Haberler 
Coin Bilgisi 
Hakkımızda 
Yapay zekâyla düzenlenmiş 134 kredi belgesinin incelendiği deneyde, kredi değerlendirme ve işlem süreçlerinde deneyimli kişilerin verdiği 132 kararın 14'ünde (%10,6) düzenleme şüphesini destekleyen bulgular saptandı. Bu kaygılar, belge içindeki veya belgeler arasındaki kimlik bilgilerinin uyuşmamasına dayanıyordu.
Araştırmacılar, Ekim 2026'da yayımlanan ön baskıda, rıza alınarak temin edilen 47 gerçek finansal belgeyi temel alarak sahte PDF'ler oluşturdu. Kredi değerlendirme ve işlem süreçlerinde deneyimli üç kişi belgeleri inceleyerek toplam 132 karar sundu.
İnceleyenlerin açıklamalarını asıl belgelerle karşılaştıran araştırmacılar, 14 bulgunun 12 şüpheli karar ve iki yetersiz bilgi kararından oluştuğunu belirtti. Her iki gruptaki değerlendirmeler de kimlik bilgilerinin uyuşmadığı yönündeki tespitlere dayanıyordu.
Görsel ipuçlarına dayanarak gerçek düzenleme noktalarını saptayan bir vaka raporlanmadı. Araştırmacılar, incelemeye yalnızca üç kişinin katıldığını ve gerçek belgelerden oluşan bir kontrol grubunun bulunmadığını belirterek sonuçların finans sektöründeki sahtecilik tespit oranı olarak genellenemeyeceğini söyledi.
Diğer bir değerlendirme çalışması olan AIForge-Doc, Şubat 2026'da yayımlandı. Araştırmacılar, makbuz ve form görsellerindeki sayısal alanları yapay zekâyla değiştirerek 4.061 belge görseli oluşturdu ve tespit performansını değerlendirdi.
Raporlanan AUC değerleri TruFor için 0,751, DocTamper için 0,563 ve GPT-4o için 0,509 oldu. AUC, bu test koşullarındaki ayırt etme performansını ölçen bir göstergedir; gerçek finans ortamlarındaki tespit oranını ifade etmez.
Belge doğrulama yöntemleri farklı sorulara yanıt verir. Tespit araçları görsellerdeki düzenleme izlerini arar. Dijital imza, imzadan sonra dosyanın değiştirilip değiştirilmediğini ve hangi anahtarın imzaladığını doğrular. Belgeyi düzenleyen kuruma başvurmak ise sunulan içeriğin gerçek kayıtlarla uyuşup uyuşmadığını kontrol eder.
ABD Ulusal Standartlar ve Teknoloji Enstitüsü (National Institute of Standards and Technology, NIST), FIPS 186-5 dijital imza standardında imzaların verilerdeki yetkisiz değişiklikleri tespit etmek ve imzalayanın kimliğini doğrulamak için kullanıldığını açıklıyor. Bir imzanın geçerli olması, belgedeki bilgilerin doğru olduğunu tek başına kanıtlamaz.
NIST'in SP 800-63A dijital kimlik yönergesi, kanıt düzeyine göre farklı doğrulama koşulları belirliyor. En üst düzeydeki (SUPERIOR) kanıtlar için belgeyi düzenleyen kurumun dijital imzasının ve güven köküne uzanan sertifika zincirinin doğrulanması gerekiyor. Temel nitelikler yetkili veya güvenilir kaynaklarla karşılaştırılmalı; kurum tarafından imzalanmış niteliklerin doğruluğu ise kurumun açık anahtarıyla doğrulanmalı.
Belgeyi düzenleyen kuruma başvurmak, sunulan içeriğin kurumun gerçek kayıtlarıyla eşleşip eşleşmediğini kontrol etme yöntemidir. Görseldeki düzenleme izleri veya imzanın durumu bu karşılaştırmanın yerini tutamaz.
İçerik kaynağı standardı C2PA'nın Content Credentials sistemi, dosyayla bağlantılı kaynak bilgilerini içeren veri yapısına kriptografik imza uygular. Bu, kaydedilen bilgilerin veya dosyanın değiştirilip değiştirilmediğini kontrol etmeye yardımcı olur.
Ancak doğrulanabilen kaynak geçmişi, sağlanan ve doğrulanan bilgilerin kapsamıyla sınırlıdır. C2PA, kaynak bilgilerinin tek başına içeriğin doğruluğunu, kesinliğini veya tüm kaynak geçmişini garanti etmediğini belirtiyor.
Belgenin kendisi yerine özet değerini (hash) blokzincire kaydetmek, daha sonra elde edilen dosyanın kayıt sırasındaki dosyayla aynı olup olmadığını kontrol etmeyi sağlar. Bu yöntem, kayıt sonrasında belgede değişiklik yapılıp yapılmadığını denetlemek için kullanılabilir.
Ancak hash, belgenin kayıt öncesinde doğru olup olmadığını veya kaydı yapan kişinin belgeyi düzenleme yetkisi bulunup bulunmadığını göstermez. Ethereum'un oracle belgeleri de dış bilgileri zincire aktarırken verilerin kaynağının ve doğruluğunun kontrol edilmesi gerektiğini açıklıyor.
Avrupa Veri Koruma Kurulu (European Data Protection Board, EDPB), blokzincirde kişisel verilerin silinmesinin veya düzeltilmesinin zor olabileceğine dikkat çekerek ek kişisel verilerin mümkün olduğunca zincir dışında tutulmasını önerdi. Hash de koşullara bağlı olarak kişisel veri sayılabilir.
Güney Kore Bilim ve ICT Bakanlığı, Yapay Zekâ Temel Yasası'nın 31. maddesindeki şeffaflık yükümlülüğünü, AI hizmetlerinin önceden bildirilmesi ve yapay zekâyla üretilen içeriklerin işaretlenmesi olarak açıkladı. Yapay zekâ kullanımını duyurmak ile bir finans belgesinin düzenleyen kurumun gerçek kayıtlarından gelip gelmediğini doğrulamak ayrı işlemlerdir.
Yorum 0