Müşteri Verileri AI Araçlarına Giriyor: Veri Maskeleme Katmanı Ekleyin

Bir müşteri mesajı, paylaşılan veriler fark edilmeden önce Instagram, CRM, otomasyon platformu ve AI modeli arasında dolaşabilir. Türkiye ve MENA bölgesinde bu mesajlarda Türkçe, Arapça veya İngilizce olarak telefon numaraları, adresler, sipariş bilgileri ya da kimlik numaraları bulunabilir.

Pratik çözüm AI kullanmayı bırakmak değil. Bunun yerine bir veri maskeleme katmanı ekleyin: Modelin ihtiyaç duymadığı verileri kaldıran, bilginin nereye gittiğini kaydeden ve emin olunamayan durumları bir çalışana yönlendiren küçük bir iş akışı.

Risk tek bir AI modeli değil, veri akışının tamamıdır

Birçok işletme AI aracını tek başına değerlendirir. Modelin doğru, uygun maliyetli ve faydalı olup olmadığını sorarlar; ancak istemden önce ve sonra müşteri verilerine ne olduğunu incelemezler.

Örneğin bir müşteri hizmetleri ajanı şu mesajı alabilir:

“Merhaba, sipariş 48291 hâlâ gelmedi. Telefonum 05XX XXX XX XX, adresim de kayıtlı.”

Modelin yalnızca sipariş durumuna ve müşterinin diline ihtiyacı olabilir. Telefon numarasının tamamını veya teslimat adresini görmesi gerekmez. Aynı iş akışı Arapça ve İngilizce mesajları da işliyorsa gereksiz veri yine gereksizdir; çeviri, gizlilik riskini ortadan kaldırmaz.

İlkelerden biri veri minimizasyonu olmalı: Bir sonraki karar için gereken en küçük kişisel veri miktarını gönderin. Bu yaklaşım istemleri daha düşük maliyetli, hata ayıklamayı daha kolay ve loglarda saklamayı daha az riskli hâle getirir.

AI’ın gerçekte hangi verilere ihtiyacı olduğunu belirleyin

Bir iş akışını değiştirmeden önce AI sisteminizin gerçekleştirdiği görevleri listeleyin. Yaygın örnekler arasında müşterinin dilini belirlemek, talebi sınıflandırmak, sipariş durumunu kontrol etmek ve yanıt taslağı hazırlamak bulunur.

Her görev için verileri üç pratik gruba ayırın:

• Gerekli: Ürün SKU’su, sipariş durumu veya tercih edilen dil gibi iş akışının gerçekten ihtiyaç duyduğu bilgiler.
• Faydalı ancak isteğe bağlı: Yanıtı iyileştirebilecek, ancak çoğu zaman özetlenebilecek bilgiler; örneğin kısa bir konuşma geçmişi.
• Hassas veya gereksiz: Telefon numarasının tamamı, e-posta adresleri, ödeme bilgileri, kimlik belgeleri, kesin adresler ve özel notlar.

Bir ismi müşteri ID’siyle değiştirmek her sorunu çözmez. Küçük bir müşteri veritabanında sipariş numarası, konum, tarih ve ürün bilgilerinin birleşimi de bir kişiyi tanımlamaya yetebilir.

Her AI görevi için tek cümlelik bir kural yazın. Örneğin: “Sipariş durumu sınıflandırıcısı sipariş ID’sini, teslimat durumunu, dili ve talep türünü alır; müşterinin adresini veya telefon numarasını almaz.” Bu kural, otomasyonun ve ekip incelemesinin temelini oluşturur.

Veri maskeleme katmanını oluşturun

Temel bir katman, kanal ile AI modeli arasına yerleştirilebilir. Bunun için mutlaka baştan sona yeni ve karmaşık bir uygulama geliştirmeniz gerekmez.

1. Orijinal mesajı güvenli şekilde alın

Orijinal mesajı yalnızca işletmenizin meşru operasyonel ihtiyacı olduğu sürece, zaten kullandığınız güvenli sistemlerde saklayın. Erişimi gerçekten ihtiyaç duyan kişi ve sistemlerle sınırlayın; ham mesajları elektronik tablolara, test ortamlarına veya kişisel sohbet gruplarına kopyalamaktan kaçının.

2. Hassas alanları tüm desteklenen dillerde tespit edin

Telefon numarası, e-posta adresi, ödeme kartı numarası, kimlik numarası, adres ve URL gibi kalıpları arayın. Testlerinize Arapça ve Türkçe varyasyonları ekleyin. Türkçe ad ve adreslerde ç, ğ, ı, ö, ş ve ü gibi karakterler bulunabilir; Arapça metinlerde ise farklı rakamlar, noktalama işaretleri ve yazım biçimleri görülebilir.

Tespit sistemi kusursuz değildir. Bunu bir güvenlik filtresi olarak değerlendirin; mesajın tamamen güvenli olduğunun kanıtı olarak değil. Sistem tanımadığı bir kimlik bilgisiyle veya düşük güven skoruyla karşılaştığında insan incelemesine giden bir yol mutlaka bulunmalıdır.

3. Verileri kullanışlı belir­teç­lerle değiştirin

Bağlamı tamamen silmek yerine tutarlı yer tutucular kullanın. Mesaj şu hâle gelebilir:

“Merhaba, sipariş [ORDER_ID] hâlâ gelmedi. Telefonum [PHONE], adresim de kayıtlı.”

Model, gerçek telefon numarasını görmeden talebi sınıflandırabilir. Daha sonra başka bir sistemin müşteriyle iletişim kurması gerekiyorsa güvenli iş akışınız, model isteminin dışında tutulan orijinal kaydı kullanabilir.

4. Yalnızca gerekli sonucu geri döndürün

AI çıktısı da bir kontrolden geçmelidir. Alıcı ve kullanım amacı açıkça gerektirmiyorsa telefon numarası, adres, ödeme bilgisi veya şirket içi notları tekrarlayan yanıtları engelleyin.

Müşteri hizmetlerinde modelin language, intent, order_id ve suggested_reply gibi yapılandırılmış alanlar döndürmesi çoğu zaman daha güvenlidir. Ayrı bir sistem daha sonra sipariş durumunu alabilir ve onaylanmış yanıt kurallarını uygulayabilir.

Türkiye ve MENA için uyumluluk incelemesi ekleyin

Veri maskeleme katmanı gizliliği güçlendirir, ancak hukuki danışmanlığın yerini tutmaz. Türkiye, Suudi Arabistan, Birleşik Arap Emirlikleri veya diğer MENA pazarlarında faaliyet gösteren işletmeler; şirketlerine, müşterilerine, sektörlerine ve veri akışlarına uygulanan kuralları incelemelidir. Bu kapsamda Türkiye’de KVKK, Suudi Arabistan’da PDPL, BAE’de federal PDPL veya sektöre özel yerel gereklilikler gündeme gelebilir.

Yasaların adını bilmek yeterli değildir. Verinin izlediği yolun tamamını inceleyin:

• Veriyi hangi işletme topluyor?
• Hangi hizmet sağlayıcı işliyor?
• Hangi ülkede saklanıyor veya bu verilere erişiliyor?
• Müşteri ilgili işleme faaliyetleri hakkında bilgilendiriliyor mu?
• Ham mesajı ve AI loglarını ne kadar süre saklıyorsunuz?
• Kaydı kim arayabilir, dışa aktarabilir veya silebilir?
• Müşteri verileri hakkında soru sorarsa ne olacak?

Sınır ötesi veri aktarımlarına ve hizmet sağlayıcı sözleşmelerine özellikle dikkat edin. Bir AI sağlayıcısı, otomasyon platformu, CRM ve analiz aracı aynı mesajı ayrı ayrı işleyebilir. Her adım için sağlayıcıyı, amacı, işlenen veri alanlarını, saklama ayarını ve silme sürecini kaydedin.

Birden fazla ülkedeki müşterilere hizmet veriyorsanız belirsiz bir “global” kural oluşturup yeterli olduğunu varsaymayın. Her pazar için kısa bir karar dokümanı hazırlayın ve ardından yetkin bir veri gizliliği uzmanından doğrulama alın. Amaç, sistemi ölçeklendirmeden önce gerçek veri akışını görünür kılmaktır.

Katmanı gerçek çalışma koşul­la­rıyla test edin

Yalnızca temiz ve kusursuz örnekler üretmek yerine, onaylanmış küçük bir geçmiş mesaj örneklemi kullanın. Arapça, Türkçe ve İngilizcenin yanı sıra dil karışımını, yazım hatalarını, sesli yazma hatalarını, emojileri ve belge ya da ekran görüntüsü paylaşan müşterileri de teste dahil edin.

Dört noktayı ölçün:

• Tespit: Katman hassas alanı buldu mu?
• Maskeleme: Alanı doğru şekilde kaldırdı veya belirteçle değiştirdi mi?
• Kullanışlılık: AI talebi hâlâ sınıflandırabiliyor veya yanıt taslağı hazırlayabiliyor mu?
• Kurtarma: Katman mesajı engellediğinde yetkili bir çalışan görevi tamamlayabiliyor mu?

Örneğin 30 mesajı test ediyorsanız, atlanan her telefon numarasını veya adresi ve faydalı sipariş bağlamının kaldırıldığı her durumu etiketleyin. Bu sayılar örnek test sayılarıdır; bir uyumluluk eşiği değildir. Kabul kriterlerinizi veri gizliliği, müşteri hizmetleri ve operasyon sorumlularıyla birlikte belirleyin.

Uygulama için pratik kontrol listesi

1. Müşteri mesajı alan tüm AI iş akışlarını listeleyin.
2. Her iş akışının ihtiyaç duyduğu minimum alanları yazın.
3. Test setine Arapça, Türkçe ve İngilizce örnekler ekleyin.
4. Model çağrısından önce hassas alanları tespit edin, belirteçlerle değiştirin ve gerektiğinde engelleyin.
5. AI çıktısını yanlışlıkla veri tekrarı yapıp yapmadığı açısından kontrol edin.
6. Sağlayıcıları, veri konumlarını, saklama sürelerini ve erişim kontrollerini belgeleyin.
7. Emin olunamayan veya engellenen durumlar için insan incelemesi yolu ekleyin.
8. Yeni bir kanal, sağlayıcı veya kullanım amacı eklendiğinde iş akışını yeniden gözden geçirin.

ADMOV nasıl yardımcı olabilir?

ADMOV, mevcut AI, CRM ve otomasyon iş akışınızı haritalandırabilir; Arapça, Türkçe ve İngilizce müşteri verileri için pratik bir maskeleme ve inceleme katmanı tasarlayabilir. Ayrıca bu katmanı müşteri hizmetleri ajanlarına, potansiyel müşteri iş akışlarına veya kurum içi LLM sistemlerine bağlayarak modelin faydalı bağlamı almasını, ancak müşterinin tüm ham detaylarını görmemesini sağlayabiliriz.

Ücretsiz bir görüşme planlayın ve mevcut yapınızı birlikte inceleyelim.