Yapay Zekâ Metinleri Nasıl Gizli İşaretleniyor? Kelime Seçimlerindeki Küçük Değişiklikler Ele Veriyor

Yapay zekâ şirketleri, oluşturulan metinleri çıplak gözle fark edilemeyen istatistiksel kalıplarla işaretleyerek içeriklerin AI tarafından üretildiğini belirlemeye çalışıyor. Google’ın Gemini için kullandığı yaklaşımda model, benzer olasılığa sahip kelimeler arasında seçim yaparken belirli tokenları sistematik olarak öne çıkarıyor. Ortaya çıkan küçük tercihler tek bir cümlede fark edilmese de yeterli miktarda metin biriktiğinde SynthID gibi sistemler tarafından tanınabilen bir örüntü oluşturuyor.

Metin Filigranı Kelimelerin Seçiminde Saklanıyor

Bir dil modeli yeni bir cümle oluştururken kelimeleri doğrudan insan mantığıyla seçmiyor, metni token adı verilen daha küçük parçalara ayırarak sıradaki parçanın olasılığını hesaplıyor. Token yapısı bir kelimenin tamamını, kelimenin bir bölümünü veya noktalama işaretini temsil edebildiği için modelin yaptığı seçimler kullanılan tokenizer yapısına göre değişebiliyor.

Modelin aynı anlama gelen birkaç kelime arasında yakın olasılıklar hesapladığı anlar, metin filigranı için önemli bir alan oluşturuyor. Örneğin “büyük” ile “geniş” gibi bağlama uygun iki seçenek benzer olasılık değerlerine sahip olduğunda sistem, önceden belirlenmiş gizli kurala göre seçeneklerden birinin puanını çok küçük bir miktarda değiştirebiliyor.

Google Gemini İçin Kullanılan Yöntem Nasıl Çalışıyor?

Google’ın Gemini belgelerinde açıkladığı yöntemde filigran, metnin görünüşüne eklenen ayrı bir işaret yerine üretim sürecindeki token seçimlerine dağıtılıyor. Model belirli bir tokenı tercih ettiğinde sistem sonraki seçimlerde de önceki üretim adımlarından türetilen kuralları kullanarak benzer mikro tercihler oluşturuyor.

Tek bir kelime tercihi herhangi bir okuyucuya anlamlı bir sinyal vermiyor çünkü model aynı cümleyi anlamını değiştirmeden farklı kelimelerle kurabiliyor. Yeterince uzun bir metin ortaya çıktığında ise istatistiksel dağılım belirli bir düzene yaklaşarak AI tespit sistemlerinin aradığı sinyali güçlendiriyor.

Google’ın SynthID sistemi, oluşturulan metindeki bu istatistiksel izleri değerlendirmek için geliştirilen teknolojiler arasında yer alıyor. Sistem metnin belirli bölümlerinde kullanılan kelimeleri tek tek “AI kelimesi” olarak işaretlemek yerine üretim boyunca oluşan genel örüntüyü değerlendirdiği için doğal görünen bir metin de filigran taşıyabiliyor.

Anthropic, 2 Ağustos sonrasında yayımlanan Claude modellerinin ürettiği metinlerde filigran kullandığını açıklamış olsa da şirket mekanizmanın teknik ayrıntılarını kamuya açık biçimde paylaşmıyor. Dolayısıyla Claude tarafındaki sistemin Google’ın token tercihlerini değiştiren yöntemine benzer çalışıp çalışmadığı veya tamamen farklı bir teknik kullanıp kullanmadığı kesin olarak bilinmiyor.

Anthropic’in dosya çıktılarında imzalı meta veriler kullanması ise metin filigranının yalnızca belge içine eklenen bilgilerden ibaret olmadığını gösteriyor. Kullanıcı bir yapay zekâ çıktısını sohbet ekranından kopyalayıp düz metin olarak başka bir yere yapıştırdığında dosyaya bağlı meta veriler ortadan kalkabileceği için üretim sürecine yerleştirilen istatistiksel işaretler ayrı bir yöntem olarak önem kazanıyor.

Kısa bir cümle üzerinde AI watermark tespiti güvenilir sonuç vermeyebilir çünkü istatistiksel örüntünün ortaya çıkması için yeterli sayıda token gerekir. Uzun bir metnin kullanıcı tarafından yoğun biçimde değiştirilmesi de orijinal seçim dağılımını bozarak filigranın tespit edilmesini zorlaştırabilir.

Metnin başka bir yapay zekâ tarafından yeniden yazılması da garanti edilmiş bir çözüm sunmuyor çünkü ikinci model kendi üretim mekanizmasına bağlı farklı bir istatistiksel işaret oluşturabilir. İnsan tarafından yapılan kapsamlı düzenleme ise metnin anlamını korusa bile ilk modelin üretim sırasında oluşturduğu token örüntüsünü değiştirebilir.

İnternette sık karşılaşılan tekrar eden cümle kalıpları, aşırı düzenli paragraflar veya belirli anlatım biçimleri doğrudan bir filigran olarak değerlendirilmemeli. Bir modelin belirli bir üslupta yazması geliştiricilerin model davranışına verdiği yönlendirmelerden kaynaklanabilirken gizli metin filigranı üretim sırasında yapılan istatistiksel seçimlerle ilişkilendiriliyor.

Türkiye’de içerik üreticileri açısından ayrım özellikle önem taşıyor çünkü bir metnin yapay zekâ tarafından yazılmış gibi görünmesi ile teknik olarak bir AI watermark taşıması aynı anlama gelmiyor. Editörün metni sonradan yoğun biçimde değiştirmesi görünür üslubu değiştirebildiği gibi gizli istatistiksel örüntüyü de zayıflatabilir.

Yapay zekâ şirketleri için asıl zorluk ise şeffaflık ile dayanıklılık arasındaki dengeyi korumak olacak. Filigranın çok belirgin olması model çıktılarının daha kolay değiştirilmesine yol açarken aşırı zayıf bir sinyal de tespit sistemlerinin güvenilirliğini düşürebiliyor; bu nedenle gelecekteki AI içerik doğrulama çalışmaları yalnızca kelime seçimlerine değil metin üretim sürecindeki daha geniş sinyallere odaklanabilir.