---
title: "Rampart: Tarayıcı Tabanlı ve Cihaz Üzerinde Kişisel Veri (PII) Maskeleme"
url: https://blog.edumints.com/rampart-tarayici-tabanli-ve-cihaz-uzerinde-kisisel-veri-pii-maskeleme
category: "LLM"
date: 2026-10-11T07:18:30.226Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hacker News"
source_url: https://ndstudio.gov/posts/say-hello-to-rampart
---

# Rampart: Tarayıcı Tabanlı ve Cihaz Üzerinde Kişisel Veri (PII) Maskeleme

Chatbot'lara mesaj yazarken farkında olmadan kendimiz hakkında istemediğimizden çok daha fazla kişisel bilgi (PII) paylaşabiliyoruz. Bir e-postayı düzenleme isteği çalışma arkadaşımızın adını, bir tıbbi fatura sorusu adres ve hesap numaramızı, anlık bir sitem ise kim olduğumuzu ve nerede yaşadığımızı açığa çıkarabilir. Üstelik yazdıklarımız cihazımızda kalmaz; denetleme imkânımız olmayan uzak sunuculara iletilir.

Temel tasarım ilkesi şudur: **Gizliliğinden emin olabileceğiniz tek kişisel bilgi, cihazınızı asla terk etmeyen bilgidir.** National Design Studio tarafından açık kaynak olarak sunulan **Rampart**, kişisel verilerinizin cihazınızdan çıkmamasını garanti altına alan ilk nesil bir uç birim filtreleme sistemidir. Sistem; kimlik numaralarını yakalayan düzenli ifadelere (RegEx) dayalı deterministik bir katman ile isim ve sokak adreslerini yakalayan **MiniLM** küçük dil modelinin hibrit bir bileşimidir.

## Rampart Neden Geliştirildi?

Geleneksel PII temizleme yaklaşımları ya uzak bir sunucuya güvenmeyi ya da istemciye devasa ikili dosyalar (binary) indirmeyi gerektirir. Bu durum iki temel zorluk doğurur:

1. **Yapay zeka gizlilik garantilerinin doğrulanması neredeyse imkânsızdır:** AI sağlayıcılarının gizlilik ve güvenlik iddialarını ilk ilkelerden (first principles) yola çıkarak doğrulamak olanaksızdır. Yeni dağıtılan bir çalışma zamanı sürümü hassas verileri kazara loglamaya başlayabilir; ayrıca sıfırıncı gün (zero-day) açıkları ve içeriden gelebilecek tehditler bilinmeyen riskler barındırır.
2. **Mevcut PII filtreleme modelleri devasa boyuttadır ve kullanıcı kitlesini daraltır:** Örneğin, yaklaşık 2.8 GB boyutundaki OpenAI Privacy Filter modelinin 10 Mbps hızındaki ortalama bir bağlantıyla tarayıcıya indirilmesi yaklaşık 38 dakika sürer.

## Nasıl Çalışıyor?

Rampart mimarisinde her işlem, mesajın yazılması ile sunucuya iletilmesi arasındaki o kısa anda ve tamamen tarayıcı içinde gerçekleşir; süreçte hiçbir sunucu bulunmaz.

Sistemin teknik performans metrikleri:
- **Model Boyutu:** Tokenizer dâhil yalnızca **14.7 MB**
- **Çalışma Zamanı Gecikmesi (p50):** WebGPU ile tarayıcıda **3.9 ms**
- **Hassas Terim Yakalama Oranı (Recall):** Yedi dilde **%98.4**

Mesaj herhangi bir yere gitmeden önce cihaz üzerinde iki okuyucu tarafından incelenir:
- **Deterministik Kural Katmanı:** Düzenli ifadeler ve doğrulamalar; kimlik numaraları, kredi kartları, telefonlar, yönlendirme ve hesap numaraları, e-postalar ve IP adresleri gibi yapısal verileri hızlı ve kesin biçimde işler.
- **Küçük Dil Modeli (MiniLM):** Kuralların öngöremediği kişi isimlerini ve sokak adreslerini cümlenin bağlamını anlayarak okur ve ilgili kategoriye göre maskeler.

## Pratik İşleyiş ve Geliştirici Çıkarımları

Örneğin bir kullanıcı *"Adım Maria Garcia, Sosyal Güvenlik numaram 123-45-6789 ve ayda 1.950 dolar kazanıyorum. Uygun fiyatlı konut bulmama yardım eder misiniz?"* yazdığında; Rampart bu verileri cihazda `[GIVEN_NAME] [SURNAME]` ve `[SSN]` şeklinde maskeler. Tarayıcı, gelen yanıttaki boşlukları doldurmak için ilgili PII verilerini yerel olarak geçici süreyle saklar.

Yazılım geliştirme açısından bu yaklaşım, WebGPU ve hafif SLM modellerinin birleşimiyle istemci tarafında sıfır sunucu maliyeti ve tam gizlilik güvencesi sunan pratik bir mimari standardı ortaya koymaktadır.

---

**Kaynak:** Hacker News (https://ndstudio.gov/posts/say-hello-to-rampart)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/rampart-tarayici-tabanli-ve-cihaz-uzerinde-kisisel-veri-pii-maskeleme