KVKK Uyumlu GPU Kiralama: Türkiye'de Veri Güvenliği

Veri lokasyonu ve roller

Veri sorumlusu/işleyen ayrımı sözleşmede netleşsin. Log, prompt ve corpus'u sınıflandırın. Ankara, İzmir düşük gecikmeli alternatiflerdir. Colab kişisel veride genelde uygun değildir (Colab).

Teknik kontroller

Şifreleme, IAM, ayrı network, wipe, erişim logları. AI eğitimi ve inference işlerinde aynı kontroller geçerli.

Türkiye bağlamı ve operasyon

Türkiye'de GPU kiralama kararını yalnızca TFLOPS belirlemez. Veri lokasyonu, şehir gecikmesi, TL fatura, destek dili ve rezervasyon süresi toplam sahip olma deneyimini şekillendirir. Özellikle kişisel veri içeren eğitim ve çıkarım işlerinde KVKK kapsamında verinin yurt içinde işlenmesi beklenir; anonimleştirme tek başına her senaryoda yeterli sayılmaz.

Operasyonel olarak en sık görülen kayıp, GPU'nun kendisinden değil idle sürelerden ve tekrarlanmayan ortamlardan gelir. Driver/CUDA uyumsuzluğu, her instance'ta sıfırdan kurulum ve dataset'i eğitim sırasında ağ üzerinden okumak hem süreyi hem maliyeti şişirir. Container tabanlı imaj, NVMe'ye lokal dataset ve checkpoint disiplini bu kaybı azaltır.

İlgili sayfalar: A100; H100; GPU rehberi; İletişim.

Pratik kontrol listesi

1. İş yükünü tek cümleyle yazın (eğitim / fine-tuning / inference / render / transcode).
2. VRAM ve throughput için 30–60 dakikalık micro-benchmark planlayın.
3. Saatlik planla başlayıp reserved/aylık modele ancak stabil kullanımda geçin.
4. Spot kullanacaksanız checkpoint ve resume'u önceden test edin.
5. Başarı metriğini (eval, latency p95, images/s, $/1k token) önceden sabitleyin.
6. Idle Jupyter ve unutulan instance'ları otomatik kapatacak alarm kurun.

Sık yapılan hatalar

Benchmark yapmadan en pahalı GPU'ya çıkmak; tek metrikle (yalnızca VRAM veya yalnızca fiyat) karar vermek; production inference'ı eğitim kartıyla uzun süre koşturmak; multi-GPU'ya geçmeden single-GPU optimizasyonunu bitirmemek; veri sınıflandırması yapmadan yurtdışı bölgesine dataset taşımak.

Bir diğer yaygın hata, PoC başarı kriterini tanımsız bırakmaktır. 'Model biraz daha iyi olsun' diye açılan açık uçlu eğitimler, bütçeyi sessizce tüketir. Erken durdurma, eval bütçesi ve maksimum deneme sayısı olmadan fine-tuning işi bitmez; yalnızca fatura büyür.

Sonuç

Kişisel veri içeren AI işlerinde GPU'nun Türkiye'de olması çoğu senaryoda zorunlu değerlendirmedir. Doğru GPU seçimi, ölçüm ve disiplinli operasyon bir araya geldiğinde hem maliyeti hem teslim süresini kontrol altına alırsınız.

Sonraki adım için ilgili GPU modeli, hizmet ve şehir sayfalarından senaryonuza uygun planı seçin; emin değilseniz saatlik küçük bir deneme ile başlamak genelde en düşük riskli yoldur.

Derinlemesine notlar

KVKK uyumu "sunucu Türkiye'de" cümlesinden ibaret değildir. Veri sorumlusu/işleyen ayrımı, DPA, şifreleme, erişim kaydı, yedek politikası ve proje sonu silme birlikte ispat edilmelidir. Prompt, log ve domain corpus'u sınıflandırmadan Colab veya yurtdışı bölgesine taşınmamalı (Colab karşılaştırması).

Kurumsal kontrol listesi için kurumsal SLA yazısı zorunlu okumadır. Operasyonel olarak en düşük gecikmeli erişim noktaları: İstanbul, Ankara, İzmir. Eğitim düğümü seçerken İstanbul A100 veya Ankara H100 gibi şehir×GPU sayfalarından kapasiteyi doğrulayın.