---
title: "Statik ve dinamik veri maskeleme: LLM akışına hangisi uyar?"
description: "Statik maskeleme veriyi kalıcı değiştirir, dinamik maskeleme isteği anında. Yapay zekâ akışında hangisi doğru, ikisinin farkı ve LLM için pratik seçim."
pubDate: 2026-07-12
author: fatih
tags: ["maskeleme", "llm", "mimari"]
cluster: pii-maskeleme
format: karsilastirma
draft: false
faq:
  - q: "LLM için statik maskeleme hiç işe yaramaz mı?"
    a: "Sınırlı işe yarar. Modeli eğitmek için sabit bir veri kümesi hazırlıyorsanız statik maskeleme uygundur. Ama canlı sohbet ve istek akışında her mesaj yeni olduğu için isteği anında maskeleyen dinamik yaklaşım gerekir."
  - q: "Dinamik maskeleme gecikme yaratır mı?"
    a: "Maskeleme, isteğin modele gitmeden önce geçtiği kısa bir adımdır ve milisaniyeler mertebesindedir. Kullanıcı için görünür bir gecikme oluşturmadan, metni maskeleyip öyle iletir."
sources:
  - title: "KVKK: 15 Soruda Üretken Yapay Zekâ Rehberi (veri minimizasyonu)"
    url: "https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda"
---

Yapay zekâ akışında dinamik maskeleme uyar. Statik maskeleme veriyi kalıcı
olarak, kaynağında değiştirir; sohbet ve istek akışıysa her seferinde yeni
metin üretir, dolayısıyla isteği tam gönderilmeden önce maskeleyen bir
yaklaşım gerekir. İkisi farklı işler için tasarlandı; karıştırmak, ya
gereğinden fazla veri kaybına ya da hiç korumaya yol açar.

## Statik ve dinamik maskeleme ne işe yarar?

Statik maskeleme, veriyi bir kez ve kalıcı olarak değiştirir. En tipik
kullanımı, üretim veritabanının bir kopyasını alıp test ortamına vermeden
önce kişisel alanları maskelemektir. Sonuç, artık ham kişisel veri içermeyen
sabit bir kümedir. Orijinal ile maskeli sürüm ayrı yaşar.

Dinamik maskeleme ise veriyi kaynağında değiştirmez; her istek geçerken,
o anda maskeler. Orijinal veri yerinde kalır, yalnızca dışarı giden kopyası
maskelenir. Yapay zekâ akışında olan tam olarak budur: kullanıcının ya da
uygulamanın ürettiği metin, modele gitmeden önce maskeleme katmanından geçer.

## Hangisi LLM akışına uyar?

| Ölçüt | Statik maskeleme | Dinamik maskeleme |
| --- | --- | --- |
| Ne zaman çalışır | Bir kez, veri hazırlanırken | Her istekte, akış anında |
| Orijinal veri | Değişir / ayrı kopya | Yerinde kalır |
| Uygun olduğu iş | Sabit veri kümesi, test verisi | Canlı sohbet, istek akışı |
| LLM için | Yalnız hazır veri kümelerinde | Asıl akış için doğru seçim |

## Neden canlı akış statik maskelemeye uymaz?

Çünkü akışta "hazırlanacak sabit bir küme" yoktur. Bunu en çok destek
ekiplerinde görüyoruz: her yeni müşteri e-postası yeni bir metin, önceden
hazırlanamaz. Bir uygulama da her dakika farklı kullanıcı girdisi üretir. Bu
metinleri önceden maskeleyip bir yere koymak mümkün değildir, çünkü daha var
olmadan modele gitmeleri gerekir.

Bu yüzden yapay zekâ akışında maskeleme, isteğin tam yolunun üstünde durur:
metin gelir, kişisel alanlar maskelenir, öyle iletilir. Veri minimizasyonu
ilkesinin pratik karşılığı budur; modele yalnızca işin gerektirdiği içerik
gider, kişisel alanlar daha yola çıkmadan çıkarılır.

## Siper'de karşılığı

Siper dinamik yaklaşımı iki biçimde sunar. Mask-only API'de metni gönderir,
maskelenmiş halini alırsınız; maskeleme kararını uygulamanız verir. AI
gateway modunda ise OpenAI uyumlu tek bir kapı araya girer: uygulamanızın
koduna dokunmadan, modele giden her isteği geçerken maskeler.

İkisinde de mantık aynıdır: orijinal veri yerinde kalır, yalnızca modele
giden kopya maskelenir ve bu maskeleme, isteğin akışında milisaniyeler
içinde olup biter. Kavramın kendisini daha ayrıntılı görmek için
[PII maskeleme rehberine](/pii-maskeleme), kendi metninizle denemek için
[playground'a](/#playground) bakabilirsiniz.