre olması, bankacılığın yalnızca teknolojik altyapısını değil; güven, kimlik, sorumluluk ve karar alma kavramlarını da yeniden şekillendirmektedir. Ölü İnternet Teorisi bu dönüşümü anlamak için bilimsel bir gerçeklikten ziyade eleştirel bir düşünce çerçevesi sunduğunda, “Ölü Bankacılık” da insanın finansal ekosistemdeki rolünün azalmasının doğurabileceği riskleri tartışmaya açan bir gelecek senaryosu olarak değerlendirilebilir. Otonom sistemlerin birbirleriyle etkileşime girdiği, sentetik verilerin karar mekanizmalarına dâhil olduğu ve gerçek ile yapay arasındaki ayrımın giderek zorlaştığı bu yeni düzende finansal kurumların önündeki temel mesele yalnızca daha fazla otomasyon sağlamak değil, bu otomasyonun güvenilir, açıklanabilir, denetlenebilir ve hesap verebilir biçimde işlemesini sağlamaktır. Dolayısıyla finans sektörünün geleceği, insan ile yapay zekâdan birinin diğerinin yerini aldığı bir dönüşümden ziyade, her ikisinin rollerinin ve sınırlarının yeniden tanımlandığı yeni bir kurumsal düzenin ortaya çıkışına işaret etmektedir.</p><p><strong>Kaynakça</strong></p><p>Ahmed, A., Qamar, R., Asif, R., Imran, M., &amp; Ahmed, S. (2024). The Dead Internet Theory: Investigating the rise of AI-generated content and bot dominance in cyberspace. <em>Pakistan Journal of Engineering Technology and Science (PJETS)</em>, 12(1), 37–48.<a href="https://doi.org/10.22555/pjets.v12i1.1077"> https://doi.org/10.22555/pjets.v12i1.1077</a></p><p>Cheemalapati, S., Muzumdar, P., &amp; Muley, A. (2026). The Dead Internet Theory and ethical AI: A scoping review. <em>International Journal of Computer Application</em>, 16(1), 110–131.<a href="https://doi.org/10.5281/zenodo.18346781"> https://doi.org/10.5281/zenodo.18346781</a></p><p>Chu, Z., Wang, S., Xie, J., Zhu, T., Yan, Y., Ye, J., Zhong, A., Hu, X., Liang, J., Yu, P. S., &amp; Wen, Q. (2025). LLM agents for education: Advances and applications. <em>Findings of the Association for Computational Linguistics: EMNLP 2025</em>, 13782–13810.</p><p>Huang, X., Liu, W., Chen, X., Wang, X., Wang, H., Lian, D., Wang, Y., Tang, R., &amp; Chen, E. (2024). Understanding the planning of LLM agents: A survey (arXiv:2402.02716v1 [cs.AI]). <em>arXiv</em>.<a href="https://doi.org/10.48550/arXiv.2402.02716"> https://doi.org/10.48550/arXiv.2402.02716</a></p><p>Muzumdar, P., Cheemalapati, S., RamiReddy, S. R., Singh, K., Kurian, G., &amp; Muley, A. (2025). The Dead Internet Theory: A survey on artificial interactions and the future of social media. <em>Asian Journal of Research in Computer Science</em>, 18(1), 67–73.<a href="https://doi.org/10.9734/ajrcos/2025/v18i1549"> https://doi.org/10.9734/ajrcos/2025/v18i1549</a></p><p>Paes, M. (2025). <em>The synthetic consumer singularity of a “dead internet”: Quantifying the collapse of attention-based business models under high-fidelity agentic noise</em>. Purdue University.</p><p>Sommerer, T. (2025). Baudrillard and the Dead Internet Theory. Revisiting Baudrillard’s (dis)trust in Artificial Intelligence. <em>Philosophy &amp; Technology</em>, 38(54).<a href="https://www.google.com/search?q=https%3A%2F%2Fdoi.org%2F10.1007%2Fs13347-025-00878-5"> https://doi.org/10.1007/s13347-025-00878-5</a></p><p>Sumsub. (2024, Şubat 13). Sumsub unveils industry-first deepfake detection in video identification. <a href="https://sumsub.com/newsroom/sumsub-unveils-industry-first-deepfake-detection-in-video-identification/">https://sumsub.com/newsroom/sumsub-unveils-industry-first-deepfake-detection-in-video-identification/</a></p><p>Walter, Y. (2024). The dead internet theory: How AI bots are stealing the internet. <em>International Journal of Contemporary Research and Review</em>, 15(02), 21743–21755.</p><p>Imperva. (2026). 2026 Bad Bot Report: Bad bots in the agentic age. <a href="https://www.imperva.com/resources/resource-library/reports/2026-bad-bot-report">https://www.imperva.com/resources/resource-library/reports/2026-bad-bot-report</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=80a7dd45deb4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/%C3%B6l%C3%BC-i%CC%87nternet-%C3%A7a%C4%9F%C4%B1nda-bankac%C4%B1l%C4%B1k-finans%C4%B1n-dijital-gelece%C4%9Finde-i%CC%87nsan-nerede-80a7dd45deb4">Ölü İnternet Çağında Bankacılık: Finansın Dijital Geleceğinde İnsan Nerede?</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[GPU’dan Cluster’a: Yapay Zekâda Network]]></title>
            <link>https://medium.com/fiba-tech-lab/gpudan-cluster-a-yapay-zek%C3%A2-altyap%C4%B1s%C4%B1n%C4%B1n-g%C3%B6r%C3%BCnmeyen-kahraman%C4%B1-network-b47db6333efd?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/b47db6333efd</guid>
            <category><![CDATA[infrastructure]]></category>
            <category><![CDATA[network]]></category>
            <category><![CDATA[rocev2]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[data-center]]></category>
            <dc:creator><![CDATA[Muhammet Emir Koltuk]]></dc:creator>
            <pubDate>Thu, 24 Sep 2026 12:46:30 GMT</pubDate>
            <atom:updated>2026-09-28T04:23:48.138Z</atom:updated>
            <content:encoded><![CDATA[<p>Bir organizasyonda, çalışanların kurum içi dokümanlardan yanıt bulmasını sağlayan bir üretken yapay zekâ (GenAI) asistanı geliştirdiğimizi düşünelim. Bu hizmetin arkasındaki büyük dil modelini (LLM) birden fazla sunucudaki GPU’lar ile eğitirken veya kuruma özgü verilerle uyarlarken, işin tamamlanma süresi yalnızca GPU’ların hesaplama gücüne bağlı değildir. GPU’ların ara sonuçları ne kadar hızlı paylaşabildiği de belirleyicidir. Hesaplamasını bitiren bir GPU diğerlerinden veri bekliyorsa, satın aldığımız kapasitenin bir kısmı bekleme süresine dönüşmektedir.</p><p>Benzer bir ihtiyaç, dağıtık eğitim kullanan fraud modellerinde veya risk modelleme çalışmalarında da ortaya çıkabilir. Ancak her bankacılık modeli çok sayıda GPU ya da özel bir yüksek hızlı ağ gerektirmez. Tek sunucuda çalışan bir model ile sunucular arasında bölünmüş bir LLM’nin iletişim ihtiyaçları farklıdır. Bu nedenle başlangıç sorusu, hangi ağ teknolojisinin daha hızlı olduğundan önce, hangi bankacılık iş yükünü hangi sürede tamamlamak istediğimizdir.</p><p>Ağ, GPU’ların tek bir hesaplama sistemi gibi birlikte çalışmasını sağlayan iletişim altyapısıdır. Dağıtık eğitimde ağ performansı, eğitim adımlarının süresini ve GPU’ların verimli kullanımını etkiler. Banka açısından bunun karşılığı, aynı zaman aralığında daha fazla model denemesi yapabilmek ve altyapı yatırımından daha fazla fayda sağlayabilmektir.</p><p>Bu makalede, yapay zekâ kümelerinde kullanılan InfiniBand ve Ethernet üzerinde RDMA sağlayan <strong>RoCEv2</strong> yaklaşımlarını inceleyeceğiz. MetaRoCE’yi ise gelişmekte olan üçüncü bir yaklaşım olarak değerlendireceğiz. Performans, tıkanıklık kontrolü, işletme ve güvenlik boyutlarını birlikte ele alarak bir bankanın hangi koşullarda hangi yaklaşımı tercih edebileceğini tartışacağız. Ayrıca, bu tercihleri ölçülebilir hâle getirmek için iki aşamalı bir simülasyon ve fiziksel doğrulama yöntemi önereceğiz.</p><blockquote>Meta’nın 24.576 GPU’lu kümelerinde üretim iş yükleri için hem RoCE hem de InfiniBand’ı kullanması, seçimin yalnızca GPU sayısına indirgenemeyeceğini açıkça göstermektedir. [3]</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*Rrm1Bg9uS8pJsuiB.png" /><figcaption>Resim 1: GPU kümelerinde yüksek hızlı ağ protokolleri</figcaption></figure><h4><strong>Yapay Zekâ İş Yüklerinin Ağa Getirdiği Yeni Gereksinimler</strong></h4><p>Geleneksel kurumsal ağlarda birçok trafik akışı birbirinden bağımsız ilerleyebilir. Dağıtık yapay zekâ eğitiminde ise GPU’lar aynı işin farklı bölümlerini yürütür ve senkronizasyon noktalarında birbirlerini bekler. AllReduce, katılımcıların verilerini bir indirgeme işlemiyle birleştirerek sonucu tüm katılımcılara iletir. AllGather, her katılımcıdaki veri parçalarını tüm katılımcılarda toplar. ReduceScatter, indirgeme sonucunu katılımcılar arasında paylaştırır. AlltoAll ise her katılımcının diğer katılımcılarla veri alışverişi yapmasını sağlar. Bu işlemler ağ üzerinde farklı trafik örüntüleri oluşturur. [1]</p><p>Bu akış, uygulamadan fiziksel ağa kadar takip edilebilir. PyTorch veya başka bir derin öğrenme çatısı, NCCL veya RCCL gibi toplu kütüphaneleri çağırır. İlgili kütüphaneler, GPU belleği ile NIC veya HCA arasındaki veri yolunu ve seçilen toplu iletişim algoritmasını kullanır. Trafik daha sonra bir InfiniBand veya Ethernet ağından geçer. Meta’nın üretim deneyimi ayrıca performansın yalnızca anahtarlama hızına değil, topolojiye duyarlı iş planlamasının, yönlendirme stratejisinin ve NCCL optimizasyonlarının birleşik etkisine de bağlı olduğunu göstermektedir. [3]</p><h4><strong>RDMA Teknik Temelleri</strong></h4><p>Uzaktan Doğrudan Bellek Erişimi (RDMA), sunucular arasında veri aktarılırken CPU üzerindeki yükü ve ek bellek kopyalamalarını azaltan bir iletişim modelidir. İşletim sistemi bütün süreçten çıkarılmaz. Bağlantı kurulumu, bellek kaydı ve erişim izinlerinin yönetiminde rol almaya devam eder. Hızlandırılan bölüm, yüksek hacimli verinin taşındığı kritik veri yoludur. Bankacılık açısından bu yaklaşım, özellikle sunucular arasında yoğun iletişim gerektiren model çalışmalarında hesaplama kaynaklarının daha verimli kullanılmasına yardımcı olabilir. [2]</p><p>Yazının devamındaki teknik kavramları, işlevleri ve bankacılık açısından önemleriyle birlikte aşağıdaki gibi özetleyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*me0my5TuzG779-mWdVzYGg.png" /><figcaption>Tablo 1: AI Ağ Altyapısındaki Temel Kavramlar ve Bankacılık Açısından Önemi</figcaption></figure><p>GPUDirect RDMA, RDMA veri aktarımını doğrudan GPU belleğine erişebilecek şekilde genişletir ve sunucunun ana belleği üzerinden yapılan ek kopyalamaları azaltır. [2] Elde edilen gecikme ve bant genişliği değerleri, NIC veya HCA nesline, bağlantı hızına, mesaj boyutuna, PCIe yerleşimine, topolojiye, tıkanıklık koşullarına ve kıyaslama metodolojisine bağlıdır. Bu nedenle, TCP, RoCEv2 veya InfiniBand’e tek bir mikrosaniye değeri atamaktan ziyade uçtan uca iş yükü ölçümleri daha kullanışlı olmaktadır. [2]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/757/0*I-mc07SAZJ0qAwje.png" /><figcaption>Resim 2: RDMA</figcaption></figure><h4><strong>Ağ Topolojisi: Non-Blocking Fat-Tree Mimarisi</strong></h4><p>RDMA’nın sağladığı faydaların ağ genelinde korunabilmesi için topolojinin yeterli kapasite ve öngörülebilir davranış sunması gerekir. Leaf–spine tasarımında, aşırı abonelik oluşmasını önlemek için leaf anahtarların sunuculara bakan toplam bağlantı kapasitesi ile spine katmanına çıkan toplam bağlantı kapasitesi dengelenmelidir. Buna rağmen, birden fazla kaynağın aynı hedefe eşzamanlı olarak veri göndermesi, hedef bağlantısında tıkanıklık oluşturabilir.</p><h4><strong>InfiniBand: HPC Dünyasının Köklü Standardı</strong></h4><p>InfiniBand, RDMA’yı temel bir tasarım unsuru olarak ele alan bir ara bağlantı mimarisidir. Sunuculardaki HCA adaptörleri, anahtarlar ve Subnet Manager adı verilen ağ yönetim bileşeni birlikte çalışır. Subnet Manager, ağın keşfi, adresleme ve yönlendirme tablolarının oluşturulması gibi görevleri üstlenir. [5] [14]</p><p>RDMA iletişimindeki temel yapılardan biri kuyruk çiftidir (Queue Pair, QP). Bir QP, gönderim ve alım iş kuyruklarını bir araya getirir. Uygulamalar, verbs arayüzü üzerinden iş isteklerini bu kuyruklara iletir. Desteklenen işlemler taşıma tipine göre değişir; Send/receive mesajlaşmayı, RDMA Read ve Write ise kayıtlı uzak bellek bölgelerine erişimi sağlar. Veri aktarımının kritik yolunda CPU ve çekirdek ağ yığını üzerindeki yük azaltılırken, kaynak yönetimi ve bellek erişim izinlerinde işletim sisteminin rolü devam eder. [14]</p><p>InfiniBand’in kredi tabanlı akış kontrolü, gönderimi karşı taraftaki tampon kapasitesine göre düzenleyerek tampon taşmasına bağlı paket kayıplarını önlemeyi hedefler. Bu mekanizma, tıkanıklık yönetimini veya fiziksel hatalara karşı önlemleri gereksiz kılmaz. Virtual Lane adı verilen mantıksal kanallar trafik ayrımına yardımcı olur; ancak aynı fiziksel bağlantının kapasitesi paylaşılmaya devam eder. NVIDIA Quantum platformundaki SHARP gibi özellikler ise desteklenen toplu işlemlerin bir kısmını ağ içinde gerçekleştirerek iletişim yükünü azaltabilir. [5] [14]</p><p>Bir banka açısından InfiniBand’in değeri, yoğun dağıtık eğitim işlerini hedeflenen sürede tamamlamaya sağlayacağı ölçülmüş katkıyla değerlendirilmelidir. Bu değerlendirmeye ekip uzmanlığı, destek modeli, tedarik seçenekleri ve kümenin genişleme maliyeti de dahil edilmelidir. Bütünleşik bir altyapının sunduğu kolaylık, onu sürdürülebilir biçimde işletecek yetkinlikle birlikte anlam kazanır.</p><h4><strong>RoCEv2: Ethernet Üzerinde RDMA</strong></h4><p>RoCEv2, InfiniBand taşıma semantiğini UDP/IP üzerinden taşır ve RDMA trafiğinin Ethernet ağları üzerinden yönlendirilmesini sağlar. Paket formatı, Temel Taşıma Başlığını ve gerekli tüm genişletilmiş taşıma başlıklarını Ethernet, IP ve UDP başlıklarından sonra yerleştirir. IANA tarafından atanan UDP hedef portu 4791&#39;dir. Bu yaklaşım, IP yönlendirmesinden, eşit maliyetli çoklu yol yönlendirmesinden (ECMP) ve standart Ethernet optik bileşenlerinden yararlanabilir. [6] [12]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*_I68kdeBSOng2DvW" /><figcaption>Resim 3: RoCE vs. RoCEv2</figcaption></figure><h4>PFC, ECN ve DCQCN ile Tıkanıklık Kontrolü</h4><p>Geleneksel kayıpsız RoCEv2 tasarımlarında, PFC, ECN ve uç nokta hız kontrol mekanizmaları birlikte çalışır. ECN, anahtar tamponları yapılandırılmış eşiklere ulaştığında paketleri işaretler ve alıcı, göndericinin iletim hızını azaltmaya yardımcı olmak için bir CNP oluşturur. PFC ise ilgili öncelik sınıfındaki trafiği bağlantı bazında geçici olarak duraklatarak tampon taşmasını önlemeye yardımcı olur. ECN ve PFC eşikleri, tıkanıklık kontrolünün PFC devreye girmeden önce yanıt verebilmesini sağlayacak şekilde yapılandırılmalıdır. [4] Cisco’nun referans tasarımı, ECN’nin önce yanıt vermesini ve PFC’nin paket kaybına karşı son koruma katmanı olarak hizmet etmesini önermektedir. [4]</p><p>DCQCN, ECN işaretleri üzerine alıcının gönderdiği tıkanıklık bildirimlerini (CNP) kullanarak göndericinin iletim hızını ayarlar. Böylece tıkanıklığın azaltılması ve PFC’nin devreye girme ihtiyacının sınırlandırılması amaçlanır. [4]</p><p>PFC’nin yanlış yapılandırılması veya sorunlu çalışması, hat başı engellemesine, duraklatma etkisinin diğer bağlantılara yayılmasına ve kilitlenmeye neden olabilir. Sürekli duraklatma çerçeveleri gönderen arızalı bir sunucu veya NIC, ilgili öncelik sınıfındaki trafiği uzun süre durdurabilir. Bu nedenle PFC duraklatma süreleri, ECN işaretleri, CNP sayaçları, PFC RX ve TX sayaçları, tampon doluluğu, düşürülen paketler, yeniden iletimler ve NIC tıkanıklık sayaçları birlikte izlenmelidir. [4]</p><p>RoCEv2, tek bir PFC tabanlı işletim modeliyle sınırlı değildir. Mevcut platformlar ayrıca ECN baskın ve kayıp toleranslı yaklaşımlar da geliştirmektedir. Bu nedenle uygun RoCEv2 tasarımı, NIC davranışını, anahtar ASIC’ini, tampon mimarisini, tıkanıklık kontrol algoritmasını ve iş yükünün kayıp toleransını tek bir sistem olarak değerlendirerek seçilmelidir. [6] [10]</p><p>Bir bankanın ortak AI platformunda LLM eğitimi ile fraud modelinin yeniden eğitiminin eşzamanlı yürütüldüğünü düşünelim. Böyle bir senaryoda değerlendirme yalnızca toplam veri aktarım hızına dayanmaz. Bir işin oluşturduğu yoğunluğun diğer işin tamamlanma süresini ne kadar değiştirdiği de ölçülmelidir. Bu nedenle tıkanıklık kontrolünü, ağ sayaçlarının yanında model çalışmalarının süreleri ve GPU’ların iletişim bekleme süreleriyle birlikte değerlendirirdim.</p><h4>InfiniBand ve RoCEv2&#39;nin Karşılaştırılması</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5mkkWoP_6UtDFT5fGMCMTQ.png" /><figcaption><em>Tablo 2: InfiniBand ve RoCEv2&#39;nin bağlama bağlı karşılaştırması.</em></figcaption></figure><p>Tablo, iki yaklaşıma sabit bir performans yüzdesi veya evrensel bir maliyet farkı atamaz. Sonuçlar mesaj boyutuna, toplu algoritmaya, GPU yerleşimine, NIC veya HCA nesline, anahtar tampon mimarisine, topolojiye, tıkanıklık seviyesine ve operasyonel kaliteye göre değişir. Bu nedenle karar, üretim iş yüklerini temsil eden kıyaslamalara ve toplam sahip olma maliyetine dayanmalıdır. [3] [4]</p><h4>Bir Banka İçin Yapay Zekâ Kümesi Tasarlasaydık Nasıl Karar Verirdik?</h4><p>Kararı somutlaştırmak için sekiz sunucuda toplam 64 GPU kullanan, zaman içinde büyümesi planlanan bir banka AI kümesi düşünelim. Bu örnek tamamen varsayımsaldır. Platformda kurum içi GenAI asistanı için LLM uyarlama deneyleri, GPU kullanımından yararlanan fraud modellerinin yeniden eğitimi ve kredi/risk araştırmaları yürütülsün. Ağ ekibinin Ethernet işletiminde deneyimli olduğunu varsayalım.</p><p>Benim ilk adımım, bu işlerin tamamını aynı iletişim ihtiyacına sahip kabul etmemek olurdu. Tek sunucuda verimli çalışan işleri ayırır; dağıtık çalışması gereken modeller için eğitim süresi, iletişim hacmi ve eşzamanlı deney sayısını belirlerdim. Canlı müşteri hizmetlerini etkileyen çıkarım işlerinin eğitim işleriyle kaynak paylaşımını da ayrıca değerlendirirdim.</p><p>Bu koşullarda ilk pilot adayım RoCEv2 olurdu; mevcut Ethernet deneyiminin entegrasyon ve işletmeye katkısını sınamak isterdim. Ancak bu, nihai seçim anlamına gelmezdi. RoCEv2 adayında eşzamanlı yük altında eğitim süresi veya arıza sonrası toparlanma hedefleri karşılanamıyor, InfiniBand adayında karşılanıyorsa ve toplam maliyet farkı bu kazanımla gerekçelendirilebiliyorsa tercihimi InfiniBand yönünde değiştirirdim. Her iki aday da hedefleri karşılıyorsa, işletme yükü ve genişleme maliyeti seçimde daha fazla ağırlık kazanırdı.</p><p>Pilotta iki aday sistemi aynı model, veri ve mümkün olduğunca eşdeğer GPU kapasitesiyle karşılaştırırdım. Yalnızca bağlantı hızını değil; eğitimin tamamlanma süresini, GPU’ların iletişim bekleme süresini, eşzamanlı işler altındaki performansı ve bağlantı arızası sonrası toparlanmayı ölçerdim. Kabul eşiklerini test sonuçlarına göre sonradan belirlemek yerine, bankanın model yenileme penceresi ve hizmet hedeflerinden türetirdim.</p><p>Örneğin LLM eğitimi tek başına hedef süreyi karşılarken ikinci bir iş başladığında yavaşlıyorsa, hemen yeni GPU eklemeyi önermezdim. Önce GPU bekleme sürelerini, ağ kuyruklarını ve depolama trafiğini aynı zaman çizelgesinde incelerdim. RoCEv2 tarafında artan PFC duraklamaları araştırılacak bir işaret olurdu; tek başına kök neden kanıtı sayılmazdı. İşlerin sunuculara yerleşimi, paylaşılan bağlantılar ve depolama davranışı da değerlendirilmelidir.</p><p>Son kararı, hedef model kalitesi ve tamamlanma süresi sağlanırken oluşan toplam maliyetle verirdim. Donanım, enerji, destek ve operasyon emeğini birlikte değerlendirmek, ağ tercihini bankanın model geliştirme kapasitesiyle ilişkilendirir. Bu yaklaşımda belirleyici olan, seçilen protokol kadar ekibin o sistemi sürdürülebilir biçimde işletebilmesidir.</p><h4><strong>Maliyet, Ekosistem ve Toplam Sahip Olma Maliyeti</strong></h4><p>Satın alma fiyatı tek başına yeterli bir karşılaştırma ölçütü değildir. InfiniBand için hesaplamaya HCA’lar, anahtarlar, optik bileşenler, kablolama, ağ yönetimi, destek ve genişleme maliyetleri dahil edilmelidir. RoCEv2 için ise NIC’ler, anahtarlar, optik bileşenler, telemetri, otomasyon, <strong>PFC</strong> ve <strong>ECN</strong> ayarlaması, test ve operasyonel uzmanlık dahil edilmelidir. Bir Ethernet ekibinin BGP, QoS ve gözlemlenebilirlik konusundaki mevcut deneyimi, RoCEv2 dağıtımını kolaylaştırabilir, ancak ek operasyonel maliyeti ortadan kaldırmaz.</p><p>Tedarik zinciri seçenekleri ve mimari esneklik de stratejik kriterlerdir. Çoklu tedarikçili bir Ethernet ekosistemi, mevcut seçenekleri genişletebilir, ancak kuruluşun uçtan uca bileşen uyumluluğunu, bellenim matrisini ve tıkanıklık davranışını doğrulaması gerekir. InfiniBand’in daha entegre ekosistemi tasarım kararlarını basitleştirebilirken, tedarikçi bağımlılığı ve uzun vadeli fiyatlandırma yine de ayrı bir değerlendirme gerektirir.</p><h4>Gelecek Çalışma: ns-3 ile Yük–Performans Analizi ve Donanım Doğrulaması</h4><p>Bu incelemenin devamında, banka yapay zekâ kümesinin sunucular arası iletişimini ns-3 üzerinde modelleyerek InfiniBand, RoCEv2 ve MetaRoCE yaklaşımlarını artan ağ yükü altında karşılaştırmayı hedefliyorum. Amaç, yük–performans eğrilerini inceleyerek gecikmenin belirgin biçimde arttığı, yararlı veri aktarım hızının doygunluğa ulaştığı ve uygulamaların hizmet hedeflerini karşılayamadığı yük aralıklarını belirlemektir. Simülasyon bulgularının, uygun donanım ve laboratuvar erişimi sağlandığında fiziksel ölçümlerle karşılaştırılması planlanmaktadır. Bu çalışma henüz gerçekleştirilmemiştir; aşağıda önerilen deney yöntemi açıklanmaktadır.</p><p>Simülasyon için sekiz sunucuda toplam 64 GPU içeren bir banka kümesi temel alınabilir. Sunucu başına toplam ağ kapasitesi, leaf–spine bağlantıları, tampon büyüklükleri ve trafik dağılımı açıkça tanımlanmalıdır. AllReduce ve AlltoAll iletişiminin yanı sıra, birden fazla kaynağın aynı hedefe eşzamanlı veri gönderdiği trafik örüntüleri de değerlendirilmelidir.</p><p>RoCEv2 senaryosu için DCQCN, PFC ve ECN bileşenlerini içeren ns-3 tabanlı araştırma simülatörlerinden yararlanılabilir. [16] Ancak InfiniBand ve MetaRoCE’nin hazır ve eşdeğer modeller olarak bulunduğu varsayılmamalıdır. InfiniBand’in kredi tabanlı akış kontrolü ile MetaRoCE’nin çoklu yol, sırasız teslimat ve seçici yeniden iletim davranışlarının modelde nasıl temsil edildiği belgelenmelidir. MetaRoCE modelinin kapsamı, yayımlanan tasarım ve erişilebilir uygulama bilgileriyle karşılaştırılmalıdır. [10] Protokol davranışları bütünüyle doğrulanamıyorsa sonuçlar, ilgili yaklaşımı temsil eden basitleştirilmiş model sonuçları olarak sunulmalıdır.</p><p>Adil bir karşılaştırma için sunucu sayısı, sunucu başına toplam bağlantı kapasitesi, trafik örüntüsü, mesaj boyutları ve iş yerleşimi mümkün olduğunca eşdeğer tutulmalıdır. Her yaklaşımın yönlendirme, tampon ve tıkanıklık kontrol ayarları ayrıca raporlanmalıdır. Donanım hızlandırmaları veya farklı topolojiler kullanılıyorsa bunların etkisi protokol etkisinden ayrı değerlendirilmelidir. Böylece performans farklarının hangi tasarım kararlarından kaynaklandığı daha açık biçimde yorumlanabilir.</p><p>Deneylerde sunulan trafik yükü sırasıyla %10, %30, %50, %60, %70, %80, %90 ve %95 seviyelerine çıkarılabilir. Burada yük, incelenen bağlantıya sunulan trafik hızının o bağlantının kapasitesine oranıdır. Örneğin, 400 Gbit/s kapasiteli bir bağlantıya sunulan 280 Gbit/s trafik, %70 sunulan yüke karşılık gelir. Ölçülen bağlantı kullanımı ayrıca raporlanmalı ve ağ genelindeki ortalamanın yerel darboğazları gizleyebileceği dikkate alınmalıdır.</p><p>Her yük seviyesinde yararlı veri aktarım hızı, akış tamamlanma sürelerinin p95 ve p99 değerleri, kuyruk doluluğu ve yeniden iletimler ölçülmelidir. PFC kullanılan senaryolarda duraklatma süreleri de izlenmelidir. Ayrı grafiklerde yatay eksen sunulan ağ yükünü, dikey eksen ise yararlı veri aktarım hızını veya akış tamamlanma süresini göstermelidir. Deneyler farklı rastgelelik tohumlarıyla tekrarlanmalı ve sonuçlar güven aralıklarıyla sunulmalıdır.</p><p>Performans eğrisinin belirgin biçimde bozulmaya başladığı bölge ile bankanın hizmet hedeflerinin aşıldığı operasyonel sınır ayrı raporlanmalıdır. İlk taramada bozulmanın görüldüğü yük aralığı, daha küçük artışlarla yeniden incelenebilir. Örneğin, %60 ile %70 arasında belirgin bir değişim gözlenirse bu aralık iki yüzde puanlık adımlarla tekrar ölçülebilir. Bu aralık önceden doğrulanmış bir kırılma noktası değil, sınanacak bir hipotezdir. Operasyonel sınır ise önceden belirlenen hizmet hedefinin tekrarlı deneylerde tutarlı biçimde aşıldığı en düşük test yükü olarak tanımlanabilir. Model yenileme süresinin 45 dakikayı veya çıkarım gecikmesinin belirlenen süreyi aşması, bu değerlendirmede kullanılabilecek örnek ölçütlerdir. Uygulama düzeyindeki bu sonuçlar için ağ ölçümleri, hesaplama süreleri ve iletişim–hesaplama örtüşmesiyle birlikte değerlendirilmelidir.</p><p>Fiziksel doğrulamada, NVIDIA ConnectX gibi ağ adaptörleri ve desteklenen GPU sistemleri üzerinde ölçümler yapılması planlanmaktadır. Adaptör modeli, bağlantı hızı, anahtarlar, sürücüler, donanım yazılımı ve diğer yazılım sürümleri kaydedilmelidir. NVIDIA GPU’larında NCCL testleriyle toplu iletişim süreleri ölçülebilir; ardından gerçek eğitim ve çıkarım uygulamalarının performansı incelenebilir. [17] MetaRoCE için uyumlu donanım ve yazılım desteği ayrıca doğrulanmalı, fiziksel karşılaştırmanın kapsamı erişilebilen sistemlere göre belirlenmelidir.</p><p>Simülasyon parametreleri fiziksel ölçümlerin bir bölümüyle ayarlanmalı, kalan ölçümler ise bağımsız doğrulama için kullanılmalıdır. Her yaklaşımın simülasyon ve fiziksel test eğrileri, aynı yük tanımı ve performans ölçütleri üzerinden karşılaştırılmalıdır. Tahmin edilen ve gözlenen operasyonel yük sınırları arasındaki fark yüzde puan olarak raporlanmalıdır. Elde edilen sonuçlar, test edilen topoloji, donanım ve iş yükü koşullarıyla birlikte sunulmalı; bütün banka ağlarına uygulanabilecek sabit eşikler olarak yorumlanmamalıdır.</p><h4><strong>Bankacılık İş Yükleri İçin Sayısal Hesap Örnekleri</strong></h4><p>Aşağıdaki hesaplar, ağ kaynaklı yavaşlamanın iş sonuçlarına nasıl yansıyabileceğini açıklayan varsayımsal örneklerdir; deney sonucu değildir.</p><p><strong>LLM uyarlama:</strong> Hesaplama ve iletişimin örtüşmediği bir eğitim adımında hesaplama 180 ms, iletişim 20 ms sürsün. İletişim süresi 60 ms’ye çıkarsa adım süresi 200 ms’den 240 ms’ye yükselir. Bu, %20 uzama demektir. 100.000 adımlık çalışma yaklaşık 5,56 saat yerine 6,67 saatte tamamlanır.</p><p><strong>Dolandırıcılık tespit modelinin yeniden eğitimi:</strong> Aynı eğitim işinin 40 dakika yerine 55 dakika sürmesi, %37,5 uzama anlamına gelir. Model yenileme penceresi 45 dakika ise operasyonel hedef 10 dakika aşılır.</p><p><strong>Banka içi yapay zekâ asistanı:</strong> İlk token gecikmesinin p95 değeri 800 ms’den 1.300 ms’ye çıkarsa gecikme %62,5 artar. Hedef 1.000 ms ise sınır 300 ms aşılır. Gerçek testlerde bu değişimin ağdan, GPU yükünden veya uygulama kuyruklarından kaynaklanıp kaynaklanmadığı ayrıca belirlenmelidir.</p><h4>Bankacılıkta AI Fabric Tasarımı ve Güvenlik Yaklaşımı</h4><p>Bankacılık gibi düzenlemeye tabi ortamlarda, bir yapay zekâ kümesini mevcut kurumsal ağın basit bir uzantısı olarak ele almak yerine, ayrı trafik alanlarına bölmek daha güvenlidir. Özel bir arka uç yapısı, GPU’dan GPU’ya ve GPU’dan depolamaya RDMA trafiğini taşıyabilirken, bir ön uç ağ kullanıcı erişimini, API’leri, orkestrasyonu, yönetimi, izlemeyi ve hizmet trafiğini ele alır. Cisco da benzer şekilde, GPUDirect ve GPUDirect Storage trafiği bağlamında 400 Gbps GPU iletişimi için ayrı bir arka uç ağ tanımlar. [4]</p><p>Güvenlik kontrollerinin yerleşimi, kullanıcı erişimi, yönetim, depolama ve GPU iletişimi için ayrı ayrı değerlendirilmelidir. GPU’lar arasındaki RDMA veri yoluna eklenecek denetim mekanizmalarının platform desteği ve performans etkisi test edilmelidir. Ethernet tabanlı RoCEv2 tasarımlarında ACL ve VRF gibi mekanizmalar; desteklenen mimarilerde EVPN-VXLAN segmentasyonu kullanılabilir. InfiniBand tarafında ise partition ve P_Key mekanizmalarıyla iletişim sınırlandırılır. Bu mekanizmalar aynı işleyişe sahip değildir ve tek başlarına veri şifreleme veya uygulama düzeyinde yetkilendirme sağlamaz. Banka açısından amaç, model geliştirme ekiplerinin ve hizmetlerin yalnızca yetkili oldukları kaynaklara erişebilmesidir. [4] [15]</p><p>RDMA güvenliği, ağ bölümlendirmesinden daha fazlasını içerir. Bellek kaydı, Koruma Alanları ve erişim anahtarları gibi uç nokta mekanizmaları, kimlik yönetimi, donanım yazılımı güvenliği, güvenli önyükleme, telemetri bütünlüğü ve değişiklik kontrolü ile birleştirilmelidir. Amaç, veri aktarımında işletim sistemi çekirdeğinin atlanmasının güvenlik kontrollerinin de atlanmasına yol açmasını önleyen katmanlı bir mimari oluşturmaktır. [14]</p><h4><strong>NVLink, NVSwitch ve UALink Ara Bağlantıları</strong></h4><p>InfiniBand ve RoCEv2 öncelikle sunucular arasındaki ölçeklenebilir iletişimi ele almaktadır. Bir sistem veya raf içindeki hızlandırıcıdan hızlandırıcıya iletişim ayrı bir katmandır. NVIDIA’nın NVLink ve NVSwitch’i bu ölçeklendirme alanını hedeflemektedir. Hopper tabanlı sistemlerde, NVSwitch <strong>900 GB/s’ye</strong> kadar engellemesiz GPU’dan GPU’ya iletişim sağlamaktadır. [11]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/763/0*wXVy1E6YXn2Zo403.png" /><figcaption>Resim 4: NVSwitch</figcaption></figure><p><strong>UALink</strong>, ölçeklenebilir iletişim için açık, çoklu satıcı alternatifi geliştiriyor. UALink 200G 1.0 spesifikasyonu, 200 Gbps şerit hızında 1.024 adede kadar hızlandırıcı içeren yapay zekâ podları için bağlantıyı tanımlar. 2026 itibarıyla, <strong>200G</strong> Veri Bağlantısı ve Fiziksel Katmanlar 2.0 da yayımlanmıştır. Bu nedenle UALink, yalnızca geliştirilmekte olan bir fikir olarak değil, yayımlanmış spesifikasyonlara sahip ortaya çıkan bir ekosistem olarak görülmektedir. [7]</p><h4><strong>LLM Çıkarımında Sayısal Performans Örnekleri</strong></h4><p>NVIDIA, H200 GPU’ları üzerinde Llama 3.1 70B modeli için iç ölçümlere dayalı performans modellemesi yayımlamıştır. İki GPU’lu tensor paralellik, yaklaşık 8 bin giriş token’ı ve 256 çıkış token’ı kullanılan karşılaştırmada şu sonuçlar raporlanmaktadır:</p><p>• Tek istekli batch durumunda GPU başına çıktı hızı, noktadan noktaya bağlantıda 25 token/s, NVSwitch ile 26 token/s düzeyindedir.</p><p>• Sekiz istekli batch durumunda değerler sırasıyla 87 ve 110 token/s’dir. Bu, yaklaşık %26 daha yüksek çıktı hızına karşılık gelir.</p><p>• Otuz iki istekli batch durumunda değerler 112 ve 168 token/s’dir. Bu koşulda çıktı hızı %50 artmaktadır.</p><p>Bu örnekler, aynı modelde bile eşzamanlı iş miktarının ara bağlantıdan elde edilen kazanımı değiştirebildiğini gösterir. Banka içi doküman asistanı gibi uygulamalarda ağ değerlendirmesi yapılırken kullanıcı eşzamanlılığı ve yanıt süresi hedefleri birlikte ele alınmalıdır. Bunlar bir bankadan alınmış üretim ölçümleri değildir; ayrıca InfiniBand, RoCEv2 ve MetaRoCE arasında doğrudan karşılaştırma oluşturmaz. [11]</p><h4>MetaRoCE: Ethernet Üzerinde Yeni Bir RDMA Yaklaşımı</h4><p>Meta, Ağustos 2026’da MetaRoCE’yi standart Ethernet üzerinde büyük ölçekli yapay zekâ iş yükleri için tasarlanmış bir RDMA taşıma yaklaşımı olarak duyurdu. Tasarım, paketleri birden fazla yola dağıtır, sırasız teslimatı doğal bir çalışma koşulu olarak ele alır ve kayıpları uç noktada seçici yeniden iletimle yönetir.</p><p>MetaRoCE, PFC veya duraklatma çerçeveleri gerektirmeden ECN ve ECMP kullanacak şekilde tasarlanmıştır. Meta’nın duyurusuna göre spesifikasyonun, optimize edilmiş yazılım referans uygulamasının ve uyumluluk çerçevesinin Ekim 2026’da yayımlanması planlanmaktadır. Bu nedenle, 24 Eylül 2026 itibarıyla yapılacak bir değerlendirmede duyurulan tasarım ile erişilebilir ve doğrulanmış uygulama desteği ayrı ele alınmalıdır. [10]</p><p>Meta’nın duyurusu, 64 düğümlü bir AMD GPU kümesinde RCCL testlerini ve çok düzlemli bir topolojinin doğrulanmasını içeriyordu, ancak bunlar satıcı tarafından bildirilen erken sonuçlardır. MetaRoCE’nin geniş donanım desteği, birlikte çalışabilirliği ve üretim olgunluğu, zaman içinde bağımsız uygulamalar aracılığıyla değerlendirilmelidir. Yine de bu yaklaşım, gelecekteki tartışmanın InfiniBand ve RoCEv2 ile sınırlı kalmayacağını gösteriyor. [10]</p><h4><strong>Ultra Ethernet </strong>Konsorsiyumu</h4><p>Ultra Ethernet Konsorsiyumu, 2023 yılında AMD, Arista, Broadcom, Cisco, Eviden, HPE, Intel, Meta ve Microsoft tarafından kurulmuştur. UEC, teknolojinin yaygın olarak kullanılan fiziksel ve operasyonel ekosistemini korurken, yapay zekâ ve yüksek performanslı iş yükleri için Ethernet’in taşıma, tıkanıklık, telemetri, güvenlik ve yazılım katmanlarını iyileştirmeyi amaçlamaktadır. [8]</p><p>Ultra Ethernet Spesifikasyonu 1.0, 11 Haziran 2025&#39;te yayımlandı. Ultra Ethernet Spesifikasyonu’nun 1.0.3 sürümü, 16 Temmuz 2026’da yayımlanmıştır. UET, Ethernet üzerinden çoklu yol, tıkanıklık yönetimi ve ölçeklenebilir taşıma davranışını yeniden tanımlıyor. Ancak, tek başına yayımlanmış bir spesifikasyon, geniş çaplı üretim olgunluğunu sağlamaz. NIC’ler, anahtarlar, yazılım yığını, birlikte çalışabilirlik ve operasyonel araçlar birlikte olgunlaşmalıdır. [9]</p><h4><strong><em>Sonuç</em></strong></h4><p>Bir banka AI kümesinin başarısı, GPU sayısı kadar bu GPU’ların birlikte ne kadar verimli çalışabildiğine bağlıdır. Dağıtık eğitimde iletişim beklemeleri, model yenileme sürelerine ve aynı zaman penceresinde tamamlanabilen deney sayısına yansıyabilir. Bu nedenle ağ yatırımı, bağlantı hızıyla birlikte işin tamamlanma süresi ve toplam maliyet üzerinden değerlendirilmelidir.</p><p>InfiniBand ile RoCEv2 arasındaki seçimi, temsilî bankacılık iş yüklerinde yapılan karşılaştırmalar belirlemelidir. MetaRoCE gibi yeni yaklaşımlar da uygulama desteği ve olgunluk düzeyleri doğrulandıkça değerlendirmeye katılabilir. Benim yaklaşımım, önce eğitim ve hizmet hedeflerini tanımlamak, ardından aday sistemleri artan yük ve arıza koşullarında sınamak olurdu. Gelecek çalışma olarak önerilen ns-3 simülasyonu ve donanım doğrulaması tamamlandığında, yük–performans eğrileri ile operasyonel sınırların karşılaştırmalı olarak sunulması hedeflenmektedir. Ancak ölçüm yapılmadan herhangi bir teknoloji için kesin bir yük eşiği veya performans üstünlüğü ileri sürülmemelidir.</p><h3>Referanslar</h3><p><a href="https://docs.nvidia.com/deeplearning/nccl/user-guide/docs/usage/collectives.html"><strong>[1] NVIDIA. NCCL Kullanıcı Kılavuzu Toplu İşlemler.</strong></a></p><p><a href="https://networking-docs.nvidia.com/gpudirectrdma/"><strong>[2] NVIDIA. GPUDirect RDMA Kullanım Kılavuzu. 2025.</strong></a></p><p><a href="https://engineering.fb.com/2024/03/12/data-center-engineering/building-metas-genai-infrastructure/"><strong>[3] Meta Mühendislik. Meta’nın GenAI Altyapısının İnşası. 12 Mart 2024.</strong></a></p><p><a href="https://www.cisco.com/c/en/us/td/docs/dcn/whitepapers/cisco-data-center-networking-blueprint-for-ai-ml-applications.html"><strong>[4] Cisco. Yapay Zeka ve Makine Öğrenimi Uygulamaları için Veri Merkezi Ağ Bağlantısı Planı.</strong></a></p><p><a href="https://www.nvidia.com/en-us/networking/products/infiniband/"><strong>[5] NVIDIA. NVIDIA Quantum InfiniBand Platformu.</strong></a></p><p><a href="https://networking-docs.nvidia.com/winofdocumentation/55054000/rocev2"><strong>[6] NVIDIA. Yakınsamış Ethernet Üzerinden RDMA RoCEv2 Dokümantasyonu.</strong></a></p><p><a href="https://ualinkconsortium.org/specification/"><strong>[7] UALink Konsorsiyumu. Ultra Hızlandırıcı Bağlantı Özellikleri.</strong></a></p><p><a href="https://ultraethernet.org/leading-cloud-service-semiconductor-and-system-providers-unite-to-form-ultra-ethernet-consortium/"><strong>[8] Ultra Ethernet Konsorsiyumu. Önde Gelen Bulut Hizmeti Yarı İletken ve Sistem Sağlayıcıları Ultra Ethernet Konsorsiyumu Oluşturmak İçin Birleşti. 19 Temmuz 2023.</strong></a></p><p><a href="https://ultraethernet.org/specification-history/"><strong>[9] Ultra Ethernet Konsorsiyumu. Ultra Ethernet Spesifikasyon Geçmişi.</strong></a></p><p><a href="https://engineering.fb.com/2026/08/24/networking-traffic/metaroce-rdma-transport-ai-ethernet/"><strong>[10] Meta Engineering. MetaRoCE Yapay Zeka Ölçekli Ethernet için Geliştirilmiş Yeni Bir RDMA Taşıma Yöntemi. 24 Ağustos 2026.</strong></a></p><p><a href="https://developer.nvidia.com/blog/nvidia-nvlink-and-nvidia-nvswitch-supercharge-large-language-model-inference/"><strong>[11] NVIDIA Teknik Blogu. NVIDIA NVLink ve NVIDIA NVSwitch, Büyük Dil Modeli Çıkarımını Hızlandırıyor. 12 Ağustos 2024.</strong></a></p><p><a href="https://datatracker.ietf.org/doc/html/draft-lin-opsawg-ipfix-rocev2-01"><strong>[12] Lin, C. ve Zhang, H. Export of RoCEv2 Base Transport Header (BTH) Information Using IP Flow Information Export (IPFIX).</strong></a></p><p><a href="https://www.fibermall.com/blog/rdma-key-technology-for-arithmetic-networks.htm"><strong>[13] FiberMall. Yapay Zeka Hesaplama Ağları için RDMA Anahtar Teknolojisi. Görüntü kaynağı.</strong></a></p><p><a href="https://docs.nvidia.com/networking/display/RDMAAwareProgrammingv17"><strong>[14] NVIDIA. RDMA Bilinçli Ağlar Programlama Kullanım Kılavuzu.</strong></a></p><p><a href="https://networking-docs.nvidia.com/nvidiainfinibandsecurityoverviewandguidelines/security-in-infiniband"><strong>[15] NVIDIA. InfiniBand Security Overview and Guidelines — Security in InfiniBand.</strong></a></p><p><a href="https://github.com/alibaba-edu/High-Precision-Congestion-Control"><strong>[16] Alibaba EDU. High-Precision-Congestion-Control: HPCC ns-3 Simülasyonu.</strong></a></p><p><a href="https://github.com/NVIDIA/nccl-tests"><strong>[17] NVIDIA. NCCL Tests.</strong></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b47db6333efd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/gpudan-cluster-a-yapay-zek%C3%A2-altyap%C4%B1s%C4%B1n%C4%B1n-g%C3%B6r%C3%BCnmeyen-kahraman%C4%B1-network-b47db6333efd">GPU’dan Cluster’a: Yapay Zekâda Network</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Fikir Çok, Girişim Az: Kurum İçi Girişimler Neden Ticarileşemiyor?]]></title>
            <link>https://medium.com/fiba-tech-lab/fikir-%C3%A7ok-giri%C5%9Fim-az-kurum-i%CC%87%C3%A7i-giri%C5%9Fimler-neden-ticarile%C5%9Femiyor-1909223cb8b3?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/1909223cb8b3</guid>
            <dc:creator><![CDATA[Cansu Aktaş Evren]]></dc:creator>
            <pubDate>Thu, 24 Sep 2026 09:38:20 GMT</pubDate>
            <atom:updated>2026-09-24T09:38:19.276Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/871/1*zD8Qqbzx51Of3LwE8m50Yg.png" /></figure><p><strong>“Fikrimiz var!” Peki bu gerçekten başlangıç noktası mı?</strong></p><p>İnovasyon faaliyetlerini yürüten kurumlarda sahne oldukça tanıdık. Fikir yarışmaları, hackathonlar, ideathonlar, fikir çalıştayları, çalışan öneri sistemleri, Design Thinking workshopları…</p><p>Ve sonunda onlarca, bazen yüzlerce fikir. Peki gerçekten ihtiyaç duyduğumuz şey daha fazla fikir mi yoksa elimizdeki fikirleri daha iyi doğrulamak mı?</p><p>Yaratıcılık, fikir, inovasyon ve girişim gibi kavramların birbirleriyle ilişkisi olsa da hiçbiri birbirinin eş anlamlısı değil.</p><p><strong>Yaratıcılık</strong>, yeni ve işe yarayabilecek şeyler düşünebilme kapasitesidir. Doğuştan gelebilen bazı yetkinliklerin haricinde sonradan da öğrenilebilir. Teresa Amabile ve Julianna Pillemer, çalışmalarında yaratıcılığı “yeni ve uygun fikirlerin veya ürünlerin üretilmesi”, inovasyonu ise bu fikirlerin uygulanmasıyla ilişkilendirilir. [1]<em> </em>Yani yaratıcı olmak, henüz inovasyon yapmak değildir. Çünkü bir insan son derece yaratıcı olabilir ama fikirleri hiçbir zaman hayata geçmeyebilir.</p><p>Kurumların gerçekleştirdiği hackathonlar, ideathonlar, Design Thinking workshopları veya fikir yarışmaları düzenlediğinde geliştirmeye çalıştığı kaslardan biri tam olarak budur.</p><p>Bir inovasyon yarışmasında veyahut wokshopta ortaya çıkan 100 fikir inovasyon sürecinde kullanılabilecek 100 potansiyel başlangıç noktasından başka bir şey değildir.</p><p><strong>Fikir</strong>, bir problem veya fırsata yönelik olası bir çözümdür. Henüz test edilmeyi bekleyen bir varsayımdır. Müşteri gerçekten bu problemi yaşıyor mu? Çözümümüz işe yarıyor mu? Kullanıcı bunu istiyor mu? Ekonomik olarak anlamlı mı? Ölçeklenebilir mi?</p><p>İnovasyon süreçlerinde fikirleri yalnızca iyi/kötü fikir şeklinde değerlendirmek yerine test edilmesi gereken varsayımlar kümesi olarak değerlendirmek gerekir. Steve Blank’ın Customer Development yaklaşımı da iş modeli varsayımlarının müşteriyle ve deneylerle test edilmesini merkeze alır. [2]</p><p><strong>Doğrulama, </strong>herkesin birçok fikri var. Kurumsal inovasyonda önemli olan noktalarından biri de fikrin arkasında bu varsayımların sistematik olarak sürekli test edilmesidir. Fikir ile inovasyon arasındaki en önemli köprü doğrulama adımıdır. IDEO’nun Design Thinking yaklaşımında çözümler üç temel perspektifin kesişiminde ele alınır:<strong> </strong>İstenilebilirlik (Desirability), İnsanlar bunu gerçekten istiyor mu? Gerçekleştirilebilirlik (Feasibility), Bunu gerçekten yapabilir miyiz? Ekonomik Sürdürüleblirlik (Viability), Bu çözüm gerçek dünyada sürdürülebilir olabilir mi?[3]</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/805/1*isDXRr-J4bJ1zpl57d_d8Q.png" /><figcaption><strong>Şekil 1. Design Thinking Yaklaşımı</strong></figcaption></figure><p>Doğrulama aşamasında bu belirsizliği küçültmek için müşteri görüşmeleri yapmak, problemi doğrulamak, MVP (Minimum Viable Product) oluşturmak iş modeli/gelir modelini test etmek gibi bu fikrin gerçekten çalışabileceğine dair sayısız kanıt toplamak gelmektedir.</p><p><strong>İnovasyon</strong>, fikrin uygulanarak değer yaratmaya başlamasıdır. OECD Oslo Manual’a göre de inovasyonu fikirden ayıran kritik unsur uygulamadır: yeni veya iyileştirilmiş ürünün kullanıcıya sunulması ya da sürecin kurum içinde kullanılmaya başlanması gerekir. [4]</p><p>İnovasyonun kritik eşiği gerçek dünyaya dokunmasıdır. Bir ürünün müşteri tarafından kullanılması, bir sistemin operasyonal süreçlerde kullanılmaya başlaması gibi. Kısaca inovasyon yeniliğin uygulanmasıdır.</p><p><strong>Girişim</strong> ise yaratılan bu değeri sürdürülebilir ve ölçeklenebilir bir iş modeline dönüştürme arayışıdır.</p><p>Yani hikaye inovasyonla da bitmeyebilir. Bir çözüm gerçek hayatta çalışıyor ve ilk müşteriler bunu kullanıyor olabilir. Peki ya ölçeklenebiliyor mu? Tekrarlanabilir şekilde müşteri kazanabiliyor mu? Gelir modeli iş modeli sürdürülebilir mi? Blank’ın tanımına göre startup, “tekrarlanabilir ve ölçeklenebilir bir iş modeli arayan” organizasyondur. [2]</p><p>Dolayısıyla inovasyon yolculuğunu belki de şöyle okumalıyız:</p><p><strong>Yaratıcılık → Fikir → Doğrulama → İnovasyon → Girişim → Ölçeklenme</strong></p><p>Bu açıdan kurumların temel sorusu da değişiyor:</p><p>“Kaç fikir topladık?” yerine “Kaç fikri gerçek kullanıcılarla test ettik, kaçında kanıt ürettik ve kaçını gerçek değere dönüştürdük?”</p><p>Çünkü kurumların asıl ihtiyacı her zaman daha fazla fikir olmayabilir.</p><p><strong>Peki Kurumlarda Bir Girişimin Ticarileşmesi Neden Bu Kadar Zor?</strong></p><p>Bir fikri bulmak heyecan vericidir. Bir prototip geliştirmek de görece kolaydır. Asıl zorluk, o fikri müşterinin kullandığı, para ödediği ve sürdürülebilir şekilde büyüyebilen bir işe dönüştürmektir. Ticarileşme tam olarak bu noktada başlar.</p><p>CB Insights’ın 2026&#39;da yayımladığı çalışma, 2023 sonrasında kapanan 431 VC destekli girişimin verilerini inceliyor. Kapanma nedeni belirlenebilen 385 girişimde sermayenin tükenmesi %70 ile en sık belirtilen neden olurken; zayıf ürün-pazar uyumu (%43), yanlış zamanlama (%29) ve sürdürülebilir olmayan birim ekonomisi (%19) öne çıkan diğer nedenler arasında yer alıyor. [5] Peki bağımsız girişimlerin dahi bu kadar zorlandığı bir yolculuk, kurum içerisinde nasıl şekilleniyor?</p><p>Kurum içi girişimler bir taraftan mevcut müşteri tabanı, marka gücü, finansal kaynaklar, teknoloji altyapısı ve uzmanlık gibi önemli avantajlarla yola çıkıyor. Diğer taraftan ise yerleşik kurumların doğal olarak ihtiyaç duyduğu karar alma, risk yönetimi, önceliklendirme ve performans süreçleri ile erken aşamadaki girişimlerin ihtiyaç duyduğu hız, esneklik ve deney alanı arasında farklı dengeler kurulması gerekebiliyor.</p><p>Dolayısıyla kurumun sahip olduğu kaynaklar girişimin yolculuğunu kolaylaştırabilir; ancak bu kaynaklara sahip olmak ticarileşmeyi garanti etmiyor. Asıl mesele, kurumun gücü ile girişimin ihtiyaç duyduğu hız, deney alanı ve belirsizlik altında öğrenme kabiliyetini aynı çatı altında buluşturabilmek.</p><p>Kurum içerisindeki girişim aynı anda iki farklı belirsizlikle baş ediyor.</p><p>· Pazar girişimi kabul edecek mi?</p><p>· Şirket girişimi kabul edecek mi?</p><p>Ticarileşme kararının ardında yalnızca ürün pazar uyumu yakalama değil aynı zamanda girişim kurum uyumu da yaratma meselesi bulunuyor. [6]</p><p><strong>1.</strong> <strong>Doğrulamadan Çözüme Geçme Eğilimi</strong></p><p>Kurumların teknoloji, bütçe, insan kaynağı, bünyesindeki uzman havuzu girişim için önemli bir avantaj. Bu durum yani “kurumun yapabilme kapasitesi” ekibi çok hızlı bir şekilde çözüm geliştirmeye yönlendirebiliyor. Henüz varsayımların yeterince test edilip doğrulanmadığı bilinmezlikte ilerlemek temeli çürük bir yapı inşa etmeye sebep oluyor. Kurum içi bir girişimin önceliklerinden biri, hızlı bir şekilde ürün geliştirmekten ziyade yeteri kadar kanıt toplayarak belirsizlikleri ortadan kaldırmak olmalıdır.</p><p><strong>2- Pilotun Başarılı ile Ticari Başarı Arasındaki Mesafe</strong></p><p>Pilot aşamada sağlanan başarı o girişimin başarılı olacağının bir göstergesi değildir. Çünkü kurum içi girişimcilikte pilot denemeler çoğu zaman kontrollü ve destekli bir ortamda gerçekleşir.</p><p>Ticari hayatta ise durum farklıdır. Müşteri bunun için para ödeyecek mi? Pilot sonrasında da kullanmaya devam edecek mi? Müşteri kazanım maliyeti sürdürülebilir mi? Bu iş modeli tekrar tekrar çalışabilir mi? gibi cevap verilmesi gereken birçok önemli başlık vardır. McKinsey’nin 2026 tarihli Avrupa analizinde de kurumsal şirketler tarafından pilot, PoC (proof of concept) veya benzeri süreçlerle değerlendirilen scale-up projelerinin <strong>%</strong>5&#39;ten azının pazara ulaştığı aktarılıyor. [7]</p><p><strong>3-Mevcut İşin Kurallar ile Girişimin İhtiyaçları Arasındaki Denge</strong></p><p>Kurumların iş yapış şekilleri ihtiyaçları girişimlerinkinden farklı olabiliyor. Mevcut iş daha güvenli alanlarda yönetilir, verimlilik, öngörülebilirlik, bütçe disiplini ve risk kontrolü üzerine kuruludur. Hukuk uyum risk, teknoloji, satın alma, bilgi güvenliği, finans gibi birimler kurumun mevcut işini güvenli ve konforlu bir şekilde yürütmek için bulunurlar.</p><p>Girişimcilik ise belirsizlik altında ilerlemeyi; deney yapmayı, öğrenmeyi ve gerektiğinde yön değiştirebilmeyi gerektirir. Bu nedenle mevcut işin ihtiyaçlarına göre tasarlanan süreçlerin, yüksek belirsizlik taşıyan erken aşama girişimlerde aynı şekilde uygulanması girişimin ihtiyaç duyduğu hız ve öğrenme alanını sınırlayabilir. Buradaki amaç kontrol mekanizmalarını ortadan kaldırmak değil; girişimin olgunluk ve risk seviyesine göre ilgili mekanizmaları kademeli olarak devreye alabilecek bir denge kurabilmektir.</p><p>O’Reilly ve Tushman’ın “ambidextrous organization” yaklaşımı tam olarak bu gerilime işaret eder, kurumların mevcut işi verimli biçimde yürütürken aynı anda geleceğin işlerini keşfedebilmesi gerektiğine [8]. Bu da kurum ve girişim süreçlerinde sağlanacak denge ile mümkün olur.</p><p><strong>4- Kurum İçi Girişimcilikte Zaman ve Odak İhtiyacı</strong></p><p>Kurum içerisinde girişimcilik faaliyetleri yürütmeye çalışmak hem çalışanın yetkinliklerini geliştirmesine hem de burada kazandığı yetkinlikleri mevcut iş yapışına yansıtarak kurumuna değer üretmesine yardımcı olmaktadır. Yaratıcılık kabiliyeti kazanan ve varsayımları hızlıca nasıl doğrulaması gerektiğini bilen bir çalışan bu bakış açışını iş yapış süreçlerindeki farklı yaklaşımlarıyla da gösterebilmektedir.</p><p>Kurum içi girişimcinin girişimini olgunlaştırabilmesi ve ticarileşme yolculuğundaki varsayımları test edebilmesi için günlük operasyonel sorumlulukları ile girişimcilik faaliyetleri arasında doğru bir denge kurulması önemlidir. Girişimcilik için ihtiyaç duyulan zaman, yetki ve çalışma alanının oluşturulamadığı durumlarda günlük operasyonel işlerin öncelik kazanması ve girişimcilik faaliyetlerinin ikinci planda kalması doğal bir sonuç haline gelebilir.</p><p><strong>5- Belirsizlik Altında Yatırım ve Devam Etme Kararları</strong></p><p>Özellikle girişimciliğin başlarında belirsizlik ve test edilmeyi bekleyen oldukça fazla varsayım vardır. Belirsizliğin yüksek olduğu bir ortamda yatırım kararın da tek seferlik büyük bir bütçe yerine girişimin kendini kanıtladıkça yatırımın tekrar gözden geçirildiği bir senaryo üretilen kanıtlarla birlikte girişimin aşamalı olarak büyümesine önemli katkı sağlar. Önce problem kanıtı, ardından çözüm ve kullanım kanıtı, sonrasında ödeme ve iş modeli kanıtı. Kanıt arttıkça girişime ayrılan kaynak da artmalıdır. Bu yaklaşımın diğer tarafında ise gerektiğinde durabilmek vardır.</p><p>İnovasyon sisteminin önemli görevlerinden biri yalnızca başarılı girişimleri büyütmek<br> değildir. Çalışmayacak girişimleri erken keşfetmek de başarıdır. Süreçteki deneyim öğrenme yaratıyorsa değerlidir. Amaç hızlı başarısız olmak değil, mümkün olan en düşük maliyetle hızlı öğrenmektir. Çalışmayacak bir girişimi erken keşfetmek de başarıdır. Çünkü girişimcilikte her deneyin çıktısı başarılı bir ürün olmak zorunda değildir; süreç yeni ve anlamlı bir öğrenme üretiyorsa değerlidir.</p><p>Bir fikrin çalışmayacağını üç ayda ve düşük bir yatırımla öğrenmek, aynı sonuca iki yıl ve büyük bir bütçe harcadıktan sonra ulaşmaktan çok daha değerlidir. Dolayısıyla kurum içi girişimcilikte başarı yalnızca ölçeklenen girişimlerle değil, doğru varsayımları hızla test edebilme, kanıt üretebilme ve gerektiğinde zamanında durabilme becerisiyle de ölçülmelidir.</p><p><strong>Sonuç: Fikirden Ticari Değere Giden Yapıyı Nasıl Güçlendirebiliriz?</strong></p><p>Kurum içi girişimcilikte asıl mesele daha fazla fikir üretmek değil, doğru fikirleri sistematik olarak doğrulayarak ticari değere dönüştürebilecek mekanizmaları güçlendirebilmektir.</p><p>Fikir yalnızca başlangıç noktasıdır. Girişimin fikirden hayata geçen senaryoda adım adım problemi, çözümü, müşteriye sunduğu deneyimi, müşterinin satın alma isteğini, iş modelini ve ölçeklenebilirliğini adım adım test ederek topladığı, kurguladığı varsayımları kanıtlaması, belirsizlikleri azaltması gerekir.</p><p>Kurum içi girişimcilikte asıl başarı daha çok fikir üretmek çok sayıda pilot üretmek değil; belirsizliği sistematik olarak azaltarak doğru fikirleri sürdürülebilir ticari değere dönüştürebilmektir.</p><p>Her fikir bir yolculuğa çıkar ve çok azı ticari bir değere dönüşür. Önemli olan her fikri yaşatmak değil; hangi fikre devam edilmesi, hangisinin değiştirilmesi ve hangisinin zamanında durdurulması gerektiğini kanıta dayanarak görebilmektir.</p><figure><img alt="Şekil 2. . İnovasyon Hunisi" src="https://cdn-images-1.medium.com/max/842/1*h9vTPY1jpiaLhJrdrxK30Q.png" /><figcaption>Şekil 2. İnovasyon Hunisi</figcaption></figure><p>Kurum içi girişimcilikte iyi uygulamalara bakıldığında tek bir doğru modelden söz etmek mümkün değildir. Sektör, kurum kültürü, organizasyon yapısı, inovasyonun türü ve kurumun risk iştahı gibi birçok değişken, programların nasıl tasarlandığını etkileyebilmektedir. Ancak farklı uygulamalarda bazı ortak yaklaşımlar dikkat çekiyor.</p><p><strong>Girişimciye zaman ve odak alanı yaratılıyor.</strong> Bazı programlarda seçilen çalışanlar belirli bir süre mevcut görevlerinden ayrılarak girişimleri üzerinde tam zamanlı çalışabiliyor. Bazı kurumlarda ise haftanın belirli günleri yalnızca girişimcilik faaliyetlerine ayrılıyor. Böylece kurum içi girişimcilik, çalışanın günlük operasyonlarının yanında yürütmeye çalıştığı bir “ikinci iş” olmaktan çıkarılıyor.</p><p><strong>Girişimler aşamalı olarak değerlendiriliyor ve fonlanıyor.</strong> İyi uygulamalarda girişimcilik yalnızca fikir toplama ve eğitim programı olarak ele alınmıyor. Aşamalı değerlendirme ve yatırım kararları, kaynak tahsisi, mentorluk, ekip oluşturma, teşvik mekanizmaları ve girişimcilerin kariyer yolculukları birlikte tasarlanıyor. Bazı modellerde ise her aşamaya geçebilecek girişim sayısı, beklenen kanıtlar ve sağlanacak destekler en baştan tanımlanıyor. Böylece girişim ilerledikçe ve kanıt ürettikçe aldığı destek de artıyor.</p><p><strong>Girişime kurum içinde ayrı bir hareket alanı sağlanıyor.</strong> Girişimciliğin doğası; hızlı karar almayı, deney yapmayı, öğrenmeyi ve gerektiğinde yön değiştirmeyi gerektiriyor. Bu nedenle bazı kurumlar girişimleri mevcut işin günlük süreçlerinden belirli ölçüde ayrıştıran yapılar oluşturuyor. Amaç girişimi kurumun kontrol mekanizmalarından tamamen çıkarmak değil; belirsizlik altında hareket edebilmesi için ihtiyaç duyduğu hızı ve esnekliği sağlayacak bir çalışma alanı yaratmak. [9]</p><p>Dolayısıyla kurum içi girişimcilikte asıl soru belki de “Hangi modeli uygulamalıyız?” değil; mevcut modelleri ve mekanizmaları, girişimlerin fikirden ticari değere uzanan yolculuğunu daha güçlü destekleyecek şekilde nasıl geliştirebileceğimiz olmalıdır.</p><p>Çünkü kurum içi girişimcilikte sürdürülebilir başarı, tek bir program veya yöntemden çok; girişimciye zaman ve hareket alanı tanıyan, yatırımı üretilen kanıtlara göre aşamalı olarak yönlendiren ve girişimin ihtiyaçları ile kurumun yetkinliklerini buluşturan yapıların sürekli geliştirilmesinden geçiyor.</p><p><strong>Cansu AKTAŞ EVREN</strong></p><p><strong>Kaynakla</strong>r</p><p>[1] Amabile, T.M. &amp; Pillemer, J. (2012). Perspectives on the social psychology of creativity. Journal of Creative Behavior, 46 (1), 3–15</p><p>[2] Blank, S. (2013). Why the Lean Start-Up Changes Everything. Harvard Business Review, <em>91</em>(5), 63–72. <a href="https://giurisprudenza.i-learn.unito.it/pluginfile.php/466109/mod_resource/content/1/why%20the%20lean%20startup%20changes%20everything.pdf?">why the lean startup changes everything.pdf</a> Erişim Tarihi: 19 Eylül 2026</p><p>[3] IDEO Design thinking: Human-centered innovation. Erişim tarihi: 19 Eylül 2026. <a href="https://designthinking.ideo.com/introduction">https://designthinking.ideo.com/introduction</a></p><p>[4] OECD/Eurostat (2018). <em>Oslo Manual 2018: Guidelines for Collecting, Reporting and Using Data on Innovation, 4th Edition.</em> OECD Publishing.</p><p>[5] CB Insights. (2026, 5 March). The top 9 reasons startups fail. CB Insights Research. Erişim Tarihi: 19 Eylül 2026 <a href="https://www.cbinsights.com/research/report/startup-failure-reasons-top/">https://www.cbinsights.com/research/report/startup-failure-reasons-top/</a></p><p>[6] Burgelman, R. A. (1985). Managing the new venture division: Research findings and implications for strategic management. Strategic Management Journal, 6(1), 39–54.</p><p>[7] Figueiredo, F., Miele, K., Schaubroeck, R., Henz, T., &amp; Valadas, F. (2026, 10 Haziran). How corporate–scale-up partnering can boost Europe’s tech competitiveness<strong>. </strong>McKinsey &amp; Company. Erişim tarihi: 23 Eylül 2026</p><p>[8] O’Reilly, C. A. &amp; Tushman, M. L. (2004). The Ambidextrous Organization. Harvard Business Review. <em>82</em>(4), 74–81.</p><p>[9] Covin, J. G., Garrett, R. P., Kuratko, D. F., &amp; Bolinger, M. (2021). Internal corporate venture planning autonomy, strategic evolution, and venture performance. Small Business Economics,<em> </em>56(1), 293–310</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1909223cb8b3" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/fikir-%C3%A7ok-giri%C5%9Fim-az-kurum-i%CC%87%C3%A7i-giri%C5%9Fimler-neden-ticarile%C5%9Femiyor-1909223cb8b3">Fikir Çok, Girişim Az: Kurum İçi Girişimler Neden Ticarileşemiyor?</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Redis Nedir ve Ne Amaçla Kullanılır?]]></title>
            <link>https://medium.com/fiba-tech-lab/redis-nedir-ve-ne-ama%C3%A7la-kullan%C4%B1l%C4%B1r-a5ec281abacd?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/a5ec281abacd</guid>
            <category><![CDATA[redis-cluster]]></category>
            <category><![CDATA[redis]]></category>
            <dc:creator><![CDATA[Mehmet Ali Sentürk]]></dc:creator>
            <pubDate>Mon, 31 Aug 2026 06:07:41 GMT</pubDate>
            <atom:updated>2026-08-31T06:07:39.888Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/919/1*3o06A8xETtD7USR9Zh1JQQ.jpeg" /></figure><p><strong>Redis Nedir?</strong></p><p>Redis (Remote Dictionary Server), verileri doğrudan RAM (rastgele erişimli bellek) üzerinde saklayan, açık kaynaklı kökenli ve yüksek performanslı bir veri platformudur. Verilerin disk yerine bellekte tutulması, geleneksel veritabanlarının aksine milisaniyeler hatta mikrosaniyeler seviyesinde yanıt süreleri sunar. Bu hız avantajı sayesinde günümüzde bankacılık, e-ticaret ve sosyal medya gibi milyonlarca kullanıcısı olan yoğun sistemlerde temel bir bileşen haline gelmiştir.</p><p>Önemli Güncelleme: Redis, 2024 yılı itibarıyla lisans modelinde değişikliğe giderek RSALv2 ve SSPLv1 lisanslarına geçmiştir. Bununla birlikte, Redis 8 ile birlikte topluluk için AGPLv3 lisans seçeneği de sunulmaya başlanmıştır. Bu durum, ticari kullanım ve bulut sağlayıcıları için yeni kurallar getirmektedir.</p><p><strong>Neden Kullanılır?</strong></p><p>Redis’in tercih edilme nedenleri şunlardır:</p><p>· Uygulamaların yanıt hızını artırmak,</p><p>· Ana veritabanı üzerindeki okuma/yazma yükünü azaltmak,</p><p>· Kullanıcı deneyimini kesintisiz hale getirmek,</p><p>· Oturum yönetimi ve gerçek zamanlı veri işlemlerini hızlandırmak.</p><p><strong>Redis’in Avantajları</strong></p><p>· Yüksek performans<strong>:</strong> Bellek içi çalışma modeli sayesinde gecikmeye duyarlı ve yüksek işlem hacmine sahip uygulamalarda etkin şekilde kullanılabilir.</p><p>· Veritabanı yükünü azaltır: Sık erişilen verileri önbellekte tutarak ana veritabanına yapılan sorguları azaltır.</p><p>· Ölçeklenebilirlik: Redis Cluster ile artan kullanıcı ve veri yükü birden fazla sunucuya dağıtılabilir.</p><p>· Yüksek erişilebilirlik: Master–Replica ve Sentinel mimarileri sayesinde hizmet kesintisi riski azaltılır.</p><p>· Veri kalıcılığı: RDB ve AOF mekanizmalarıyla verilerin gerektiğinde diske yazılması sağlanabilir.</p><p>· Kolay entegrasyon: Java, .NET, Python, Node.js, Go ve Spring Boot gibi yaygın teknolojilerle kolayca kullanılabilir.</p><p>· Zengin veri yapıları: String, Hash, List, Set, Sorted Set ve Stream gibi farklı veri yapılarını destekler.</p><p><strong>Redis’in Kullanım Senaryoları</strong></p><p>· Önbellekleme (Caching): Sık erişilen bilgilerin (döviz kurları, ATM konumları, şube listeleri) tekrar tekrar ana veritabanından sorgulanması yerine Redis’ten hızlıca getirilmesidir.</p><p>· Oturum Yönetimi (Session Store): Mobil bankacılık ve internet şubesi kullanıcılarının oturum bilgilerini saklar. Bu sayede kullanıcı uygulama içinde gezerken her defasında yeniden giriş yapmasına gerek kalmadan kesintisiz bir deneyim sunulur.</p><p>· Mesajlaşma ve Bildirim (Pub/Sub): EFT/Havale gibi işlemler sonrası müşteriye anlık bildirim gönderilmesi veya loglama işlemlerinin arka planda hızlıca yapılması için kullanılır.</p><p><strong>Redis Mimari Yapı ve İşleyiş</strong></p><p>Bankacılık uygulamalarında sistemin hiç durmaması (Yüksek Erişilebilirlik) kritiktir. Redis bu ihtiyacı ‘Master-Replica’ mimarisiyle çözer:</p><p>· Master (Ana Sunucu): Tüm yeni verilerin yazıldığı merkezdir. Gelen bilgiler anında Replica (Yedek) sunuculara kopyalanır (Replication).</p><p>· Sentinel: Sistemi sürekli izleyen bir ‘gözlemci’ gibidir. Eğer ana sunucu arızalanırsa, Sentinel saniyeler içinde yedek sunucuyu ana sunucu olarak atar ve hizmetin kesilmesini önler.</p><p>Not: Redis, verileri diske kaydetmek için RDB (anlık fotoğraf çekme) ve AOF (işlem günlüğü tutma) mekanizmalarını kullanır. Bu sayede elektrik kesintisi gibi durumlarda veriler kaybolmaz.</p><p>RDB → daha düşük sürekli disk yükü fakat snapshotlar arasında veri kaybı ihtimali.</p><p>AOF → daha güçlü durability seçeneği fakat disk I/O ve dosya büyümesi gibi maliyetler.</p><p>RDB + AOF → dayanıklılığı artırabilir fakat CPU/disk/operasyonel maliyeti artırabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*LWyHYlJxMdLoXF4FGo73cg.jpeg" /></figure><p><strong>Şekil 1</strong> Master — Replica mimari görünümü [1]</p><p><strong>Şekil 1</strong>&#39;de Redis’in yüksek erişilebilirlik (High Availability) sağlayan Master–Replica–Sentinel mimarisi gösterilmektedir. Bu mimaride tüm yazma işlemleri Master düğümünde gerçekleştirilirken, veriler eş zamanlı olarak Replica sunucularına çoğaltılır. Sentinel bileşenleri Master sunucusunu sürekli izler ve herhangi bir arıza durumunda Replica sunucularından birini otomatik olarak yeni Master olarak devreye alır (Automatic Failover). Böylece hizmet kesintisi en aza indirilerek uygulamaların yüksek erişilebilirliği sağlanır.</p><p><strong>Bu mimari hangi problemi çözer?</strong></p><p>Bankacılık uygulamalarında tek bir Redis sunucusunun hizmet dışı kalması kullanıcıların oturumlarını kaybetmesine, giriş yapamamasına veya işlem gerçekleştirememesine neden olabilir. Master–Replica–Sentinel mimarisi bu riski azaltarak sistemin yüksek erişilebilirlikle çalışmasını sağlar.</p><p><strong>Riskler ve Dikkat Edilmesi Gereken Noktalar</strong></p><p><strong>Bellek Yönetimi</strong>: Redis’te yalnızca maxmemory değerinin belirlenmesi yeterli değildir. Kullanım senaryosuna göre uygun eviction policy (allkeys-lru, allkeys-lfu, volatile-lru, noeviction vb.) seçilmeli, verilerin TTL süreleri belirlenmeli ve bellek kullanımı düzenli olarak izlenmelidir. Cache senaryolarında eski veya az kullanılan anahtarların otomatik olarak silinmesi kabul edilebilirken, session veya kritik verilerin tutulduğu yapılarda kontrolsüz eviction kullanıcı oturumlarının veya uygulama verilerinin kaybolmasına neden olabilir. Ayrıca veri hacmi büyüdükçe RAM maliyeti disk tabanlı sistemlere göre önemli bir operasyonel maliyet oluşturabilir.</p><p>Veri Kalıcılığı Ayarları: Çok sık diske yazma işlemi performansı düşürebilir, tersi durumda ise veri kaybı riski oluşabilir. Uygulamanın ihtiyacına göre denge kurulmalıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*OhEn2OxbvbrvIf5aCWfnvA.jpeg" /></figure><p><strong>Şekil 2. Mobil Bankacılıkta Redis Mimarisi [2]</strong></p><p><strong>Şekil 2</strong>&#39;de Redis’in mobil bankacılık uygulamasındaki örnek kullanım senaryosu gösterilmektedir. Kullanıcının giriş yapmasının ardından oturum bilgileri (Session), müşteri bilgileri, ATM/Şube listeleri, döviz kurları ve kampanya verileri Redis’te <strong>Key-Value</strong> veri yapısı kullanılarak saklanmaktadır. Spring Boot API katmanı bu verilere doğrudan Redis üzerinden erişerek ana veritabanına gönderilen sorgu sayısını önemli ölçüde azaltmaktadır. Böylece uygulamanın yanıt süresi kısalırken, veritabanı üzerindeki yük de önemli ölçüde azalır.</p><p>Bu mimaride tüm yazma işlemleri Redis Master düğümünde gerçekleştirilir ve veriler eş zamanlı olarak Replica sunucularına çoğaltılır. Sentinel bileşeni ise Master sunucusunu sürekli izleyerek olası bir arıza durumunda Replica sunucularından birini otomatik olarak yeni Master olarak devreye alır (Automatic Failover). Böylece mobil bankacılık hizmetinin kesintisiz ve yüksek erişilebilir şekilde çalışması sağlanır.</p><p><strong>Bu mimari mobil bankacılıkta hangi problemi çözer?</strong></p><p>Mobil bankacılık uygulamalarında aynı verilerin binlerce hatta milyonlarca kullanıcı tarafından tekrar tekrar sorgulanması ana veritabanında yüksek yük oluşturabilir. Redis üzerinde önbelleğe alınan veriler sayesinde sık kullanılan verilere ana veritabanına tekrar sorgu göndermeden erişilebilir. Böylece ana veritabanı üzerindeki yük azaltılır ve uygulamanın yanıt süreleri iyileştirilir. Böylece hem kullanıcı deneyimi iyileşir hem de veritabanı üzerindeki yük önemli ölçüde azalır.</p><p><strong>Hangi riskleri azaltır?</strong></p><p>Bu mimari aynı zamanda sistem sürekliliğini de artırmaktadır. Master sunucusunda oluşabilecek bir arıza durumunda Sentinel mekanizması yeni Master’ı otomatik olarak devreye alır. Replica sunucular sayesinde veri kaybı riski azaltılırken, uygulamanın kesintisiz hizmet vermesi sağlanır. Böylece oturum kaybı, servis kesintisi ve tek sunucuya bağımlılık (Single Point of Failure) gibi operasyonel riskler minimize edilir.</p><p><strong>Kısa Terim Açıklamaları</strong></p><p>• Hash: Bir müşteriye ait bilgileri tek kayıt altında düzenli şekilde saklamaya yarar.</p><p>• RDB: Belirli aralıklarla sistemin fotoğrafını çekerek gerektiğinde geri dönülmesini sağlar.</p><p>• AOF: Yapılan değişiklikleri günlük gibi kaydederek veri kaybı riskini azaltır.</p><p>• I/O Threads: Yoğun saatlerde birden fazla veznedarın çalışması gibi, kullanıcı isteklerinin daha hızlı işlenmesine yardımcı olur.</p><ul><li>Replication Backlog: Ana ve yedek sunucu arasında kısa süreli bağlantı sorunlarında eksik verilerin tamamlanmasını sağlayan geçici bekleme alanıdır.</li></ul><p><strong>Redis Teknik Özellikleri</strong></p><p>Redis, hızlı çalışacak şekilde geliştirilmiştir. Verileri bellekte tuttuğu için kullanıcı isteklerine çok kısa sürede yanıt verebilir.</p><p>Aynı anda çok sayıda kullanıcı sisteme bağlansa bile istekleri verimli şekilde yönetebilir. Bu sayede yoğun saatlerde bile uygulamalar akıcı çalışır.</p><p>İşlemleri düzenli bir şekilde yürüttüğü için veri karışıklığını önler ve hızlı yanıt vermeye devam eder.</p><p>Yoğun kullanıcı trafiğinde ise yardımcı işlem mekanizmaları devreye girerek sistemin daha fazla kullanıcıya daha hızlı hizmet vermesine yardımcı olur.</p><p><strong>redis.conf ile yönetilebilen bazı önemli ayarlar</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/734/1*aLdYNQpNmhq4cA7Q7tsCOQ.jpeg" /></figure><p><strong>Redis I/O Threads</strong>, ağ (network) okuma/yazma işlemlerini birden fazla thread’e dağıtarak ana thread’in yalnızca komut yürütmeye odaklanmasını sağlar. Bu yaklaşım, özellikle yüksek bağlantı sayısına sahip sistemlerde ağ darboğazını azaltır ve Redis’in daha yüksek throughput ile çalışmasına yardımcı olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/883/1*cukJQJeoPThce79y1nPAwg.jpeg" /></figure><p><strong>Şekil 3</strong> Threads Miamari yapısı [3]</p><p><strong>Şekil 3</strong>&#39;te Bankacılık uygulamalarında özellikle maaş ödemeleri, EFT/Havale saatleri, kampanya dönemleri ve mobil bankacılığa yoğun giriş yapılan zamanlarda aynı anda çok sayıda kullanıcı sisteme bağlanmaktadır. Bu yoğunluk, ağ (network) katmanında darboğaz oluşmasına ve yanıt sürelerinin uzamasına neden olabilir.</p><p>Redis’in <strong>I/O Threads</strong> mimarisi, istemcilerden gelen ağ okuma ve yazma işlemlerini birden fazla iş parçacığına dağıtarak ana iş parçacığının yalnızca komutları çalıştırmasına odaklanmasını sağlar. Böylece yoğun kullanıcı trafiğinde sistem daha fazla isteği aynı anda işleyebilir ve uygulamanın yanıt süresi iyileşir.</p><p><strong>Hangi riskleri azaltır?</strong></p><p>Bu mimari;</p><ul><li>Yoğun saatlerde oluşabilecek ağ darboğazı (Network Bottleneck) riskini azaltır.</li><li>Aynı anda çok sayıda kullanıcının bağlandığı durumlarda yanıt sürelerinin uzamasını önlemeye yardımcı olur.</li><li>Sunucu kaynaklarının daha verimli kullanılmasını sağlayarak işlem kapasitesini artırır.</li><li>Kullanıcıların mobil bankacılık uygulamasında yaşadığı gecikme ve performans sorunlarının azaltılmasına katkı sağlar.</li></ul><p><strong>Büyük Veri Kümeleri:</strong> Veri kümesi tek bir sunucunun RAM kapasitesine yaklaştığında dikey ölçekleme maliyetli hale gelebilir. Bu durumda Redis Cluster ile verilerin birden fazla düğüme dağıtılması gerekebilir. Ancak düğüm sayısının artması kapasite planlama, shard yönetimi, rebalancing, failover, ağ trafiği, izleme ve hata giderme süreçlerini daha karmaşık hale getirir.</p><p><strong>Redis’in Lisans Yapısı</strong></p><p>Redis; yüksek performanslı, bellek içi (RAM tabanlı) bir veri platformudur. İlk yıllarında BSD lisansı altında tamamen açık kaynaklı olarak geliştirilmiştir. 2024 yılında lisans modelinde değişikliğe gidilerek Redis Kaynak Kullanımlı Lisans v2 (RSALv2) ve Sunucu Tarafı Kamusal Lisans v1 (SSPLv1) kullanılmaya başlanmıştır.</p><p>Redis 8 sürümüyle birlikte ise AGPLv3 lisans seçeneği de sunularak açık kaynak ekosistemi yeniden desteklenmiştir. Bu sayede Redis; günümüzde hem ticari kullanım hem de açık kaynaklı projeler için esnek lisans alternatifleri sağlamaktadır.</p><p><strong>Redis 8 İle Gelen Yenilikler</strong></p><p>Redis 8, yalnızca başarım (performans) iyileştirmeleri sunmakla kalmayıp, aynı zamanda yapay zekâ uygulamalarını doğrudan destekleyen güçlü yeni yetenekler kazanmıştır:</p><ul><li><strong>Vektör Kümesi (<em>Vector Set</em>) Veri Yapısı:</strong> Yapay zekâ modellerinin ürettiği öznitelik vektörlerinin (gömülmeler/embeddings) Redis üzerinde saklanmasına ve benzer verilerin milisaniyeler içinde bulunmasına olanak tanır.</li><li><strong>Anlamsal Arama (<em>Semantic Search</em>) Desteği:</strong> Anahtar kelime eşleşmesi yerine anlam bazlı arama yapılmasını sağlar. Bu özellik; özellikle sohbet robotları, içerik öneri sistemleri ve üretken yapay zekâ (Generative AI) çözümlerinde kritik rol oynar.</li><li><strong>Performans ve Bellek İyileştirmeleri:</strong> Bellek yönetimi ve komut verimliliği sayesinde, yüksek işlem hacimli sistemlerde gecikme sürelerini (latency) minimuma indirerek daha yüksek işlem kapasitesi (throughput) sunar.</li><li><strong>Redis Sorgu Motoru (<em>Query Engine</em>):</strong> Veriler üzerinde bellek içi hızlı arama, süzme (filtreleme) ve karmaşık sorgulamalar yapılmasına imkân tanır.</li></ul><p><strong>AGPLv3 Lisans Seçeneği:</strong> Özgür yazılım ve açık kaynak topluluğuna yönelik güvence sağlayarak topluluk tabanlı kullanım alternatiflerini genişletmiştir.</p><p><strong>Redis ve Benzer Ürünlerin Karşılaştırılması</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/817/1*MekF1YdsFkUO8FN30MF4XQ.jpeg" /></figure><p>Bu nedenle Redis her senaryoda diğer çözümlerden daha iyi değildir. Basit ve geçici cache ihtiyaçlarında Memcached gibi daha sade çözümler yeterli olabilirken, zengin veri yapıları, persistence, yüksek erişilebilirlik, gerçek zamanlı işlemler ve gelişmiş sorgulama gereksinimlerinde Redis öne çıkmaktadır.</p><p><strong>Kaynaklar</strong></p><p>· <a href="https://redis.io/"><strong>Redis Resmi Web Sitesi</strong></a></p><p>· <strong>Redis Documentation</strong></p><p>· <a href="https://github.com/redis/redis"><strong>GitHub — Redis</strong></a></p><h3>Sonuç</h3><p>Redis yalnızca yüksek performanslı bir önbellek çözümü değil, aynı zamanda modern bankacılık uygulamalarında oturum yönetimi, önbellekleme, yüksek erişilebilirlik ve gerçek zamanlı veri işleme ihtiyaçlarını karşılayan kritik bir veri platformudur. Redis 8 ile gelen performans geliştirmeleri, Vector Set ve Semantic Search gibi yenilikler sayesinde yapay zekâ uygulamalarında da önemli bir rol üstlenmektedir. Doğru yapılandırıldığında hem kullanıcı deneyimini iyileştirir hem de sistemlerin daha güvenilir ve ölçeklenebilir çalışmasına katkı sağlar.</p><h3>Kaynaklar (IEEE Formatı)</h3><p>[1] Redis Ltd., “Redis Documentation,” <a href="https://redis.io/docs/latest/">https://redis.io/docs/latest/</a></p><p>[2] Redis Ltd., “Redis Licensing,” <a href="https://redis.io/legal/licenses/">https://redis.io/legal/licenses/</a></p><p>[3] Redis GitHub Repository, <a href="https://github.com/redis/redis">https://github.com/redis/redis</a></p><p>[4] Redis 8 Documentation, <a href="https://redis.io/docs/latest/operate/oss_and_stack/">https://redis.io/docs/latest/operate/oss_and_stack/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=a5ec281abacd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/redis-nedir-ve-ne-ama%C3%A7la-kullan%C4%B1l%C4%B1r-a5ec281abacd">Redis Nedir ve Ne Amaçla Kullanılır?</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Bankacılıktan Teknolojiye Geçerken Öğrendiğim 10 Şey]]></title>
            <link>https://medium.com/fiba-tech-lab/bankac%C4%B1l%C4%B1ktan-teknolojiye-ge%C3%A7erken-%C3%B6%C4%9Frendi%C4%9Fim-10-%C5%9Fey-200b99bf7a04?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/200b99bf7a04</guid>
            <dc:creator><![CDATA[Doğan Can TÜREDİ]]></dc:creator>
            <pubDate>Thu, 20 Aug 2026 13:35:46 GMT</pubDate>
            <atom:updated>2026-08-20T13:35:44.833Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*qF0pAfyUVmrScvnmu_RHbg.png" /></figure><p><strong>Bir İş Analistinin (Business Analyst) Notları</strong></p><p>Uzun yıllar bankacılık sektöründe çalışırken teknoloji ekipleriyle sürekli temas halindeydim. Başlarda teknoloji ekibini, bana verilen gereksinimleri geliştiren bir ekip olarak görüyordum. Zaman geçtikçe aslında aynı problemi farklı dillerle anlatmaya çalışan insanlar olduğumuzu fark ettim.</p><p>İş Analisti (Business Analyst) olarak öğrendiğim en önemli şey ise şuydu: “İyi analiz, iyi doküman yazmaktan çok doğru problemi anlamaktır.”</p><p><em>“İnsanlar matkabı değil, duvardaki deliği satın alırlar.”</em> Theodore Levitt</p><p>Bu cümleyi ilk okuduğumda, pazarlama üzerine söylenmiş güzel bir söz olduğunu düşünmüştüm. Yıllar sonra İş Analisti (Business Analyst) olarak çalışırken aslında yaptığım işin de tam olarak bu olduğunu fark ettim. Kimse yeni bir ekran istemiyor. Kimse yeni bir buton istemiyor. Kimse yeni bir Uygulama programlama arayüzü (API) istemiyor. İnsanlar yalnızca problemlerinin çözülmesini istiyor. Asıl görevimiz de tam burada başlıyor. İyi analiz, iyi doküman yazmaktan çok doğru problemi anlamaktır.</p><p><strong>Bankacılığa İlk Bakışım</strong></p><p>Bankacılık sektörüne ilk adım attığımda her şey bana oldukça düzenli görünüyordu. Prosedürler vardı. Onay mekanizmaları vardı. Dokümanlar vardı. Risk analizleri vardı. Her şey belirli kurallara göre ilerliyordu. İlk zamanlarda bunun gereğinden fazla bürokrasi olduğunu düşünüyordum.</p><p>Sonra canlı ortamda çalışan milyonlarca müşteriyi, saniyeler içinde gerçekleşen para transferlerini ve tek bir hatanın oluşturabileceği finansal riskleri gördükçe şunu anladım:</p><p><strong>Bankacılıkta kontrollü ilerlemek, çoğu zaman hızlı ilerlemekten daha değerlidir.</strong></p><p>Bir gün planlanan bir geliştirme öncesinde, teknik ekipten beklemediğim bir öneri geldi. “Canlıya bu akşam çıkmayalım.” İlk anda şaşırmıştım. Geliştirme tamamlanmıştı, testler başarıyla geçmişti ve takvim açısından da herhangi bir engel görünmüyordu. Ancak yapılan son etki analizinde, değişikliğin beklenmedik şekilde başka bir entegrasyonu da etkileyebileceği fark edildi. Ekip, geliştirmeyi birkaç gün erteleyip ek testler yapmayı önerdi. İlk anda her şey hazır sonrasında geliştiririz düşüncesindeydik fakat canlıya tam anlamıyla her şey bittikten sonra çıkılmasının aslında müşteriyi, operasyonu ve bankayı koruyan doğru karar olduğunu göz önünde bulundurarak hızlı olmak yerine biraz daha yavaş, kontrollü ilerlemenin doğru olduğunu anladık.</p><p><strong>Sonra Teknoloji Dünyasına Daha Yakından Bakmaya Başladım</strong></p><p>İlk toplantılarımda geliştirici ekiplerden sıkça şu cümleyi duyuyordum: “Biraz daha detay verebilir misin?” Ben ise içimden şöyle düşünüyordum: <em>“Dokümanda zaten yazıyor.” </em>Meğer yazmıyormuş.</p><p>Ya da daha doğrusu, benim yazdığım şey ile geliştiricinin okuduğu şey aynı değilmiş. Bir kullanıcı “işlem hızlı olsun” dediğinde; Operasyon ekibi başka, Yazılımcı başka, Test yapan başka, Ürün yöneticisi bambaşka bir şey anlıyormuş. Herkes aynı cümleyi duymuştu.</p><p>Ama toplantı sonunda dört farklı beklenti ortaya çıktı.</p><ul><li>Operasyon ekibi için bu, işlem adımlarının azaltılması demekti.</li><li>Yazılım geliştirme ekibi için servislerin yanıt sürelerinin iyileştirilmesi anlamına geliyordu.</li><li>Test ekibi için yüksek işlem hacminde performans testlerinin yapılması gerekiyordu.</li><li>Ürün yöneticisi için ise müşterinin işlemi daha az ekranda tamamlaması anlamına geliyordu.</li></ul><p>İşte o gün İş Analistinin aslında doküman yazan kişi olmadığını anladım. Bence <strong>İyi bir analist, cümleden çıkan farklı beklentileri ortak bir çözüme dönüştürebilen kişidir.</strong></p><p>Bugün geriye dönüp baktığımda, bankacılıktan teknoloji dünyasına geçerken öğrendiğim on önemli dersi paylaşmak istiyorum.</p><p><strong>1. Gereksinimler Çoğu Zaman Çözüm Olarak Geliyor</strong></p><p>Kullanıcı şöyle diyordu: “Buraya bir Excel butonu ekleyelim.”</p><p>Eskiden bunu olduğu gibi yazıyordum. Bugün ilk sorduğum soru şu oluyor: “Neden?” Belki rapora ihtiyacı vardır. Belki filtreleme eksiktir. Belki sistem yavaştır. Belki de Excel’e hiç ihtiyaç yoktur. İş Analistliğin (Business Analysis’ın) bana öğrettiği ilk ders buydu:</p><p><strong>İstek ile ihtiyaç aynı şey değildir.</strong></p><p>Bugün önüme yeni bir talep geldiğinde artık yalnızca “ne isteniyor?” sorusunu sormuyorum.</p><p>Kendi kontrol listem neredeyse her zaman şu sorulardan oluşuyor:</p><ul><li>Bu değişiklik hangi sistemleri etkiliyor?</li><li>Başka hangi uygulamalar aynı veriyi kullanıyor?</li><li>Güvenlik açısından yeni bir risk oluşturuyor mu?</li><li>Mevcut test senaryoları güncellenecek mi?</li><li>Canlıya geçiş sırasında müşteriyi etkileyecek bir durum oluşabilir mi?</li><li>Geri dönüş (rollback) planımız var mı?</li></ul><p>İş Analistliği (Business Analyst) bana, doğru soruları sormanın çoğu zaman doğru cevaplardan daha değerli olduğunu öğretti.</p><p><strong>2. En Büyük Problem Teknoloji Değil, İletişim</strong></p><p>Yıllar boyunca onlarca toplantıya katıldım. İlginç olan şu ki…</p><p>Sorunların büyük bölümü teknik değildi. Aynı kelimeleri kullanıyorduk ama farklı şeylerden bahsediyorduk. “Tamamlandı.” “Hazır.” “Bitti.” Bu üç kelimenin ekipte farklı anlamları olabiliyordu.</p><p>Bir gün bir geliştirici bana şöyle demişti: “Kod bitti ama özellik bitmedi.” O gün bunun ne kadar doğru bir cümle olduğunu anladım.</p><p>Çünkü; test vardı, entegrasyon vardı, güvenlik kontrolleri vardı, performans testleri vardı, canlıya geçiş vardı. Kod yazmak yalnızca başlangıçtı.</p><p><strong>3. İyi Doküman Uzun Doküman Değildir</strong></p><p>Kariyerimin başlarında ne kadar fazla yazarsam o kadar iyi analiz yaptığımı düşünüyordum. 5 sayfa… 8 sayfa… 10 sayfa…</p><p>Bir gün biri bana şunu söyledi: “Bunu gerçekten okuyacak mıyız?” Haklıydı. Kimsenin o kadar sayfa okumaya vakti yoktu. O günden sonra daha az yazmaya başladım. Ama daha çok düşünmeye…</p><p>Bugün iyi hazırlanmış tek bir süreç diyagramının bazen onlarca sayfalık açıklamadan daha değerli olduğunu düşünüyorum.</p><p><strong>4. “Yapamayız” Demek Çoğu Zaman “İstemiyoruz” Demek Değildir</strong></p><p>Bankacılıkta geliştirici ekiplerden en sık duyduğum cümlelerden biri şuydu: “Bu değişiklik riskli.” Eskiden bunu bir engel olarak görüyordum. Bugün ise farklı bakıyorum.</p><p>Çünkü her değişiklik; performansı, güvenliği, denetimi, müşteri deneyimini, hatta başka onlarca sistemi etkileyebiliyor. Bankacılıkta bazen en iyi geliştirme hiç geliştirme yapmamaktır.</p><p><strong>5. Küçük Değişiklik Diye Bir Şey Yok</strong></p><p>Bir alanı zorunlu yapmak istiyoruz. “Birkaç saatlik iş.” Sonra ortaya çıkan liste…</p><p>Mobil uygulama. İnternet bankacılığı. ATM. Çağrı merkezi. Raporlama. Veri ambarı. Bildirim servisleri. Toplu işlem (Batch) süreçleri.</p><p>Arka tarafta çalışan onlarca entegrasyon. İşte o gün “küçük geliştirme” ifadesini kullanmayı bıraktım.</p><p>Tam burada şimdiye kadar yazdıklarım ve yazacaklarım arasında bir örnek vermek istedim.</p><p>İş Analistliği (Business Analyst) kariyerimde kullanıcıların ekranda gördüğü bileşenlere odaklanıyordum. Bir buton, bir alan ya da yeni bir ekran. Ancak zamanla fark ettim ki kullanıcıların gördüğü ile sistemin arka planında çalışan süreçler arasında büyük bir fark var. Bunu en iyi kredi başvurusu süreçlerinden birinde anladım. Dışarıdan bakıldığında müşteri yalnızca <strong>“Başvur”</strong> butonuna basıyor. Oysa bir İş Analisti olarak benim zihnimde bambaşka bir akış başlıyor.</p><p>· Kimlik doğrulama servisi doğru çalışıyor mu?</p><p>· Kredi skoru hangi sistemden alınacak?</p><p>· Gelir bilgisi hangi kaynaktan doğrulanacak?</p><p>· Risk değerlendirme motoru bu değişiklikten etkilenecek mi?</p><p>· Kara liste ve uyum kontrolleri yapılacak mı?</p><p>· Dijital sözleşme hangi aşamada oluşturulacak?</p><p>· Bildirim sistemi müşteriye SMS gönderecek mi?</p><p>· Muhasebe kayıtları doğru oluşacak mı?</p><p>Sonra işin ikinci kısmı başlıyor. Bu değişiklik başka hangi sistemleri etkiliyor?</p><p>· Mobil Bankacılık</p><p>· İnternet Bankacılığı</p><p>· Şube uygulamaları</p><p>· Çağrı Merkezi</p><p>· Risk değerlendirme sistemi</p><p>· Kredi tahsis sistemi</p><p>· Muhasebe sistemi</p><p>· Raporlama ve veri ambarı</p><p>Ardından test ekibiyle birlikte senaryoları değerlendiriyoruz.</p><p>· Başarılı başvuru</p><p>· Eksik bilgiyle başvuru</p><p>· Kredi skoru servisinin yanıt vermemesi</p><p>· Risk motorunun hata dönmesi</p><p>· SMS servisinin çalışmaması</p><p>· Aynı müşterinin eş zamanlı iki başvuru yapması</p><p>Ve son olarak canlıya geçişi düşünüyoruz. Herhangi bir hata durumunda müşteriler kredi başvurusu yapamayacak mı, yoksa süreç kontrollü şekilde devam edebilecek mi? İşte o zaman fark ettim ki İş Analisti (Business Analyst) olmak yalnızca gereksinim yazmak değildir.</p><p>Bir değişikliğin etkileyebileceği tüm sistemleri, bağımlılıkları, test süreçlerini, operasyonel riskleri ve regülasyonları daha geliştirme başlamadan görebilmektir.</p><p><strong>6. Regülasyon Yazılımın Görünmeyen Tarafı</strong></p><p>Teknoloji dünyasına dışarıdan bakan birçok kişi yalnızca kodu görüyor. Oysa bankacılıkta kodun yanında görünmeyen başka bir katman daha var.</p><p>-BDDK (Bankacılık Düzenleme ve Denetleme Kurumu) : bankaların bilgi sistemleri, iç kontrol mekanizmaları ve güvenli hizmet sunumu konusunda uyması gereken düzenlemeleri belirler.</p><p>-KVKK (Kişisel Verilerin Korunması Kanunu) : müşterilere ait kişisel verilerin hangi amaçla işlenebileceğini, nasıl saklanacağını ve nasıl korunacağını düzenler.</p><p>-MASAK (Mali Suçları Araştırma Kurulu) : kara para aklanmasının ve terörün finansmanının önlenmesine yönelik yükümlülükleri belirler.</p><p>İşin ilginç tarafı şu. Kullanıcı bunların hiçbirini bilmiyor. Bilmek zorunda da değil. Ama analist biliyor olmak zorunda. Bir İş Analisti (Business Analyst) bu düzenlemeleri hukukçu olmak için değil, geliştirdiği çözümün mevzuata uygun olup olmadığını değerlendirebilmek için bilmek zorundadır. Örneğin yeni bir müşteri ekranı tasarlanırken yalnızca kullanıcı deneyimi düşünülmez. Şu sorular da sorulur.</p><ul><li>Bu veri KVKK kapsamında kişisel veri mi?</li><li>Log kayıtlarında tutulabilir mi?</li><li>Maskelenmesi gerekiyor mu?</li><li>Yetkisiz kullanıcılar bu bilgiye erişebilir mi?</li><li>BDDK’nın bilgi sistemleri düzenlemeleriyle uyumlu mu?</li></ul><p>Çünkü hazırlanan bir gereksinim yalnızca kullanıcı ihtiyacını karşılamamalı; aynı zamanda güvenlik, denetim ve yasal yükümlülükleri de sağlamalıdır. Bankacılıkta başarılı bir çözüm, yalnızca çalışan çözüm değildir. Regülasyonlara uyumlu çalışan çözümdür.</p><p><strong>7. Kusursuz Çözüm Yerine Yaşayan Çözüm</strong></p><p>Donald Knuth’un meşhur sözü vardır:</p><p>“Premature optimization is the root of all evil.”[1]</p><p>Bu sözü yıllar içinde farklı yorumlamaya başladım. Bazen en iyi çözüm; en karmaşık olan değil, ekibin altı ay sonra da anlayabileceği çözümdür. Çünkü yazılım yalnızca bugün için yazılmıyor. Yarın biri onu değiştirecek.</p><p><strong>8. En İyi Analistler En Çok Dinleyenler</strong></p><p>İlk zamanlarda iyi analistin çok konuşan kişi olduğunu sanıyordum. Bugün tam tersini düşünüyorum.</p><p>İyi analistler;</p><p>-daha çok soru soruyor,</p><p>-daha çok dinliyor,</p><p>-daha az varsayım yapıyor.</p><p>Stephen Covey’in çok sevdiğim sözü bunu güzel özetliyor:</p><p>“Seek first to understand, then to be understood.”[2]</p><p><strong>9. Çevik Yaklaşım (Agile) Bir Takvim Değildir</strong></p><p>İlk kez Çevik Yaklaşım (Agile) ile çalışmaya başladığımda, Agile’ı bir toplantı takvimi sanıyordum. Sprint (Çevrim) planlama toplantıları vardı. Günlük değerlendirme toplantıları (Daily Meeting) vardı. Gözden geçirme toplantıları (Sprint Review) vardı. Geriye dönük değerlendirme toplantıları (Retrospective) vardı. Bir süre sonra şunu fark ettim. Bu toplantıları yapmak bizi çevik yapmıyordu.</p><p>Asıl önemli olan, değişen ihtiyaçlara ne kadar hızlı uyum sağlayabildiğimizdi. Bunu en net yaşadığım örneklerden biri, geliştirme sürecinin ortasında değişen bir iş ihtiyacıydı. Bir kullanıcı hikâyesi (User Story) üzerinde çalışıyorduk. Analiz tamamlanmış, geliştirme başlamıştı. Tam bu sırada iş biriminden yeni bir bilgi geldi. Mevcut çözüm teknik olarak doğruydu; ancak yeni bir yasal düzenleme nedeniyle süreçte ek bir doğrulama adımı gerekiyordu. İlk tepkimiz “Artık çok geç, bunu bir sonraki sürüme bırakalım.” olabilirdi. Ancak ekip olarak durumu yeniden değerlendirdik. İş Analisti, yazılım geliştirici, test uzmanı ve ürün sahibi aynı masada buluştu. Değişikliğin etkisini birlikte analiz ettik, öncelikleri yeniden belirledik ve geliştirme planını güncelledik. Belki planımız değişmişti ama hedefimiz değişmemişti. O gün Agile’ın aslında süreçlere körü körüne bağlı kalmak değil, değişimi yönetebilmek olduğunu anladım.</p><p>Çevik Yaklaşım (Agile) Manifesto’nun ilk maddesi aslında her şeyi anlatıyor:</p><p>“Individuals and interactions over processes and tools.”[3]</p><p>Bence Çevik yaklaşım (Agile); değişime hızlı uyum sağlayabilmek demek.</p><p><strong>10. İş Analisti (Business Analyst) Bir Çevirmen</strong></p><p>Bugün biri bana İş Analisti (Business Analyst) nedir diye sorsa tek cümle kurarım. İş Analisti (Business Analyst) müşterinin söylediğini geliştiriciye çevirebilen, geliştiricinin anlattığını yönetime aktarabilen, yönetimin beklentisini kullanıcı deneyimine dönüştürebilen kişidir.</p><p>Yani aslında…</p><p>İnsanlarla sistemler arasında çalışan görünmez bir tercümandır.</p><p><strong>Geriye Dönüp Baktığımda…</strong></p><p>Bankacılık bana disiplin öğretti. Teknoloji bana değişimin kaçınılmaz olduğunu öğretti. İş Analisti (Business Analysis) ise bana çok daha değerli bir şey öğretti. Hiç kimse gerçekten yazılım istemiyor. İnsanlar daha hızlı işlem yapmak istiyor. Daha az hata yapmak istiyor. Kendilerini güvende hissetmek istiyor. İşlerini kolaylaştırmak istiyor. Yazılım ise bunun yalnızca bir aracı.</p><p>Belki de öğrendiğim en önemli şey bu oldu. İş Analisti (Business Analyst) olarak bizim işimiz ekran tasarlamak değil. Doküman yazmak değil. Kullanıcı hikayesi (User Story) hazırlamak da değil. Bizim işimiz, insanlar ile teknoloji arasında güvenilir bir köprü kurmak ve o köprü ne kadar sağlam olursa, ortaya çıkan ürün de o kadar değerli oluyor.</p><p><strong>Kaynakça</strong></p><p>[1] Structured Programming with go to Statements, 1974</p><p>[2] Stephen R. Covey, The 7 Habits of Highly Effective People (1989).</p><p>[3] Agile Manifesto (2001) — <a href="https://agilemanifesto.org/">https://agilemanifesto.org/</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=200b99bf7a04" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/bankac%C4%B1l%C4%B1ktan-teknolojiye-ge%C3%A7erken-%C3%B6%C4%9Frendi%C4%9Fim-10-%C5%9Fey-200b99bf7a04">Bankacılıktan Teknolojiye Geçerken Öğrendiğim 10 Şey</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[TLS/CIPHER DÜNYASININ PERDE ARKASI]]></title>
            <link>https://medium.com/fiba-tech-lab/tls-cipher-d%C3%BCnyasinin-perde-arkasi-f08a5a7ec35c?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/f08a5a7ec35c</guid>
            <category><![CDATA[cipher-suite]]></category>
            <category><![CDATA[ssl]]></category>
            <category><![CDATA[ipsec]]></category>
            <category><![CDATA[cipher]]></category>
            <category><![CDATA[tls]]></category>
            <dc:creator><![CDATA[Mustafa AVDAN]]></dc:creator>
            <pubDate>Tue, 18 Aug 2026 10:50:07 GMT</pubDate>
            <atom:updated>2026-08-18T10:50:05.979Z</atom:updated>
            <content:encoded><![CDATA[<p>İnternet veya mobil bankacılık uygulamasına bağlanırken, bankalar arası bir API çağrısı yapılırken ya da ödeme sistemleri arasında veri taşınırken, iki lokasyon arasında IPsec VPN kurarken veya bir yük dengeleyici (load balancer) üzerinde SSL/TLS profili oluştururken arka planda birçok kriptografik işlem gerçekleşir. Çoğu zaman bu işlemleri doğrudan görmeyiz. Ancak F5, Citrix ADC, güvenlik duvarı (firewall) veya benzeri bir ürün üzerinde yapılandırma yapmaya başladığımızda <strong>AES-256, </strong><strong>SHA-256, </strong><strong>ECDHE, </strong><strong>RSA, </strong><strong>DH Group 14</strong> ve <strong>PFS</strong> gibi kavramlar karşımıza çıkar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/661/1*n3hBOkNSGwn-Xf8zFsip6Q.png" /><figcaption><strong>Resim-1:</strong> F5 Load Balancer Cipher Suites referans</figcaption></figure><blockquote><em>Özellikle </em><strong><em>IPSEC</em></strong><em> tünel kurma, </em><strong><em>SSH</em></strong><em>, </em><strong><em>sertifika</em></strong><em>, </em><strong><em>şifre takımı sıkılaştırma(cipher suite hardening)</em></strong><em> gibi sahada sıkça yaptığımız operasyonlarda bu ifadeleri görmek oldukça normaldir.</em></blockquote><p>İlk bakışta bu ifadeler tek ve karmaşık bir algoritmanın adı gibi görünebilir. Aslında burada güvenli iletişimin farklı ihtiyaçlarını karşılayan birden fazla kriptografik mekanizma yan yana bulunmaktadır.</p><p>Bu nedenle doğrudan şifre takımlarını incelemek yerine önce temel soruyu sormak gerekir: <strong>Güvenli bir bağlantı kurarken aslında hangi problemleri çözmeye çalışıyoruz?</strong></p><p>Temelde dört önemli ihtiyacımız vardır:</p><pre>                       GÜVENLİ İLETİŞİM<br>                              │<br>          ┌───────────────────┼───────────────────┐<br>          │                   │                   │<br>          ▼                   ▼                   ▼<br> Kimlik Doğrulama          Gizlilik            Bütünlük<br> (Authentication)      (Confidentiality)      (Integrity)<br>          │                   │                   │<br> Karşımdaki sistem      Veriyi yetkisiz      Veri aktarım<br>   gerçekten kim?       kişiler okumasın.     sırasında<br>                                            değiştirilmesin.<br>          │<br>          └───────────────────┐<br>                              ▼<br>                       Anahtar Uzlaşımı<br>                        (Key Agreement)<br>                              │<br>                   Ortak şifreleme anahtarı<br>                   güvenli biçimde nasıl<br>                   oluşturulacak?</pre><p>İletim Katmanı Güvenliği (Transport Layer Security — TLS), İnternet Protokolü Güvenliği (Internet Protocol Security — IPsec) veya Güvenli Kabuk (Secure Shell — SSH) gibi protokoller bu ihtiyaçların tamamını tek bir algoritmayla çözmez. AES, RSA, SHA ve Diffie-Hellman gibi farklı kriptografik mekanizmaları belirli kurallar çerçevesinde bir araya getirir.</p><h3><strong>Her Veri Aynı Seviyede Korunmalı mı?</strong></h3><p>Bankacılıkta her veri ve iletişim akışının risk seviyesi aynı değildir. Örneğin herkese açık bir kurumsal içerik ile müşterinin finansal işlemini taşıyan bir servis aynı güvenlik etkisine sahip olmayabilir. Bu nedenle kriptografik gereksinimleri belirlerken verinin gizliliği, bütünlüğü, erişilebilirliği ve ele geçirilmesi durumunda oluşturacağı etki birlikte değerlendirilebilir.</p><p><strong>1 — Normal: </strong>Herkese açık kurumsal içerikler == Standart güvenlik politikaları</p><p><strong>2 — Hassas: </strong>Kurum içi uygulama ve servis trafiği == Güçlendirilmiş erişim ve şifreleme kontrolleri</p><p><strong>3 — Kritik: </strong>Müşteri ve finansal işlem verileri, API trafiği == Güçlü TLS, güncel şifre takımları ve sıkı kimlik doğrulama</p><p><strong>4 — Çok Kritik: </strong>Ödeme, anahtar yönetimi, HSM ve kritik finansal altyapı akışları == En sıkı kriptografik politika, yüksek izlenebilirlik ve kontrollü değişiklik yönetimi</p><p>Böyle bir sınıflandırmanın amacı düşük seviyedeki veriyi güvensiz bırakmak değil, güvenlik kontrollerini riskle orantılı uygulamaktır. Her sisteme en ağır kriptografik politikanın uygulanması eski sistemlerle uyumluluk, işlem yükü ve operasyonel karmaşıklık oluşturabilir. Buna karşılık gereğinden düşük koruma kullanılması da kritik veriler için kabul edilemez risk yaratır. Bu nedenle doğru yaklaşım, güvenlik seviyesi ile performans, uyumluluk ve hizmet sürekliliği arasında verinin kritikliğine göre denge kurmaktır.</p><h3>Kimlik Doğrulama: Karşımdaki Sistem Gerçekten Kim?</h3><p>Kimlik doğrulamanın (authentication) temel amacı, iletişim kurduğumuz tarafın kimliğini doğrulamaktır.</p><p>Bir kullanıcının https://medium.com adresine bağlandığını düşünelim. Trafiğin şifrelenmesi tek başına yeterli değildir. Kullanıcının gerçekten medium.com sunucusuyla iletişim kurduğundan da emin olması gerekir. Aksi durumda saldırganla son derece güçlü biçimde şifrelenmiş bir bağlantı kurulması teorik olarak mümkündür.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/413/1*je5gEZRBPh-BHzWpMCnuBg.png" /><figcaption><strong>Resim-2:</strong> https://www.medium.com güvenli bağlantı referansı</figcaption></figure><p>TLS tarafında sunucu kimliğinin doğrulanması çoğunlukla dijital sertifikalar ve Açık Anahtar Altyapısı (Public Key Infrastructure — PKI) üzerinden gerçekleştirilir.</p><pre>İstemci<br>   │<br>   │  &quot;Sen gerçekten medium.com musun?&quot;<br>   ▼<br>Sunucu<br>   │<br>   └── Sertifika<br>          │<br>          ├── Kimlik / SAN<br>          ├── Açık Anahtar<br>          ├── Sertifikayı Veren Kuruluş<br>          └── CA Dijital İmzası</pre><p><strong>PKI</strong>; dijital sertifikaların, açık ve özel anahtarların oluşturulması, dağıtılması, doğrulanması ve yönetilmesi için kullanılan güven altyapısıdır. Sertifika Otoritesi (Certificate Authority — CA) ise bu yapının önemli bileşenlerinden biridir.</p><p>RSA, Eliptik Eğri Dijital İmza Algoritması (Elliptic Curve Digital Signature Algorithm — ECDSA) ve EdDSA gibi asimetrik kriptografi mekanizmaları dijital imza ve kimlik doğrulama süreçlerinde kullanılabilir.</p><p>IPsec tarafında ise iki VPN cihazı birbirini <strong>Önceden Paylaşılmış Anahtar (Pre-Shared Key — PSK)</strong> veya <strong>sertifika</strong> kullanarak doğrulayabilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/648/1*N186CVveDp94uv6hsAp58A.png" /><figcaption><strong>Resim-3:</strong> Fortigate Güvenlik Duvarı özelinde IPSEC VPN/Pre-shared key safhası</figcaption></figure><p>Dolayısıyla <strong>kimlik doğrulama bir algoritma değildir</strong>. <strong>Çözülmek istenen güvenlik problemidir.</strong> Sertifika, PSK ve dijital imza mekanizmaları ise bu ihtiyacı karşılamak için kullanılabilir.</p><h3>Şifreleme: Veriyi Nasıl Gizleriz?</h3><p>Mobil bankacılık üzerinden gerçekleştirilen bir para transferini düşünelim. Müşterinin cihazı ile banka sistemleri arasında hesap ve işlem bilgilerinin taşınması sırasında bu verilerin yetkisiz kişiler tarafından okunamaması gerekir.</p><p>Bu noktada şifreleme <strong>(encryption)</strong> devreye girer ve verinin ağ üzerinde okunabilir biçimde taşınmasını engelleyerek gizlilik <strong>(confidentiality)</strong> sağlar.</p><pre>&quot;1000 TL gönder&quot;<br>       │<br>       │ Şifreleme<br>       ▼<br>x83Hsj28Ksl...<br>       │<br>       │ Şifre Çözme<br>       ▼<br>&quot;1000 TL gönder&quot;</pre><p>Bu noktada en sık karşılaşılan algoritmalardan biri Gelişmiş Şifreleme Standardı’dır (Advanced Encryption Standard — <strong>AES</strong>).</p><p>AES bir <strong>simetrik şifreleme (symmetric encryption)</strong> algoritmasıdır. Simetrik şifrelemede verinin şifrelenmesi ve çözülmesi için aynı gizli anahtar kullanılır.</p><pre>*İstemci/ Gizli Anahtar = X                    *Sunucu/ Gizli Anahtar = X<br>       │                                                     │<br>       └───────────────────── AES / ChaCha20  ───────────────┘</pre><p>AES-128 ve AES-256 ifadelerindeki 128 ve 256 değerleri <strong>kullanılan anahtarın bit cinsinden uzunluğunu belirtir.</strong></p><p>AES yalnızca TLS’e özgü değildir. Aynı algoritmayı IPsec, SSH, Wi-Fi, disk şifreleme ve birçok farklı güvenlik teknolojisinde görebiliriz.</p><p>AES’in yanında modern sistemlerde karşılaşabileceğimiz başka bir simetrik şifreleme algoritması da <strong>ChaCha20</strong>&#39;dir<strong>[3]</strong>.</p><h3>Özet Fonksiyonu Nedir?</h3><p><strong>SHA-256 </strong>veya<strong> SHA-384</strong> ifadeleriyle karşılaştığımızda şifrelemeden farklı bir mekanizmadan söz ediyoruz.</p><p>Kriptografik özet fonksiyonları (hash functions), veriyi şifreleyip daha sonra geri açmak amacıyla kullanılmaz. Girdiden sabit uzunlukta bir <strong>özet değer (digest)</strong> üretirler.</p><pre>&quot;Merhaba Dünya&quot;<br>       │<br>       ▼<br>    SHA-256<br>       │<br>       ▼<br>a591a6d40bf420...</pre><p>Mesajda küçük bir değişiklik yapılması, tamamen farklı bir özet değer üretilmesine neden olur.</p><p>Modern sistemlerde özellikle SHA-256, SHA-384, SHA-512 gibi hash algoritmalarıyla sık sık karşılaşılır.</p><p>Buna karşılık MD5 ve SHA-1 gibi algoritmalar, birçok güvenlik kullanımında artık eski veya güvenli olmayan seçenekler olarak değerlendirilmektedir<strong>[6]</strong>.</p><p>Sektörde bu noktada sık kullanılan kavramlardan biri <strong>eski nesil (legacy)</strong> ifadesidir. Legacy; geçmişten kalan, halen bazı sistemlerde bulunabilen ancak yeni ve güvenli tasarımlarda genellikle tercih edilmeyen teknolojileri tanımlamak için kullanılır.</p><h3>Hash ile Hmac Aynı Şey Değildir!</h3><p>Normal bir özet işleminde gizli anahtar bulunmaz:</p><pre>Mesaj<br>  │<br>  ▼<br>SHA-256<br>  │<br>  ▼<br>Özet</pre><p><strong>Anahtarlı Özet Mesaj Kimlik Doğrulama Kodu </strong>(Hash-based Message Authentication Code — <strong>HMAC</strong>) ise bir gizli anahtarı da işleme dahil eder.</p><pre>Mesaj + Gizli Anahtar<br>          │<br>          ▼<br>     HMAC-SHA256<br>          │<br>          ▼<br>     Doğrulama Kodu</pre><p>Bu nedenle HMAC, tarafların paylaştığı gizli anahtar üzerinden veri bütünlüğü ve veri kaynağının doğrulanması amacıyla kullanılabilir.</p><p>Burada “SHA eski, HMAC yeni” şeklinde bir ayrım yapmak doğru değildir. Örneğin SHA-256 güncel sistemlerde kullanılan bir özet algoritmasıdır ve HMAC-SHA256 zaten SHA-256 özet fonksiyonundan yararlanır.</p><h3>TLS ve SSL Nedir?</h3><p>Bu noktada TLS’i konumlandırmak daha kolay hale gelir.</p><p><strong>İletim Katmanı Güvenliği (Transport Layer Security — TLS)</strong>, ağ üzerinden güvenli iletişim kurulmasını sağlayan bir protokoldür. Güvenli Yuva Katmanı (Secure Sockets Layer — SSL) ise TLS’in öncülü olan eski protokol ailesidir.</p><p>Günlük kullanımda halen “SSL sertifikası”, “SSL profili” veya “SSL sonlandırma” gibi ifadeler kullanılsa da güncel bağlantılarda esas olarak TLS kullanılmaktadır<strong>[4]</strong>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/791/1*AjnRRjabzglJ-juC0LzU5w.png" /><figcaption><strong>Resim-4:</strong> SSL/TLS güvenlik katmanı<strong>[4]</strong></figcaption></figure><p>TLS’in yaptığı şey yeni bir şifreleme algoritması oluşturmak değildir. Var olan kriptografik mekanizmaları belirli kurallar çerçevesinde bir araya getirerek güvenli iletişim sağlamaktır.</p><pre>                         TLS<br>                          │<br>        ┌─────────────────┼─────────────────┐<br>        │                 │                 │<br>        ▼                 ▼                 ▼<br> Kimlik Doğrulama   Anahtar Uzlaşımı     Şifreleme<br>        │                 │                 │<br>   RSA / ECDSA        DH / ECDH            AES<br>    Sertifika         DHE / ECDHE        ChaCha20<br>                          │<br>                          ▼<br>                    Oturum Anahtarları</pre><p>Örneğin HTTPS, temel olarak HTTP trafiğinin TLS üzerinden güvenli biçimde taşınmasıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FNoWBvsB4XWYd_ljx889Mw.png" /><figcaption><strong>Resim-5:</strong> HTTP/HTTPS ve SSL konseptleri<strong>[7]</strong></figcaption></figure><h3>Şifre Takımı Nedir?</h3><p>TLS bağlantısında kullanılacak kriptografik mekanizmaların belirli kombinasyonlarına <strong>şifre takımı (cipher suite)</strong> adı verilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/445/1*NeFYeMPYGWML22WA6SIVyQ.png" /><figcaption><strong>Resim-6:</strong> Citrix ADC Şifre takımı örneği</figcaption></figure><p>Örneğin görseldeki ilk algoritma kümesi olan <strong>ECDHE-RSA-AES256-GCM-SHA384</strong> ifadesini ele almamız gerekirse; parçaladığımızda anlamı daha açık hale gelir.</p><pre>ECDHE<br>  │<br>  ├── Anahtar Uzlaşımı<br>  │<br>  └── İleriye Dönük Gizlilik<br>RSA<br>  │<br>  └── Kimlik Doğrulama / Dijital İmza<br>AES-256<br>  │<br>  └── Simetrik Şifreleme<br>GCM<br>  │<br>  └── Kimlik Doğrulamalı Şifreleme<br>       ├── Gizlilik<br>       └── Bütünlük<br>SHA-384<br>  │<br>  └── Özet / TLS Anahtar Türetme İşlevleri</pre><p>Dolayısıyla bir şifre takımı tek bir şifreleme algoritması değildir. Güvenli bağlantının farklı ihtiyaçlarını karşılayan kriptografik mekanizmaların bir araya gelmesidir.</p><h3>AES ile AES-GCM Arasındaki Fark Nedir?</h3><p>AES tek başına simetrik bir blok şifreleme algoritmasıdır. Gerçek sistemlerde AES’in veriyi hangi yöntemle işleyeceğini belirleyen <strong>çalışma kipleri (mode of operation)</strong> bulunur.</p><p>Örneğin:</p><pre>AES<br> │<br> ├── CBC<br> ├── CTR<br> ├── GCM<br> └── CCM</pre><p>Bu nedenle AES-256-CBC ile AES-256-GCM aynı yapı değildir.</p><p>Galois/Sayaç Kipi (Galois/Counter Mode — GCM), <strong>İlişkili Verilerle Kimlik Doğrulamalı Şifreleme (Authenticated Encryption with Associated Data — AEAD)</strong> sağlayan modern bir çalışma kipidir.</p><p>Basitçe ifade etmek gerekirse AES-GCM, verinin şifrelenmesiyle birlikte bütünlüğünün de korunmasını sağlar.</p><pre>                 AES-GCM<br>                    │<br>          ┌─────────┴─────────┐<br>          │                   │<br>          ▼                   ▼<br>       Gizlilik            Bütünlük<br>      (Şifreleme)         (Doğrulama)</pre><p>Benzer bir modern yapı ChaCha20-Poly1305&#39;tir:</p><pre>ChaCha20 + Poly1305<br>         │<br>         ▼<br>ChaCha20-Poly1305<br>         │<br>         ▼<br>        AEAD</pre><p>Burada ChaCha20 şifreleme mekanizmasını sağlarken Poly1305 bütünlük ve doğrulama mekanizmasının bir parçasıdır.</p><p>TLS 1.3 standardında AES-GCM ve ChaCha20-Poly1305 gibi AEAD mekanizmalarının kullanılması bu modern yaklaşımın bir sonucudur. <strong>[1]</strong></p><h3>AES Anahtarını Nasıl Oluşturacağız?</h3><p>AES ile veriyi şifreleyebilmek için istemci ve sunucunun ortak bir gizli anahtara ihtiyacı vardır.</p><p>Ancak anahtarı doğrudan ağ üzerinden gönderirsek trafiği dinleyen bir saldırgan da bu anahtarı elde edebilir.</p><pre>İstemci ──── &quot;Anahtar = 12345&quot; ────&gt; Sunucu<br>                       │<br>                   Saldırgan<br>                       │<br>                 Anahtarı gördü.</pre><p>Bu problemi çözmek için <strong>anahtar uzlaşımı (key agreement)</strong> veya bağlama göre anahtar değişimi (key exchange) mekanizmaları kullanılır.</p><p>En bilinen yöntemlerden biri <strong>Diffie-Hellman’dır (DH)</strong>.</p><pre>İstemci                         Sunucu<br>   │                              │<br>Özel Değer A                  Özel Değer B<br>   │                              │<br>   │──── Açık Bilgi ─────────────&gt;│<br>   │&lt;─── Açık Bilgi ──────────────│<br>   │                              │<br>   ▼                              ▼<br>         Ortak Gizli Değer</pre><p>Temel fikir, iki tarafın ortak gizli değeri ağ üzerinden doğrudan göndermeden oluşturabilmesidir.</p><p>Diffie-Hellman’ın eliptik eğri kriptografisi kullanan biçimi Eliptik Eğri Diffie-Hellman’dır (Elliptic Curve Diffie-Hellman — ECDH).</p><pre>DH     → Diffie-Hellman<br>DHE    → Geçici Diffie-Hellman<br>         (Ephemeral Diffie-Hellman)<br>ECDH   → Eliptik Eğri Diffie-Hellman<br>         (Elliptic Curve Diffie-Hellman)<br>ECDHE  → Geçici Eliptik Eğri Diffie-Hellman<br>         (Ephemeral Elliptic Curve Diffie-Hellman)</pre><h3>İleriye Dönük Gizlilik ve PFS</h3><p>DHE ve ECDHE ifadelerindeki E, <strong>geçici (ephemeral)</strong> anlamına gelir. Geçici anahtar kullanımının önemli avantajı, oturuma özgü anahtar malzemesi oluşturulabilmesidir.</p><pre>Oturum 1 ──&gt; Geçici Anahtar A<br>Oturum 2 ──&gt; Geçici Anahtar B<br>Oturum 3 ──&gt; Geçici Anahtar C</pre><p>Bunun sağladığı güvenlik özelliğine <strong>İleriye Dönük Gizlilik (Forward Secrecy — FS)</strong> adı verilir. Sektörde <strong>Perfect Forward Secrecy (PFS)</strong> ifadesi de yaygın biçimde kullanılmaktadır.</p><p>Ama burada önemli bir ayrım vardır:</p><pre>DHE / ECDHE<br>     │<br>     ▼<br>Kriptografik Mekanizma<br>     │<br>     ▼<br>Geçici Anahtarlar<br>     │<br>     ▼<br>İleriye Dönük Gizlilik<br>     │<br>     ▼<br>Güvenlik Özelliği</pre><p>Amaç, sunucunun uzun süreli özel anahtarının gelecekte ele geçirilmesi durumunda geçmişte kaydedilmiş oturumların anahtarlarının doğrudan elde edilememesidir.</p><p>Bu nedenle PFS = Diffie-Hellman demek yerine, <strong>geçici Diffie-Hellman kullanımının ileriye dönük gizlilik sağlamanın temel yöntemlerinden biri olduğunu</strong> söylemek daha doğrudur<strong>[5]</strong>.</p><h3>Aynı Algoritmalar IPsec’te Neden Tekrar Karşımıza Çıkıyor?</h3><p>Bir IPsec VPN yapılandırmasında aşağıdaki parametreleri görmek oldukça normaldir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/620/1*mP83jsjtJerFlXnbOsKg3A.png" /><figcaption><strong>Resim-7: </strong>Fortigate Güvenlik Duvarı IPSEC Phase-1 referans</figcaption></figure><p>Buradaki roller artık daha kolay ayrılabilir:</p><pre>AES-256  ──&gt; Şifreleme / Gizlilik<br>SHA-256  ──&gt; Özet ve bütünlük mekanizmalarında kullanım<br>DH       ──&gt; Anahtar Uzlaşımı<br>PSK      ──&gt; Kimlik Doğrulama</pre><p>İnternet Anahtar Değişimi (Internet Key Exchange — IKE) sürecinin ilk aşamasında Diffie-Hellman, IKE Güvenlik İlişkisi (Security Association — SA) için gerekli anahtar malzemesinin oluşturulmasına katkı sağlar.</p><p>IPsec’in ikinci aşamasında PFS etkinleştirildiğinde ise cihaz tekrar bir DH grubu seçmemizi isteyebilir.</p><pre>Aşama 1 / IKE SA<br>        │<br>        │ DH<br>        ▼<br>  IKE Anahtar Malzemesi<br>        │<br>        ▼<br>Aşama 2 / IPsec SA<br>        │<br>        ├── PFS Kapalı<br>        │       │<br>        │       └── Mevcut anahtar malzemesinden<br>        │           yeni anahtarlar türetilir.<br>        │<br>        └── PFS Açık<br>                │<br>                └── Yeni DH Değişimi<br>                        │<br>                        ▼<br>                 Yeni Anahtar Malzemesi</pre><p>Dolayısıyla ilk aşamada gördüğümüz DH ile ikinci aşamada PFS nedeniyle yapılan DH işlemi aynı amaçla gerçekleştirilen tek bir işlem değildir.</p><p>PFS etkinleştirildiğinde IPsec SA için yeni anahtar malzemesinin oluşturulmasına ek bir Diffie-Hellman değişimi katkı sağlar. IKEv2 standardında da Alt Güvenlik İlişkisi (Child SA) oluşturulurken Diffie-Hellman kullanılarak ileriye dönük gizlilik sağlanabilmesi tanımlanmaktadır. <strong>[2]</strong></p><p>Burada “Aşama 1 (Phase 1)” ve “Aşama 2 (Phase 2)” ifadelerinin özellikle IKEv1 terminolojisinde kullanıldığını belirtmek gerekir. IKEv2 tarafında IKE SA ve Child SA ifadeleri teknik olarak daha doğru bir terminolojidir.</p><h3>Yük Dengeleyici Üzerinde Şifre Takımı Sıkılaştırma</h3><p>Yaptığım TLS 1.3 geçiş çalışmasında, mevcut uygulamaların kullandığı ortak şifre takımı grubunu doğrudan değiştirmek yerine TLS 1.3 desteğini de içeren yeni bir grup oluşturdum. Yeni grupta güvenli TLS 1.2 şifre takımlarını korurken TLS 1.3 ile kullanılabilecek güncel şifre takımlarını da ekledim. Böylece mevcut yapıyı tek seferde değiştirmek yerine yeni grubu uygulama bazında devreye alarak daha kontrollü bir geçiş gerçekleştirdim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*lcjVrgB-DQC74dxbwg7q4g.png" /><figcaption>Resim-8: F5 Load balancer üzerinde çalışma TLS1.2 No_AES_128 Cipher group</figcaption></figure><p>Çalışmanın önemli noktalarından biri geriye dönük uyumluluğu korumaktı. TLS 1.3 destekleyen istemcilerin bağlantılarını TLS 1.3 üzerinden kurabilmesini sağlarken, henüz TLS 1.3 desteklemeyen istemcilerin güvenli TLS 1.2 şifre takımları üzerinden bağlantılarına devam edebilmesini sağladım. Değişiklik sonrasında kullanılan TLS sürümlerini ve uzlaşılan şifre takımlarını kontrol ederek yeni yapılandırmanın beklediğim şekilde çalıştığını doğruladım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xhCEljDMmk1fytJZNn6IUA.png" /><figcaption>Resim-9: F5 Load balancer üzerinde TLS1.3 çalışması sonrası</figcaption></figure><p>Bu çalışma sonucunda güvenlik seviyesini yükseltirken mevcut uygulamalarda kesinti oluşturmadan kademeli bir geçiş sağlayabildim. Aynı zamanda şifre takımı sıkılaştırmasının yalnızca zayıf algoritmaları kaldırmaktan ibaret olmadığını; istemci uyumluluğunun, TLS sürümlerinin ve geçiş yönteminin de birlikte değerlendirilmesi gerektiğini uygulamada görmüş oldum.</p><h3><strong>Bankacılık Sektöründe Şifre Takımı Sıkılaştırmanın Önemi</strong></h3><p>Bankacılık ve finans sektöründe uygulamalar arasında taşınan veriler; müşteri bilgileri, finansal işlemler, kimlik doğrulama verileri ve kurum içi servis trafiği gibi kritik bilgiler içerebilir. Bu nedenle iletişimin yalnızca şifreleniyor olması yeterli değildir; kullanılan TLS sürümlerinin, şifre takımlarının (cipher suite), anahtar uzlaşımı ve kimlik doğrulama mekanizmalarının da güncel güvenlik gereksinimlerini karşılaması gerekir. Şifre takımı sıkılaştırması (cipher suite hardening), artık güvenli kabul edilmeyen protokol ve kriptografik seçeneklerin devre dışı bırakılarak yalnızca kurumun güvenlik politikaları doğrultusunda onaylanmış seçeneklerin kullanılmasını amaçlar.</p><blockquote><strong><em>Özellikle yük dengeleyici, web sunucusu, API geçidi ve güvenlik duvarı gibi çok sayıda bağlantının sonlandırıldığı noktalarda yapılacak doğru bir sıkılaştırma; zayıf algoritmaların kullanılmasını engellemenin yanı sıra kurum genelinde daha kontrollü ve standart bir kriptografik yapı oluşturulmasına katkı sağlar.</em></strong></blockquote><p>Bununla birlikte sıkılaştırma yalnızca bir güvenlik ayarı olarak değerlendirilmemelidir. Eski istemci ve uygulamaların desteklediği TLS sürümleri ile şifre takımları dikkate alınmadan yapılan değişiklikler bağlantı kesintilerine yol açabileceğinden, güvenlik gereksinimleri ile sistem uyumluluğunun birlikte değerlendirilmesi gerekir.</p><h3>ÖZET</h3><p><strong>AES, RSA, SHA</strong> veya <strong>Diffie-Hellman</strong> gibi kavramları yalnızca SSL/TLS’e ait algoritmalar olarak değerlendirmek doğru değildir. Bunlar kriptografinin gizlilik, kimlik doğrulama, bütünlük ve güvenli anahtar oluşturma gibi farklı problemlerini çözmek için kullanılan temel yapı taşlarıdır. TLS, IPsec ve SSH gibi güvenli iletişim protokolleri ise bu yapı taşlarını kendi çalışma modellerine göre bir araya getirir. Bu açıdan bakıldığında kimlik doğrulama, “Karşımdaki sistem gerçekten kim?”; şifreleme, “Veriyi yetkisiz kişilerin okumasını nasıl engellerim?”; bütünlük, “Verinin aktarım sırasında değiştirilmediğini nasıl doğrularım?”; anahtar uzlaşımı ise “Şifrelemede kullanılacak ortak gizli değeri güvensiz bir ağ üzerinden nasıl güvenli biçimde oluştururuz?” sorularına cevap verir.</p><p>Bu ayrımların anlaşılması, özellikle bankacılık gibi güvenliğin ve hizmet sürekliliğinin birlikte ele alınması gereken ortamlarda şifre takımı sıkılaştırmasını yalnızca bir algoritma listesi değişikliği olmaktan çıkarır.</p><blockquote><strong><em>F5 üzerindeki bir Cipher Group, Citrix ADC üzerindeki bir Cipher Suite veya güvenlik duvarındaki bir IPsec yapılandırması incelenirken yalnızca AES-256 veya SHA-256 gibi tekil algoritmalara odaklanmak yerine bağlantının tamamını değerlendirmek gerekir.</em></strong></blockquote><p>Kullanılan TLS sürümü, anahtar uzlaşımı, kimlik doğrulama yöntemi, şifreleme ve bütünlük mekanizmaları bir bütün olarak ele alınmalı; güvenli kabul edilmeyen seçenekler kaldırılırken mevcut istemci ve sunucuların desteklediği kombinasyonlar da göz önünde bulundurulmalıdır. Dolayısıyla doğru bir şifre takımı sıkılaştırmasının amacı yalnızca “en güçlü” görünen algoritmayı seçmek değil, <strong>güvenlik, uyumluluk ve hizmet sürekliliği arasında kontrollü ve sürdürülebilir bir denge kurmaktır.</strong></p><h3>Bundan Sonra Ne Var?</h3><p>TLS ve şifre takımı sıkılaştırması bugünün güvenlik gereksinimlerini karşılamanın bir parçasıdır; ancak kriptografik altyapının gelecekte değiştirilebilir olması da giderek önem kazanmaktadır. Özellikle kuantum sonrası kriptografi (Post-Quantum Cryptography — PQC) çalışmaları, bugün kullandığımız RSA ve eliptik eğri kriptografisi gibi açık anahtarlı mekanizmaların gelecekte nasıl dönüştürüleceğini gündeme getirmektedir. NIST tarafından standartlaştırılan ML-KEM, ML-DSA ve SLH-DSA bu dönüşümün önemli örnekleridir. Bu nedenle uzun vadede yalnızca “hangi şifre takımını kullanıyoruz?” sorusuna değil, <strong>“Kullandığımız kriptografik algoritmaları gerektiğinde ne kadar hızlı ve kontrollü değiştirebiliriz?”</strong> sorusuna da cevap verebilmek gerekir. Bu yaklaşım kriptografik çeviklik (crypto-agility) olarak adlandırılmaktadır<strong>[9]</strong>.</p><p>Konuyu daha ileri seviyede incelemek isteyenler için NIST’in PQC standartları ve geçiş çalışmaları iyi bir başlangıç noktasıdır. Akademik tarafta ise IEEE Xplore üzerinde kuantum sonrası kriptografi, kriptografik çeviklik ve üretken yapay zekâ destekli siber saldırılar üzerine yayımlanan survey ve tutorial çalışmalarının takip edilmesi, güncel tehditlerin ve savunma yaklaşımlarının daha geniş bir perspektiften değerlendirilmesine yardımcı olabilir<strong>[8]</strong>.</p><h3>KAYNAKÇA</h3><p>[1] RFC 8446 — <em>The Transport Layer Security (TLS) Protocol Version 1.3</em><br><a href="https://www.rfc-editor.org/rfc/rfc8446.html">https://www.rfc-editor.org/rfc/rfc8446.html</a></p><p>[2] RFC 7296 — <em>Internet Key Exchange Protocol Version 2 (IKEv2)</em><br><a href="https://www.rfc-editor.org/rfc/rfc7296.html">https://www.rfc-editor.org/rfc/rfc7296.html</a></p><p>[3] NIST FIPS 197 — <em>Advanced Encryption Standard (AES)</em><br><a href="https://csrc.nist.gov/pubs/fips/197/final">https://csrc.nist.gov/pubs/fips/197/final</a></p><p>[4] <a href="https://www.turhost.com/blog/ssl-nedir/">https://www.turhost.com/blog/ssl-nedir/</a></p><p>[5] <a href="https://www.azion.com/en/learning/tls/what-is-diffie-hellman-key-exchange/">https://www.azion.com/en/learning/tls/what-is-diffie-hellman-key-exchange/</a></p><p>[6] <a href="https://www.encryptionconsulting.com/education-center/what-is-sha/">https://www.encryptionconsulting.com/education-center/what-is-sha/</a></p><p>[7] <a href="https://appfox.ru/blog/zaschischennoe-soedinenie-https/">https://appfox.ru/blog/zaschischennoe-soedinenie-https/</a></p><p>[8] <a href="https://csrc.nist.gov/News/2024/postquantum-cryptography-fips-approved?utm_source=chatgpt.com">https://csrc.nist.gov/News/2024/postquantum-cryptography-fips-approved</a></p><p>[9] <a href="https://pages.nist.gov/nccoe-migration-post-quantum-cryptography/FAQ/">https://csrc.nist.gov/News/2024/postquantum-cryptography-fips-approved</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f08a5a7ec35c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/tls-cipher-d%C3%BCnyasinin-perde-arkasi-f08a5a7ec35c">TLS/CIPHER DÜNYASININ PERDE ARKASI</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Yapay Zekânın Gizli Maliyeti: Bankalar Neden Green AI’a Yöneliyor?]]></title>
            <link>https://medium.com/fiba-tech-lab/yapay-zek%C3%A2n%C4%B1n-gizli-maliyeti-bankalar-neden-green-aia-y%C3%B6neliyor-424afcd87cc0?source=rss----eef5aff3b133---4</link>
            <guid isPermaLink="false">https://medium.com/p/424afcd87cc0</guid>
            <category><![CDATA[banking]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[energy]]></category>
            <category><![CDATA[green-ai]]></category>
            <dc:creator><![CDATA[Osman Balli]]></dc:creator>
            <pubDate>Wed, 12 Aug 2026 06:29:09 GMT</pubDate>
            <atom:updated>2026-08-12T06:29:07.972Z</atom:updated>
            <content:encoded><![CDATA[<p>Yapay zekâ kullanımı bankalara milyonlarca dolarlık verimlilik kazandırıyor; peki aynı zamanda ne kadar enerji tükettiğini hiç düşündünüz mü?</p><p>Yapay zekâ yarışının görünmeyen çok büyük bir maliyeti vardır: kontrolden çıkan enerji tüketimi. Yapay zekâ ve makine öğrenimi teknolojileri; süreçleri otomatikleştirerek, kişiselleştirilmiş finansal hizmetler sunarak ve risk yönetimini güçlendirerek bankacılık sektörünü derinden dönüştürmekte ve günlük operasyonların ayrılmaz bir parçası hâline gelmektedir [1]. Ancak yapay zekâ modellerinin finansal sistemlerde her gün milyonlarca işlemi, tahmini ve gerçek zamanlı kararı yönetmek için eğitilmesi ve sürekli çalıştırılması, muazzam düzeyde bir hesaplama gücü ve enerji tüketimi gerektirir [4]. Giderek karmaşıklaşan bu algoritmaların devasa sunucularda ve veri merkezlerinde yürütülmesi, yalnızca donanım ve işletme maliyetlerini katlayarak artırmakla kalmaz, aynı zamanda sera gazı emisyonlarını hızla yükselterek ciddi bir karbon ayak izi yaratır [5].</p><p>Günümüzde bankalar; dolandırıcılık tespiti ve kredi skorlama modellerini [2], müşteri hizmetlerinde duygu odaklı etkileşimi artıran akıllı chatbotları [3], tahmine dayalı analitikler ve robo-danışmanlar aracılığıyla sunulan yatırım danışmanlığı uygulamalarını [2] aktif olarak kullanarak operasyonel otomasyon ve müşteri deneyimini ileri bir seviyeye taşımaktadır. Ancak yapay zekâ destekli bankacılık hizmetleri giderek daha fazla yaygınlaşırken, bu yüksek enerji talebi ve çevresel etkiler sadece bir bilgi teknolojisi veya altyapı sorunu olmaktan çıkmıştır. Bankaların bilgi işlem yükü ve operasyonel hacmi düşünüldüğünde, kontrolsüz büyüyen karbon ayak izi; finansal kurumlar için Çevresel, Sosyal ve Kurumsal Yönetişim (ESG) hesap verebilirliğinin, kurumsal sorumluluğun ve sorumlu dijital dönüşümün temel bir bileşeni (sürdürülebilirlik meselesi) hâline gelmiştir [6].</p><p>Tam da bu noktada Green AI kavramı ortaya çıkar. Yeşil yapay zekâ (Green AI), başarıyı ve model doğruluğunu devasa hesaplama kaynakları harcayarak artırmayı hedefleyen “kırmızı yapay zekâ” (Red AI) yaklaşımının aksine; algoritmaları, model mimarilerini ve donanım kullanımını optimize ederek daha az enerji tüketen ve çevresel etkiyi en aza indiren sistemler tasarlamayı ifade eder [5]. Bu doğrultuda temel amaç, her koşulda en devasa ve çok amaçlı modelleri geliştirmek değil; eldeki problemi çözebilecek kapasitedeki hafifletilmiş mimariler kullanarak daha verimli, maliyet etkin ve sürdürülebilir modeller tasarlamaktır [4]. Dolayısıyla gelecekteki teknolojik başarı; salt daha fazla hesaplama gücü harcayarak en büyük modeli çalıştıranların değil, performanstan ödün vermeksizin hesaplama maliyetlerini düşüren, yani aynı kalite ve performanstaki yenilikçi sonuçları çok daha düşük bütçe, bellek ve enerji kaynağı ile elde edebilen sürdürülebilir teknoloji yaklaşımlarının olacaktır.</p><p>Green AI ilkelerinin finansal operasyonlarda nasıl hayat bulacağını somutlaştırmak adına bankacılıkta en sık kullanılan üç temel yapay zekâ uygulaması üzerinden vaka analizleri gerçekleştirilebilir. İlk olarak, dolandırıcılık (fraud) tespit modellerinde mevcut kırmızı yapay zekâ yaklaşımı, her an canlı veriyi işleyen ve milyarlarca parametreye sahip devasa derin öğrenme mimarilerinin sürekli en yüksek işlemci modunda çalıştırılmasına dayanır. Buna karşılık geliştirilecek Green AI yaklaşımı; hafifletilmiş ağ mimarilerini (Lightweight Neural Networks), model budama (pruning) süreçlerini ve kurallı/istatistiksel katmanlı filtreleme kullanımını içerir; böylece sadece şüpheli işlemler büyük modeller tarafından incelenir. Bu süreçte işlem başına harcanan watt-saat (Wh/İşlem), model boyutu (MB) ve işlemci kullanım oranları temel metrikler olarak ölçülürken, model doğruluğundan ödün vermeden altyapı maliyetlerinde %40&#39;a varan bir beklenen kazanım hedeflenir. İkinci olarak, kredi skorlama modellerinde mevcut durum, müşterinin tüm geçmiş verilerini içeren devasa veri kümeleri üzerinde her kredi talebinde sıfırdan çalışan yüksek işlem güçlü toplu (ensemble) modellerden oluşur. Green AI dönüşümünde ise bilgi damıtma (Knowledge Distillation) yöntemiyle büyük modellerin yetenekleri daha küçük, optimize edilmiş modellere aktarılır ve toplu eğitimler karbon-farkındalıklı zamanlama ile yenilenebilir enerji saatlerine kaydırılır. Burada eğitim (training) başına harcanan toplam karbon emisyonu ve model yanıt süresi (latency) temel metrikler olarak ölçülürken, hesaplama bütçesinde ve bellek gereksiniminde %50 azalma gibi büyük bir kazanım beklenir. Üçüncü olarak, müşteri hizmetleri chatbot uygulamalarında mevcut yaklaşım, basit kullanıcı sorularını yanıtlamak için bile milyarlarca parametreli devasa Büyük Dil Modellerinin (LLM) her sorguda doğrudan tetiklenmesidir. Yeşil yapay zekâ modelinde ise bankacılık dikeyine özel olarak eğitilmiş Küçük Dil Modelleri (SLM) entegre edilir ve sıkça sorulan sorular için önbelleğe alınmış (cached) semantik yanıt mekanizmaları kurulur. Sorgu başına maliyet, token başına enerji tüketimi ve sunucu bellek kullanımı metrikleriyle izlenen bu senaryoda, bulut altyapı maliyetlerinde ciddi tasarruflar sağlanarak çevre dostu akıllı asistan kazanımları elde edilir.</p><p>Bankaların bu yeşil dönüşüm performansını ölçebilmeleri ve şeffaf raporlama yapabilmeleri için sadece model doğruluğuna değil, belirli sürdürülebilirlik metriklerine de odaklanmaları gerekir. Bu süreçte modelin geliştirme aşamasında tükettiği elektriğin ürettiği toplam sera gazı miktarını gösteren Model Eğitim Emisyonu, veri merkezinin yapay zekâ donanımları için harcadığı enerjinin toplam harcanan enerjiye oranını veren Yapay Zekâ Enerji Verimliliği (AI PUE), canlı sistemde üretilen her bir tahminin donanım üzerinde tükettiği anlık watt miktarını ifade eden Çıkarım (Inference) Başına Enerji ve işlemcilerin atıl kalma sürelerinin minimize edilerek maksimum verimin yakalanmasını sağlayan Donanım Kullanım Oranı en kritik ölçülecek metrikler arasında yer alır.Bankalar açısından Green AI’ın önemi operasyonel maliyet yönetimi ve sürdürülebilirlik (ESG) hedefleri altında değerlendirilebilir. Algoritmik verimliliği odağa alan Green AI yaklaşımları (örneğin model budama, hafifletilmiş mimariler ve donanım optimizasyonları); aynı iş çıktısını, yüksek performans ve doğruluktan ödün vermeden çok daha düşük hesaplama gücü ve enerji maliyetiyle elde etmeyi sağlar [7]. Ancak bu operasyonlardaki en büyük risk “söylem ve eylem” tutarsızlığıdır. Bankaların, somut adımlar atmadan yalnızca söylem düzeyinde kalan “çevre dostu” imaj çalışmalarından kaçınması kritik bir önem taşır. Aksi takdirde, yapay zekanın sunduğu dijital dönüşüm rüzgarı, kurumları finans sektöründe giderek daha sert eleştirilen “yeşil aklama” riskinin merkezine çekebilir. Finansal hizmetlerde yeşil aklama (greenwashing) süreçlerinin ve bu riskin detaylarını daha önce “Finansın Yeşil Maskesi: Finansal Hizmetlerde Yeşil Aklama (Greenwashing)” başlıklı yazımda ele almıştım. Tam da bu risk nedeniyle Green AI, bankalar için yüzeysel bir PR aracı değil; verilerle kanıtlanabilir, samimi bir sürdürülebilirlik taahhüdü olmak zorundadır. Diğer yandan bu dönüşüm, gelecekteki regülasyonlara hazırlık konusunda da stratejik bir avantaj yaratır. Başta Avrupa Birliği’nin Yapay Zekâ Yasası (AI Act) olmak üzere, dünya çapındaki yeni düzenlemeler, yapay zekâ sistemlerinin çevresel etkilerinin azaltılmasını ve yüksek risk barındıran sistemler için enerji verimliliğinin raporlanmasını yavaş yavaş zorunlu kılmaktadır [5]. Finans sektörü gibi yoğun denetime tabi ortamlarda bugün benimsenen proaktif Green AI stratejileri, yakın gelecekte sektör standardı hâline gelecek yasal uyumluluk gereksinimlerine (örneğin GDPR, Basel III ve karbon-farkındalıklı ESG ifşalarına) şimdiden adapte olmayı kolaylaştırmaktadır [4].</p><p>Bir finans kuruluşunun bu dönüşümü başarıyla gerçekleştirebilmesi için net bir yol haritası izlemesi gerekir. İlk olarak banka bünyesinde koşan tüm yapay zekâ modellerinin envanterinin çıkarıldığı bir Mevcut Durum Analizi yapılmalı, enerji tüketimleri ve karbon ayak izleri ölçümlenmelidir. İkinci adımda, her problem için en büyük modeli kullanma yaklaşımından vazgeçilerek stratejik optimizasyon süreçleri başlatılmalı; fraud tespit, müşteri segmentasyonu veya kredi risk analizi için daha küçük, optimize edilmiş modeller devreye alınmalıdır. Üçüncü adımda donanım ve altyapı dönüşümüne odaklanılmalı; devasa enerji tüketen geleneksel sunucular yerine yapay zekâ operasyonları için özel optimize edilmiş enerji dostu yeni nesil işlemcilere (NPU/TPU) yatırım yapılmalı ve veri işleme süreçleri yenilenebilir enerjinin yoğun olduğu saatlere göre planlayan karbon-farkındalıklı bulut mimarilerine taşınmalıdır. Son olarak kültürel entegrasyon sağlanmalı ve Green AI yalnızca teknoloji ekiplerinin sorumluluğunda görülmeyerek sürdürülebilirlik ekipleri, risk yönetimi birimleri ve üst yönetimin de dahil olduğu kurumsal bir dijital dönüşüm stratejisine dönüştürülmelidir.</p><p>Son yıllarda bu alanda küresel standartları belirleyen uluslararası girişimlerin ve endüstriyel otoritelerin sayısı da hızla artmaktadır. Örneğin, Green AI alanında araştırmalar, eğitim programları ve farkındalık çalışmaları yürüten uluslararası kuruluşlardan biri olan Green AI Institute, yapay zekâ sistemlerinin çevresel etkilerinin ölçülmesi ve azaltılmasına yönelik çeşitli çalışmalar gerçekleştirmektedir [8]. Bununla birlikte; Microsoft, Accenture ve Linux Foundation öncülüğünde kurulan küresel bir konsorsiyum olan Green Software Foundation (Yeşil Yazılım Vakfı), yapay zekâ ve yazılım ekosisteminin karbon emisyonlarını azaltmaya yönelik sürdürülebilir mühendislik standartları, akademik çıktılar ve endüstriyel ölçüm araçları geliştirerek sektöre bu alanda rüştünü ispatlamış kurumsal bir rehberlik sunmaktadır. Üstelik Green AI yaklaşımlarıyla modellerin hafifletilmesi, bankacılık denetimlerinin en hassas noktası olan Açıklanabilir Yapay Zekâ (XAI) süreçlerine de doğrudan hizmet etmektedir; çünkü daha kompakt ve optimize edilmiş modeller, finansal kararların arkasındaki mantığı şeffaflaştırarak kurumsal güveni ve etik hesap verebilirliği artırmaktadır. Bu gelişmeler, Green AI’ın geçici bir teknoloji trendi veya yerel ölçekli denemeler olmaktan çıkarak küresel ölçekte büyüyen kurumsal bir uygulama alanına dönüştüğünü göstermektedir. Sonuç olarak, yakın gelecekte finans sektörü köklü bir zihniyet değişimiyle karşı karşıya kalacak. Fiziksel şubelerden dijital ekranlara taşınan üstünlük mücadelesi, yerini algoritmik bir olgunluk yarışına bırakıyor. Sektörün yeni vizyonu, yapay zekayı körü körüne en yoğun kullanan kurum olmak değil; performanstan ödün vermeden onu en yüksek enerji verimliliği ve yeşil sorumlulukla çalıştırabilen öncü banka olmaktır.</p><p>Kaynakça</p><p>1- Siddik, A. B., &amp; Amin, N. u. (2026). Disruptive innovation or systemic resilience? Investigating the impact of artificial intelligence on banking stability. Research in International Business and Finance, 82(103245).</p><p>2- Ghosh, P., &amp; Golder, U. (2026). Exploring the effects of FinTech adoption on traditional banking: A systematic literature review on opportunities and challenges. Digital Business, 6(100163).</p><p>3- Li, L., Choo, W. C., Datta, R. K., Sabuj, M. M. I., &amp; Hossain, M. S. (2026). Understanding complaint behavior in mobile banking: A psychological and AI-based analysis of emotional drivers. Acta Psychologica, 264(106435).</p><p>4- Elbouknify, I., Machado, M. R., &amp; Iannario, M. (2026). Designing green artificial intelligence (Green AI) models for finance: A novel approach for sustainable and responsible adoption. Financial Innovation, 12(96).</p><p>5- Bolón-Canedo, V., Morán-Fernández, L., Cancela, B., &amp; Alonso-Betanzos, A. (2024). A review of green artificial intelligence: Towards a more sustainable future. Neurocomputing, 599, 128096.</p><p>6- Chandran M. C., S., Chandran, R., &amp; Achuthan, K. (2026). Institutional drivers of Green AI adoption in banking sector: An integrated TOE–TAM analysis. Development and Sustainability in Economics and Finance, 10, 100144.</p><p>7- Schwartz, R., Dodge, J., Smith, N. A., &amp; Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63.</p><p>8- Green AI Institute. (n.d.). Green AI Institute. Retrieved from <a href="https://www.greenai.institute/">https://www.greenai.institute</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=424afcd87cc0" width="1" height="1" alt=""><hr><p><a href="https://medium.com/fiba-tech-lab/yapay-zek%C3%A2n%C4%B1n-gizli-maliyeti-bankalar-neden-green-aia-y%C3%B6neliyor-424afcd87cc0">Yapay Zekânın Gizli Maliyeti: Bankalar Neden Green AI’a Yöneliyor?</a> was originally published in <a href="https://medium.com/fiba-tech-lab">Fiba Tech Lab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>