Veri Etiketleme Outsourcing | Yapay Zekâ İçin Türkçe Veri

Son güncelleme: 8 Kasım 2026

Bir yapay zekâ modelinin başarısı büyük ölçüde onu eğittiğiniz verinin kalitesine bağlıdır. Görüntüde nesneleri işaretlemek, metinleri sınıflandırmak, ses kayıtlarını yazıya dökmek veya dil modeli cevaplarını puanlamak; hepsi dikkat, tutarlılık ve güçlü bir kalite kontrol süreci gerektirir. Veri etiketleme ve yapay zekâ veri hazırlama outsourcing hizmetinde etiketleme yönergesinin yazılmasından kalite güvencesine ve teslim formatına kadar tüm süreci 360 Soft yönetir. Model geliştirme tarafında destek arıyorsanız yapay zekâ geliştirici kiralama, görüntü işleme projeleri için görüntü işleme yazılımı sayfalarımıza bakabilirsiniz.

Veri Etiketleme ve Yapay Zekâ Veri Hazırlama Outsourcing

Veri etiketleme nedir, kimler için gerekir?

Veri etiketleme (data annotation), ham veriye makine öğrenmesi modelinin öğrenebileceği anlamlı etiketler eklenmesidir. Bir fotoğraftaki her aracın çevresine kutu çizmek, bir müşteri yorumunu “şikâyet” veya “öneri” olarak sınıflandırmak, bir faturadaki tutar alanını işaretlemek ya da bir sohbet asistanının iki cevabından hangisinin daha iyi olduğunu seçmek birer etiketleme işidir. Veri hazırlama ise bunun öncesi ve sonrasıdır: verinin toplanması, temizlenmesi, anonimleştirilmesi, örneklenmesi, bölünmesi ve modelin beklediği formata dönüştürülmesi.

Bu hizmete ihtiyaç duyan tipik ekipler:

Bilgisayarlı görü (computer vision) modeli geliştiren üretim, perakende, güvenlik, tarım ve otomotiv şirketleri.
Türkçe doğal dil işleme (NLP) modeli eğiten bankalar, telekom operatörleri, e-ticaret ve medya kuruluşları.
Kendi alanına özel dil modeli ince ayarı (fine-tuning) veya RAG değerlendirmesi yapan yapay zekâ ekipleri.
Belge işleme (fatura, sözleşme, kimlik, sigorta formu) otomasyonu kuran fintech ve sigorta şirketleri.
Konuşma tanıma ve çağrı analitiği için Türkçe ses verisi hazırlayan çağrı merkezi ve teknoloji firmaları.
Akademik ve Ar-Ge projelerinde etiketli veri seti oluşturması gereken araştırma ekipleri.

Ekiplerin yaşadığı tipik sorunlar

Sorun	Nasıl ortaya çıkar	Sonuç
Tutarsız etiketler	Yönerge belirsiz, farklı kişiler aynı durumu farklı etiketliyor	Model gürültüyü öğrenir, doğruluk tavan yapar
Veri bilimcinin etiketleme yapması	Pahalı uzman zamanı tekrarlayan işe harcanır	Model geliştirme yavaşlar
Türkçe ve yerel bağlam eksikliği	Yurt dışı platformlarda Türkçe argo, kısaltma ve yöresel ifadeler doğru anlaşılmaz	NLP modelleri gerçek kullanıcı dilinde başarısız olur
Kalite ölçülmüyor	Etiketlerin ne kadarının doğru olduğu bilinmiyor	Model hatasının kaynağı bulunamaz
Kişisel veri riski	Yüz, plaka, isim, telefon gibi veriler etiketleme ekibine açık gönderiliyor	KVKK ihlali ve itibar riski
Ölçek sorunu	Pilotta yüzlerce örnek yeterliyken üretimde yüz binlerce örnek gerekiyor	Takvim kayar, kalite düşer

Etiketleme türleri ve kapsam

Veri türü	Etiketleme tipi	Örnek kullanım
Görüntü	Sınıflandırma, sınırlayıcı kutu (bounding box), çokgen (polygon), anlamsal ve örnek segmentasyonu, anahtar nokta (keypoint), nitelik etiketleme	Raf görüntüsünde ürün tespiti, üretim hattında kusur tespiti, tarımda hastalık tespiti
Video	Nesne takibi (tracking), olay ve eylem etiketleme, kare bazlı segmentasyon	Güvenlik kamerası analitiği, spor analitiği, trafik analizi
Metin	Duygu analizi, konu ve niyet sınıflandırma, varlık ismi tanıma (NER), ilişki çıkarımı, metin özetleme kontrolü	Müşteri yorumları, şikâyet yönlendirme, sözleşme analizi
Belge	Alan çıkarımı (key-value), tablo işaretleme, OCR düzeltme, belge türü sınıflandırma	Fatura, irsaliye, kimlik ve sigorta formu işleme
Ses	Transkripsiyon, konuşmacı ayrıştırma (diarization), zaman damgası, duygu ve olay etiketleme	Çağrı merkezi analitiği, Türkçe konuşma tanıma
LLM verisi	Talimat-cevap (instruction) çifti yazımı, cevap sıralama ve tercih verisi (RLHF/DPO), kırmızı takım (red teaming) istemleri, RAG cevap değerlendirmesi	Alana özel dil modeli ince ayarı, asistan kalite ölçümü
3B ve sensör	Nokta bulutu (LiDAR) üzerinde 3B kutu, sensör füzyonu	Otonom sistemler, depo robotları

Roller

Rol	Görev
Proje yöneticisi	Takvim, kapasite, müşteri iletişimi, haftalık rapor
Yönerge (guideline) sorumlusu	Etiketleme kurallarının yazılması, sınır durumların örneklerle tanımlanması, sürüm yönetimi
Etiketleyici (annotator)	Yönergeye göre etiketleme; alan bilgisi gerektiren işlerde eğitimli uzman etiketleyiciler
Kalite kontrol uzmanı (QA)	Örneklem incelemesi, hata sınıflandırması, geri bildirim
Veri mühendisi	Veri aktarımı, anonimleştirme, format dönüşümü, araç entegrasyonu

Araçlar ve formatlar

Etiketleme için CVAT, Label Studio, doccano gibi açık kaynak araçlar veya sizin tercih ettiğiniz ticari platformlar kullanılabilir. Veri sizin bulut ortamınızdan çıkmadan, sizin hesabınızdaki araç üzerinde de çalışılabilir. Çıktılar COCO, YOLO, Pascal VOC, JSONL, CoNLL veya modelinizin beklediği özel formatta teslim edilir. Model destekli ön etiketleme (pre-labeling) ve aktif öğrenme ile etiketleyicinin işi sıfırdan çizim yerine düzeltmeye dönüştürülerek hız artırılabilir; ancak bu durumda modelin önyargısını tekrarlama riskine karşı kalite kontrol örneklemi büyütülür.

Kalite güvencesi (QA) nasıl yapılır?

Etiketlemede kalite, hizmetin özüdür. 360 Soft’un kalite yaklaşımı şu katmanlardan oluşur:

Yazılı yönerge ve örnek kütüphanesi: Her etiket sınıfı için doğru ve yanlış örnekler, sınır durumlar ve karar kuralları.
Eğitim ve yeterlilik testi: Etiketleyiciler gerçek işe başlamadan önce altın veri (gold set) üzerinde test edilir.
Altın soru yerleştirme: Cevabı bilinen örnekler iş akışına gizlice karıştırılır, etiketleyici performansı sürekli ölçülür.
Çoklu etiketleme ve uyum ölçümü: Örneklerin bir kısmı birden fazla kişi tarafından etiketlenir; Cohen’s kappa, Krippendorff’s alfa veya IoU gibi metriklerle etiketleyiciler arası uyum hesaplanır.
İkinci göz incelemesi: Belirlenen örneklem oranında kıdemli QA uzmanı incelemesi; kritik projelerde yüzde yüz inceleme.
Hata sınıflandırma ve geri bildirim: Hatalar türlerine göre (yanlış sınıf, eksik nesne, gevşek kutu) raporlanır, yönerge güncellenir.
Uyuşmazlık çözümü: Belirsiz örnekler sizin alan uzmanınıza yönlendirilir, karar yönergeye eklenir.

Mevzuat ve veri yönetişimi

Eğitim verisi giderek daha sıkı bir düzenleyici çerçevenin konusu oluyor. Aşağıdaki başlıkları genel bilgi olarak sunuyoruz; projeniz için hukuk danışmanınızla teyit etmenizi öneririz.

KVKK ve GDPR: Görüntüdeki yüzler, araç plakaları, ses kayıtları ve metinlerdeki isim, telefon, adres gibi bilgiler kişisel veridir. Etiketleme ekibiyle paylaşılmadan önce mümkün olduğunca anonimleştirme veya maskeleme yapılmalı, veri minimizasyonu ilkesi uygulanmalı, veri işleyen sözleşmesi imzalanmalıdır. Sağlık ve biyometrik veri gibi özel nitelikli veriler için ek önlemler gerekir.
AB Yapay Zekâ Yasası (EU AI Act): Yüksek riskli olarak sınıflandırılan yapay zekâ sistemleri için eğitim, doğrulama ve test verilerine ilişkin veri yönetişimi gereklilikleri öngörülmektedir. Bu gereklilikler genel olarak verinin amaca uygunluğu, temsil gücü, olası önyargıların incelenmesi, veri toplama ve hazırlama işlemlerinin belgelenmesi gibi konuları kapsar. AB pazarına ürün sunan şirketler için etiketleme sürecinin izlenebilir ve belgelenmiş olması bu açıdan önem taşır.
Telif ve kullanım hakları: Etiketlenen içeriğin (görüntü, metin, ses) eğitim amacıyla kullanılma hakkının bulunduğu sizin tarafınızdan teyit edilmelidir.
Sektörel standartlar: Otomotiv, sağlık veya savunma gibi alanlarda veri izlenebilirliği ve kalite yönetimi için sektöre özgü standartlar ve müşteri gereklilikleri olabilir; bunlar proje başında yönergeye dahil edilir.

Pratikte bu, her teslimat için veri kartı (datasheet) niteliğinde bir dokümantasyon üretmek anlamına gelir: verinin kaynağı, örnekleme yöntemi, sınıf dağılımı, yönerge sürümü, etiketleyiciler arası uyum değerleri ve bilinen sınırlamalar.

Teslim ve hizmet modelleri

Model	Nasıl çalışır	Ne zaman uygun
Uzaktan	Etiketleme ekibi 360 Soft kontrolündeki güvenli ortamdan veya sizin bulut ortamınızdaki araçtan çalışır	Çoğu proje
Yerinde	Veri tesisinizden çıkamıyorsa ekip sizin lokasyonunuzda, sizin cihazlarınızla çalışır	Savunma, sağlık, bankacılık gibi yüksek gizlilikli veriler
Hibrit	Hassas veri yerinde, anonimleştirilmiş veri uzaktan etiketlenir	Karma veri setleri

Hizmet modeli	Açıklama
Proje bazlı	Belirli bir veri setinin belirli kalite hedefiyle etiketlenmesi
Sürekli yönetilen hizmet	Üretimdeki modelin hatalı tahminlerinin düzenli etiketlenip modele geri beslenmesi
Dedicated team	Size ayrılmış, alanınızda eğitilmiş etiketleme ve QA ekibi
Staff augmentation	Kendi veri ekibinize QA uzmanı veya veri mühendisi takviyesi

Süreç adımları ve tipik süreler

İhtiyaç analizi ve örnek veri incelemesi (tipik 3-5 iş günü): Kullanım amacı, sınıf yapısı, veri hacmi, format ve gizlilik gereklilikleri.
Yönerge taslağı (tipik 1 hafta): Sınıf tanımları, sınır durumlar, örnek kütüphanesi.
Pilot etiketleme (tipik 1-2 hafta): Küçük bir örneklemde etiketleme, uyum ölçümü, sizin geri bildiriminizle yönerge güncellemesi.
Ekip eğitimi ve yeterlilik testi (tipik 3-5 iş günü): Altın veri üzerinde test, yetersiz etiketleyicilerin yeniden eğitimi.
Üretim etiketleme (hacme göre haftalar veya aylar): Parti bazlı teslimat, sürekli QA, haftalık rapor.
Teslim ve dokümantasyon (her parti sonunda): Belirlenen formatta veri, kalite raporu, veri kartı.
Model geri bildirimi (sürekli): Modelinizin zorlandığı örneklerin önceliklendirilip yeniden etiketlenmesi.

Temsili senaryo

Temsili senaryodur. Bir üretim firması, kumaş yüzeyindeki dokuma hatalarını kamerayla tespit edecek bir model geliştirmek istiyor olsun. Pilotta üç farklı hata tipinin sınırlarının etiketleyiciler arasında farklı yorumlandığı görülür; yönergeye kalite mühendisinin onayladığı örnekler eklenir, iki hata sınıfı birleştirilir. Ardından üretim etiketlemesinde her partinin belirli bir oranı ikinci göz incelemesinden geçer ve uyum değeri her hafta raporlanır. Bu örnek işleyişi göstermek içindir.

SLA ve KPI tablosu

Gösterge	Tanım	Not
Etiket doğruluğu	QA örnekleminde doğru bulunan etiket oranı	Hedef, pilot sonrası birlikte belirlenir
Etiketleyiciler arası uyum	Kappa, alfa veya IoU ile ölçülen tutarlılık	Görev tipine uygun metrik seçilir
Altın soru başarısı	Etiketleyicinin bilinen örneklerdeki başarısı	Eşik altındaki etiketleyici yeniden eğitime alınır
Parti teslim süresi	Verinin alınmasından etiketli teslime kadar geçen süre	Hacim ve karmaşıklığa göre tanımlanır
Yeniden iş oranı	Müşteri tarafından reddedilip düzeltilen örnek oranı	Kalite sürecinin etkinliğini gösterir
Uyuşmazlık çözüm süresi	Belirsiz örneklerin karara bağlanma süresi	Alan uzmanınızın yanıt süresine de bağlıdır
Güvenlik olayı	Veri erişimi veya paylaşımıyla ilgili ihlal ya da ramak kala	Sıfır tolerans, anında bildirim

Fiyatlandırma faktörleri

Etiketleme işlerinde en yaygın model birim bazlı fiyattır: görüntü, nesne, metin, belge veya ses dakikası başına. Kapsamı belirsiz veya sürekli değişen işlerde saatlik ya da adam/ay (dedicated team) modeli daha adildir. Tek seferlik veri setleri için sabit fiyat, belirli kalite eşiğine bağlı ödeme isteyen projeler için sonuç bazlı (outcome-based) bileşen kullanılabilir; bu durumda kalite ölçüm yöntemi sözleşmede önceden tanımlanır.

Faktör	Etkisi
Etiketleme tipi	Sınıflandırma, kutudan; kutu, poligon ve piksel segmentasyonundan çok daha hızlıdır
Görüntü başına nesne sayısı	Kalabalık sahnelerde süre katlanır
Alan uzmanlığı	Tıbbi görüntü, hukuki metin veya mühendislik verisi uzman etiketleyici gerektirir
Kalite hedefi ve QA oranı	Çoklu etiketleme ve yüksek inceleme oranı maliyeti artırır
Gizlilik seviyesi	Yerinde çalışma, kapalı ortam veya özel cihaz gereksinimi
Dil	Türkçe dışındaki diller veya lehçeler
Ön etiketleme imkânı	Model destekli ön etiketleme süreyi kısaltabilir
Teslim hızı	Sıkı takvim daha büyük ekip ve vardiya gerektirir

Veri Etiketleme ve Yapay Zekâ Veri Hazırlama Outsourcing — konu başlıkları

Kendi ekibiniz, freelancer/kitle platformu veya outsourcing?

Kriter	In-house	Freelancer / kitle kaynak platformu	360 Soft ile outsourcing
Kalite kontrolü	Kurmanız gerekir	Değişken, etiketleyiciyi tanımazsınız	Yönerge, altın veri, çoklu QA katmanı
Türkçe ve yerel bağlam	Var	Sınırlı veya belirsiz	Türkçe ana dilli, eğitimli ekip
Gizlilik	Yüksek	Düşük; veri çok sayıda bilinmeyen kişiye gider	NDA, sınırlı erişim, gerektiğinde yerinde çalışma
Ölçeklenebilirlik	Kadroyla sınırlı	Yüksek ama kalite dalgalı	Kontrollü ölçeklenme
Yönetim yükü	Yüksek	Yüksek	Proje yönetimi hizmete dahil
Dokümantasyon	Genellikle eksik	Yok	Veri kartı ve kalite raporu

Riskler ve önlemler

Risk	Önlem
Yönerge kayması	Yönerge sürümleme, değişikliklerin tüm ekibe eğitimle duyurulması, geçmiş partilerin etkisinin değerlendirilmesi
Etiketleyici yorgunluğu ve kalite düşüşü	Vardiya planı, görev rotasyonu, altın soru ile sürekli ölçüm
Ön etiketleme önyargısı	Ön etiketli örneklerde artırılmış QA, ön etiketsiz kontrol grubu
Sınıf dengesizliği	Örnekleme stratejisi, nadir sınıflar için hedefli veri toplama önerisi
Kişisel veri sızıntısı	Anonimleştirme, ekran görüntüsü ve indirme kısıtı, erişim logları
Takvim kayması	Parti bazlı planlama, erken pilot, kapasite tamponu

Güvenlik, KVKK, NDA ve fikri mülkiyet

Eğitim veriniz çoğu zaman şirketinizin en değerli varlıklarından biridir. Tüm etiketleme personeli bireysel gizlilik taahhüdü imzalar; proje başında 360 Soft ile aranızda NDA ve KVKK kapsamında veri işleyen sözleşmesi yapılır. Veriye erişim projeye atanmış kişilerle sınırlıdır, mümkün olduğunda veri sizin ortamınızdan çıkmaz, indirme ve ekran görüntüsü alma kısıtlanır, erişimler loglanır. Proje sonunda veri sözleşmede belirtilen şekilde iade edilir veya silinir ve bu yazılı olarak teyit edilir. Etiketli veri setleri, yönergeler ve kalite raporları üzerindeki tüm haklar size aittir.

Sözleşme modeli hakkında not

Veri etiketleme hizmeti bir hizmet alımıdır; iş 360 Soft’un ekibi ve yönetimiyle, teslimat ve kalite hedeflerine göre yürütülür. Ekibin sizin lokasyonunuzda çalıştığı durumlarda yapı 4857 sayılı İş Kanunu md. 2 alt işverenlik kurallarına göre kurulur. Personelin doğrudan sizin emir ve talimatınızla çalıştığı geçici iş ilişkisi (md. 7) İŞKUR izinli özel istihdam büroları aracılığıyla kurulabilir; 360 Soft özel istihdam bürosu değildir.

Tedarikçi seçim kontrol listesi

Pilot etiketleme ve ölçülebilir kalite raporu öneriyor mu?
Yönerge yazımını ve sürüm yönetimini üstleniyor mu?
Etiketleyiciler arası uyumu hangi metrikle ölçüyor?
Altın veri ve ikinci göz incelemesi oranları tanımlı mı?
Kişisel verileri etiketleme öncesinde anonimleştirebiliyor mu?
Veri sizin ortamınızdan çıkmadan çalışabiliyor mu?
Alanınızda (tıp, hukuk, üretim, finans) uzman etiketleyici sağlayabiliyor mu?
Çıktıyı modelinizin beklediği formatta teslim ediyor mu?
Veri kartı ve süreç dokümantasyonu teslimatın parçası mı?
Proje sonunda veri imhasını yazılı olarak teyit ediyor mu?

Sıkça sorulan sorular

Hangi veri türlerini etiketliyorsunuz?

Görüntü, video, metin, belge, ses ve dil modeli eğitim verisi etiketlenebilir. Nokta bulutu gibi özel veri türleri için proje bazında değerlendirme yapılır.

Etiketleme yönergesini kim hazırlar?

Yönerge taslağını 360 Soft hazırlar, sizin alan uzmanınızın onayıyla kesinleşir. Pilot sırasında ortaya çıkan sınır durumlar yönergeye eklenir ve her değişiklik sürümlenir.

Kaliteyi nasıl garanti ediyorsunuz?

Altın veri ile yeterlilik testi, iş akışına gizli altın sorular, çoklu etiketleme ile uyum ölçümü ve kıdemli QA incelemesi birlikte uygulanır. Kalite hedefi pilot sonrasında ölçülebilir şekilde sözleşmeye yazılır.

Türkçe metin ve ses verisinde deneyiminiz var mı?

Ekip Türkçe ana dillidir. Argo, kısaltma, yazım hataları ve yöresel ifadeler içeren gerçek kullanıcı verisi için ayrı yönerge kuralları tanımlanır.

Dil modelleri için veri hazırlıyor musunuz?

Evet. Talimat-cevap çiftleri, cevap sıralama ve tercih verisi, kırmızı takım istemleri ve RAG cevap değerlendirmesi gibi işler yapılabilir.

Verimiz şirket dışına çıkmadan etiketleme yapılabilir mi?

Evet. Etiketleme aracı sizin bulut ortamınıza kurulabilir veya ekip yerinde, sizin cihazlarınızla çalışabilir.

Kişisel veriler nasıl korunur?

Mümkün olan durumlarda yüz, plaka ve kişisel bilgiler etiketleme öncesinde maskelenir. Erişim sınırlandırılır, loglanır ve proje sonunda veri iade edilir veya silinir.

Pilot ne kadar sürer?

Tipik olarak bir ila iki hafta sürer. Amaç yönergenin netleşmesi, kalite ve hız beklentilerinin gerçek veriyle doğrulanmasıdır.

Hangi etiketleme araçlarını kullanıyorsunuz?

CVAT, Label Studio, doccano gibi açık kaynak araçlar veya sizin tercih ettiğiniz ticari platform kullanılabilir. Çıktı COCO, YOLO, JSONL gibi formatlarda teslim edilir.

Model destekli ön etiketleme kullanıyor musunuz?

Uygun projelerde kullanılır ve süreyi kısaltabilir. Modelin hatalarını tekrar etme riskine karşı ön etiketli örneklerde kalite kontrol oranı artırılır.

AB Yapay Zekâ Yasası etiketleme sürecini etkiler mi?

Yüksek riskli sistemler için eğitim verisine ilişkin veri yönetişimi ve belgelendirme beklentileri bulunur. Etiketleme sürecinin izlenebilir ve belgelenmiş olması bu beklentilere hazırlık açısından faydalıdır; kapsamı hukuk danışmanınızla değerlendirilmelidir.

Fiyat nasıl belirlenir?

Genellikle görüntü, nesne, metin veya ses dakikası başına birim fiyat uygulanır. Etiketleme tipi, karmaşıklık, alan uzmanlığı, kalite hedefi ve gizlilik seviyesi fiyatı belirler; sürekli ekip için adam/ay modeli kullanılabilir.

Bu hizmet hangi sözleşme modeliyle yürür?

Hizmet alımı modelinde iş 360 Soft ekibi ve yönetimiyle yürütülür; yerinde çalışmada yapı İş Kanunu md. 2 alt işverenlik kurallarına göre kurulur. Geçici iş ilişkisi İŞKUR izinli özel istihdam bürosu üzerinden kurulabilir; 360 Soft özel istihdam bürosu değildir.

Veri setinizi birlikte planlayalım

Veri türünü, yaklaşık hacmi, etiket sınıflarını ve gizlilik gereksinimlerinizi paylaşın; pilot planını ve teklifi iletelim. Telefon: +90 850 335 10 87 · E-posta: info@360-soft.com · İletişim sayfası.

İlgili sayfalar

Bu işi bize devredin Kapsamı ve hacmi yazın; kurulum planını ve yazılı teklifi paylaşalım. Teklif alın · WhatsApp · +90 850 335 10 87

Bu sayfa 360 Soft Yetkili Temsilcisi Yasir Bünyamin İncedere tarafından hazırlanmıştır. Son güncelleme: Kasım 2026.

İlgili hizmetler

Tüm hizmetler: Outsourcing Hizmetleri