Yapay Zeka Destekli Kişiselleştirme: 2025’Te Web Siteleri Ne Kadar Akıllı Olacak?

Yapay Zekâ Destekli Web Kişiselleştirme​

Güncelleme: 14 Temmuz 2026. Başlıktaki 2025 ifadesi arşiv bütünlüğü için korunuyor; rehber güncel veri minimizasyonu, kullanıcı kontrolü ve AI risk yönetimi ilkeleriyle yenilendi.

Web kişiselleştirme, herkese farklı bir sayfa göstermek değildir. Doğru bağlamda işe yarayan içerik sırasını, öneriyi veya yardımı sunarken kullanıcının amacını bozmamak; gereksiz veri toplamamak ve sistem yanıldığında güvenli bir varsayılana dönmek gerekir. “Daha çok veri, daha akıllı site” yaklaşımı hem mahremiyet hem ürün kalitesi açısından zayıf bir başlangıçtır.

---

İyi kişiselleştirme kullanıcıyı izlenmiş hissettirmez; aradığı işi daha az adımla tamamlatır.

Kişiselleştirme Seviyeleri Aynı Riski Taşımaz​

En karmaşık modelle başlamak gerekmez. İhtiyaç arttıkça aşağıdaki basamaklarda ilerlemek daha güvenlidir:


Kredi, işe alım, sigorta veya sağlık gibi kişi üzerinde hukukî ya da benzer ölçüde önemli etki doğuran kararlar, basit ürün önerisiyle aynı kategoriye konamaz. Tam otomatik karar ve profilleme için uygulanabilir hukuk, insan müdahalesi ve itiraz hakları ayrıca incelenmelidir.

Başlangıç ilkesi' Alıntı:

Kimliksiz bağlam ve açık kullanıcı tercihiyle çözülebilen bir problem için gizli davranış profili oluşturmayın.

Genişletmek için tıkla ...

Önce Amaç, Sonra Veri​

“Dönüşümü artırmak” tek başına veri toplama amacı değildir. Daha somut bir ürün sorusu seçin: “İlk kez gelen kullanıcı doğru beden tablosunu bulabiliyor mu?” veya “Üye, yarım kalan eğitimine geri dönebiliyor mu?” gibi.

Her veri alanı için şu sorular yazılı cevaplanmalıdır:

• Amaç: Bu sinyal hangi kullanıcı sorununu çözüyor?
• Gereklilik: Aynı sonuç daha az veriyle alınabilir mi?
• Hukukî dayanak ve bildirim: Kullanıcı ne zaman, nasıl ve hangi seçeneklerle bilgilendiriliyor?
• Saklama: Ham olay ve türetilmiş profil ne kadar süre tutuluyor?
• Erişim: Hangi ekip ve üçüncü taraf bu veriyi görebiliyor?
• Silme/düzeltme: Kullanıcı tercihini sıfırladığında türetilmiş profil de güncelleniyor mu?

GDPR'nin 5. maddesi amaçla sınırlılık, veri minimizasyonu, doğruluk ve şeffaflık ilkelerini birlikte düzenler. Bu rehber hukuk danışmanlığı değildir; hizmet verilen ülke, kullanılan çerez/SDK, veri türü ve hedef kitle için ilgili hukuk ve sözleşmeler ayrıca değerlendirilmelidir.

Güvenli Uygulama Mimarisi​

1. Sabit Bir Varsayılan Deneyim Kurun​

Kişiselleştirme servisi kapalıyken sayfa kullanılabilir kalmalıdır. Her kullanıcı için anlaşılır bir menü, temel içerik ve erişilebilir bir varsayılan sıralama oluşturun. Model zaman aşımına uğradığında boş alan veya sonsuz yükleme yerine bu deneyime dönün.

2. Basit Kuralı Model ile Karşılaştırın​

Önce açık bir kural tabanı kurun: yeni kullanıcıya başlangıç içeriği, geri dönene son görüntülenen kategori veya kişinin bizzat seçtiği ilgi alanları. Makine öğrenmesi modeli ancak aynı veriyle bu tabanı tutarlı biçimde aşıyor ve ek risk/maliyetini karşılıyorsa devreye girmelidir.

3. Eğitim ve Sunum Verisini Ayırın​

Çevrimdışı model geliştirme verisi, gerçek zamanlı karar servisi ve raporlama katmanı aynı sınırsız veri gölüne dönüşmemelidir. Özelliklerin kaynağı, sürümü ve saklama süresi kaydedilmeli; hatalı bir sinyalin hangi önerileri etkilediği geriye doğru izlenebilmelidir.

4. Kullanıcıya Görünür Kontrol Verin​

“Bunu neden görüyorum?”, “ilgi alanlarını düzenle”, “kişiselleştirmeyi kapat” ve “tercihleri sıfırla” seçenekleri anlaşılır dilde sunulmalıdır. Opt-out seçeneğini görünmez bağlantıya saklamak veya reddetmeyi kabulden zorlaştırmak kullanıcı özerkliğini zedeler. W3C Privacy Principles, mahremiyeti koruyan varsayılanlar, veri minimizasyonu ve kullanıcı dostu seçim mimarisini özellikle vurgular.

5. Yayını Kademeli ve Geri Alınabilir Yapın​

Önce çalışanlar/test hesapları, sonra küçük ve rastgele bir kullanıcı grubu, ardından kontrollü büyütme kullanın. Model sürümü, özellik bayrağı ve anlık kapatma düğmesi bulunmalıdır. Kritik fiyat, stok, uygunluk veya güvenlik mesajlarını üretken modelin serbest metnine bırakmayın; doğrulanmış sistem verisi ve deterministik kurallar kullanın.

Sadece Tıklamayı Değil, Deneyimi Ölçün​

Bir öneri daha çok tıklanabilir ama kullanıcıyı dar bir içerik döngüsüne sokabilir, iade oranını yükseltebilir veya önemli seçenekleri görünmez kılabilir. Ana ürün metriğinin yanında koruyucu ölçüler belirleyin:

• Görevi tamamlama ve tekrar deneme oranı
• Yanlış öneriyi gizleme veya tercih sıfırlama oranı
• İade, iptal, şikâyet ve destek başvurusu
• Öneri çeşitliliği ve aynı ürünlerin tekrar oranı
• Sayfa gecikmesi, LCP ve INP üzerindeki ek maliyet
• Farklı cihaz, bölge ve erişilebilirlik ihtiyaçlarında sonuç farkı

A/B testinde bir kontrol grubu bırakın ve aynı kullanıcıyı test boyunca mümkün olduğunca aynı varyantta tutun. Yalnızca toplam ortalamaya bakmak, küçük bir grubun ciddi biçimde kötüleşmesini gizleyebilir. İstatistiksel anlamlılık kadar etki büyüklüğü, test süresi ve mevsimsellik de kaydedilmelidir.

Soğuk Başlangıç ve Geri Besleme Döngüsü​

Yeni kullanıcı hakkında veri yokken modelin güveni düşüktür. Bu durumda popüler içeriği körlemesine göstermek yerine sayfanın bağlamı, güncellik, stok durumu ve kullanıcının açıkça seçebileceği tercihler kullanılabilir.

Modelin kendi önerilerinden üretilen tıklamaları yeniden eğitim verisi yapmak geri besleme döngüsü oluşturur: Sistem bir ürünü sık gösterdiği için o ürün daha çok tıklanır, daha çok tıklandığı için tekrar öne çıkar. Organik keşif alanı, çeşitlilik kuralı ve rastgele kontrol örnekleri bu döngüyü görmeye yardımcı olur.

Üç Uygulanabilir Örnek​

E-ticaret kategori sayfası: Kullanıcıya ait hassas özellik çıkarmak yerine mevcut kategori, stok, teslimat bölgesi ve kişinin seçtiği beden gibi görevle ilgili sinyaller kullanılır. Önerinin nedeni gösterilir; varsayılan sıralamaya dönüş sunulur.

İçerik sitesi: Okunan sayfanın konusu üzerinden ilgili yazılar önerilir. Kimliksiz bağlamsal öneri, uzun süreli çapraz-site profiline göre daha az veriyle yeterli olabilir. Ana haber veya kamu yararı taşıyan içerik yalnızca tahmin edilen ilgiye göre saklanmamalıdır.

Üyelik paneli: Son kullanılan araç ve kullanıcının sabitlediği kısayollar üstte gösterilir. Modelin tahmin ettiği öğeler ile kullanıcının bizzat seçtiği öğeler görsel olarak ayrılır; kişi düzeni sıfırlayabilir.

Teknik Performans ve Önbellek Tuzakları​

Her kullanıcı için sunucuda tamamen farklı HTML üretmek önbellek verimini düşürebilir ve sayfa açılışını yavaşlatabilir. Kişiselleştirme kararı için gereken minimum veriyi kullanın; herkese ortak iskeleti önbellekte tutup küçük modülleri kontrollü biçimde uyarlayın.

• Kişiselleştirme betiğinin ana içeriği göstermeyi geciktirmesine izin vermeyin.
• İstemci tarafında sonradan değişen başlık ve görseller için alan ayırarak CLS'yi önleyin.
• Önbellek anahtarına kullanıcı kimliği veya sınırsız özellik ekleyip varyant patlaması oluşturmayın.
• Kişiye özel yanıtın başka kullanıcıya önbellekten gitmediğini güvenlik testiyle doğrulayın.
• Model/servis yanıt süresi için zaman aşımı ve varsayılan deneyim tanımlayın.

Risk İncelemesi Ne Zaman Derinleşmeli?​

Aşağıdaki durumlarda ürün deneyi düzeyindeki inceleme yeterli değildir: hassas veri kullanımı, çocuklara yönelik hizmet, kişiye göre fiyat/uygunluk, hukukî veya önemli etki doğuran otomatik karar, üçüncü taraflarla geniş veri paylaşımı ve kullanıcının makul olarak beklemeyeceği çıkarımlar. Veri koruma sorumlusu, hukuk, güvenlik, erişilebilirlik ve ilgili alan uzmanı tasarıma erken katılmalıdır.

EDPB'nin profilleme rehberi ile GDPR Madde 22, yalnızca otomatik işlemeye dayanan ve kişi üzerinde hukukî ya da benzer ölçüde önemli etki doğuran kararlar için özel korumaları ele alır. İnsan incelemesi göstermelik değil, sonucu gerçekten değiştirebilecek yetki ve bilgiye sahip olmalıdır.

Kısa SSS​

Kişiselleştirme için mutlaka yapay zekâ gerekir mi?
Hayır. Açık kullanıcı tercihi ve basit segment kuralları çoğu başlangıç probleminde daha açıklanabilir, hızlı ve ucuzdur.

Anonim veri her zaman risksiz midir?
Hayır. Birleştirilen olaylar yeniden tanımlamaya izin verebilir; “anonim” etiketi teknik ve hukukî değerlendirme yerine geçmez.

Model dönüşümü artırdıysa başarılı sayılır mı?
Tek başına hayır. İade, şikâyet, performans, çeşitlilik, belirli gruplardaki zarar ve kullanıcı kontrolü birlikte değerlendirilmelidir.

Üretken AI kişiye özel sayfayı tamamen yazmalı mı?
Fiyat, uygunluk, güvenlik ve sözleşme koşulları gibi doğruluk gerektiren alanlarda serbest üretim yerine doğrulanmış veriye bağlı şablonlar kullanılmalıdır.

İç Bağlantılar​

• Yapay zekâ araçlarını güvenli seçme rehberi
• Web tasarımında yapay zekâ kullanımı
• Web performans optimizasyonu
• Sadelik ve işlevselliği dengeleme

Resmî Kaynaklar​

• EUR-Lex — Genel Veri Koruma Tüzüğü
• EDPB — otomatik karar ve profilleme rehberi
• NIST — AI Risk Management Framework
• W3C — Web İçin Gizlilik İlkeleri

Özetle​

En az veriyle başlayın, basit kuralı referans alın, kullanıcıya kontrol verin ve modelin zararını da kazancı kadar ölçün. Akıllı web sitesi, kullanıcı hakkında en çok şeyi bilen değil; ne zaman kişiselleştirmemesi gerektiğini bilen sitedir.

---