# İş Süreç Madenciliği ile AI Destekli Gerçek Zamanlı Uyumluluk Risk Isı Haritası

## Giriş

SaaS ürünleri sunan işletmeler, sürekli değişen bir düzenleyici ortamda faaliyet gösterir. Geleneksel uyumluluk programları periyodik denetimlere, manuel kanıt toplama süreçlerine ve hızla güncelliğini yitiren statik panellere dayanır. **Politika değişiklikleri** ile **süreç adaptasyonları** arasındaki boşluk, özellikle iş süreçleri uyumluluk ekiplerinin yanıt vermesinden daha hızlı evrimleştiğinde gizli risklere yol açar.

**Gerçek zamanlı uyumluluk risk ısı haritası**, organizasyon süreçleri üzerindeki risk yoğunluğunu görselleştirerek bu boşluğu kapatabilir. **İş süreç madenciliği**—olay günlüklerinden gerçek süreç akışlarının otomatik keşfi—ile **AI‑tabanlı anomali tespiti** ve **nedensel çıkarım**ı birleştirerek politika sapmalarını ortaya çıkarabilir, anormal süreç davranışlarını tespit edebilir ve tek bir, sürekli yenilenen görünümde iyileştirme önceliklerini belirleyebiliriz.

Bu makale, kavramsal temelleri, teknik mimariyi ve böyle bir sistemi inşa etmek için pratik adımları ele alırken, SEO‑dostu faydalarını da vurgulayarak bu yaklaşımın uyumluluk bilgi tabanına nasıl değer kattığını gösterir.

## Neden Gerçek Zamanlı Önemlidir?

1. **Düzenleyici Hız** – Yeni düzenlemeler (ör. [GDPR](https://gdpr.eu/)-ePrivacy, [CCPA](https://oag.ca.gov/privacy/ccpa), [EU AI Act Compliance](https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai)) haftalık olarak yayımlanır. Gecikmeli tespit, para cezaları ve itibar kaybına yol açabilir.  
2. **Dinamik Süreç Manzarası** – CI/CD boru hatları, mikro‑servis orkestrasyonu ve sunucusuz fonksiyonlar günlük olarak değişir. Statik uyumluluk haritaları bu hızlı değişimleri kaçırır.  
3. **Risk Önceliklendirme** – Her birkaç saniyede bir güncellenen bir ısı haritası, güvenlik analistlerinin en sıcak noktalara odaklanmasını sağlar ve ortalama iyileştirme süresini (MTTR) azaltır.  

## İş Süreç Madenciliği Kısaca

Süreç madenciliği, aşağıdaki kaynaklardan **olay günlüklerini** çıkarır:

- Uygulama günlükleri (ör. API geçidi, kimlik doğrulama servisleri)  
- Bulut denetim izleri (AWS CloudTrail, Azure Activity Log)  
- CI/CD boru hattı olayları (GitHub Actions, Jenkins)  

Bu günlükler, düğümlerin faaliyetleri (ör. “Kullanıcı Girişi”, “Veri Dışa Aktarımı”) ve kenarların geçiş sıklığını ve sırasını yakaladığı bir **yönlendirilmiş grafiğe** dönüştürülür. Ortaya çıkan **süreç modeli**, *tasarlanmış* (to‑be) değil, *gerçekleşen* (as‑is) durumu yansıtır.

Uyumluluk meta verileri (ör. hangi faaliyetlerin [ISO 27001](https://www.iso.org/standard/27001) A.12.4 kapsamında olduğu) ile birleştirildiğinde süreç grafiği bir **uyumluluk‑bilinçli süreç haritası**na dönüşür.

## Mimari Genel Bakış

Aşağıda, ham olay alımından etkileşimli risk ısı haritasına kadar veri akışını gösteren yüksek seviyeli bir Mermaid diyagramı yer almaktadır.

```mermaid
graph LR
    A[Event Sources] -->|Stream| B[Kafka Ingestion Layer]
    B --> C[Schema Validation & Enrichment]
    C --> D[Process Mining Engine]
    D --> E[Compliance Knowledge Graph]
    E --> F[AI Anomaly & Causal Engine]
    F --> G[Risk Scoring Service]
    G --> H[Real‑Time Heatmap UI]
    subgraph AI Models
        F
    end
    subgraph Storage
        D
        E
        G
    end
```

### Temel Bileşenler

| Bileşen | Rol |
|-----------|------|
| **Kafka Ingestion Layer** | Olay günlüklerinin düşük gecikmeli, hataya dayanıklı akışını sağlar. |
| **Process Mining Engine** | *Inductive Miner* algoritmasıyla canlı bir süreç grafiği üretir. |
| **Compliance Knowledge Graph** | Politika‑faaliyet eşlemeleri, düzenleyici kısıtlamalar ve sürüm‑bazlı politika sapma verilerini depolar. |
| **AI Anomaly & Causal Engine** | Norm dışı geçişleri (ör. veri dışa aktarımındaki ani artış) tespit eder ve politika değişiklikleriyle nedensel bağlantıları çıkarır. |
| **Risk Scoring Service** | Ağırlıklı faktörler (politika sapması, anomali şiddeti, iş etkisi) kullanarak her düğüm için birleşik bir risk skoru hesaplar. |
| **Real‑Time Heatmap UI** | React + D3 ile inşa edilmiş ön yüz, riskin yoğunluğunu renk kodlu bir matris olarak gösterir. |

## Veri Alımı ve Normalleştirme

1. **Olay Yakalama** – Her mikro‑servise hafif ajanlar yerleştirerek JSON olaylarını Kafka konularına gönderin.  
2. **Şema Kaydı** – Tek tip bir şema (zaman damgası, kullanıcı_id, faaliyet, kaynak_id, sonuç) zorunlu kılın.  
3. **Zenginleştirme** – Bağlamsal verileri ekleyin: kullanıcı rolü, veri sınıflandırması ve ilişkili uyumluluk kontrolleri.  

Normalleştirme, AI modellerinin tutarlı özellik vektörleri beklediği için kritiktir. Eksik alanlar, geçmiş günlükler üzerinden **k‑en yakın komşu** yöntemiyle doldurulur.

## Çalışan AI Modelleri

### 1. Anomali Tespiti

Normal süreç grafiği üzerinde eğitilmiş bir **Variational Auto‑Encoder (VAE)** kullanıyoruz. Kodlayıcı, faaliyet dizilerini bir latent alana sıkıştırır; çözücü ise yeniden üretir. Dinamik bir eşik üzerindeki yeniden üretim hatası bir anomaliyi işaret eder.

### 2. Nedensel Çıkarım

**DoWhy** ve **Yapısal Nedensel Modeller (SCM)** kullanarak tespit edilen bir anomalinin son politika güncellemesinden kaynaklanma olasılığını tahmin ederiz. Nedensel grafik şu ilişkileri içerir:

- `PolicyVersion` → `AllowedActivities`  
- `AllowedActivities` → `ProcessTransitions`  
- `ProcessTransitions` → `RiskScore`

### 3. Birleşik Risk Skorlaması

RiskSkoru = w₁·PolicyDriftScore + w₂·AnomalySeverity + w₃·BusinessImpact  

Ağırlıklar (`w₁, w₂, w₃`) geçmiş olay verileri üzerinde **Bayesian Optimization** ile ayarlanır.

## Isı Haritası Görselleştirmesi

Ön yüz, **satırların** iş süreçlerini (ör. “Kayıt”, “Veri Dışa Aktarımı”) ve **sütunların** düzenleyici alanları (ör. “Gizlilik”, “Güvenlik”) temsil ettiği bir **matris** sunar. Her hücrenin renk yoğunluğu **gerçek zamanlı risk skorunu** yansıtır. Üzerine gelindiğinde gösterilir:

- Mevcut risk seviyesi (Düşük/Orta/Yüksek)  
- Uygulanan son politika sürümü  
- Anomali detayları (zaman damgası, etkilenen kullanıcı)  

**Zaman kaydırıcı** analistlerin son 24 saat içindeki risk evrimini görmesini sağlar ve kök neden analizini destekler.

## Gerçek Dünya Kullanım Senaryoları

| Kullanım Senaryosu | Fayda |
|--------------------|-------|
| **Hızlı Politika Sapması Tespiti** | En son politika sürümünden sapma gösteren süreçleri anında vurgular, hemen düzeltme yapılmasını sağlar. |
| **Süreç‑Odaklı Denetimler** | Denetçiler yüksek riskli düğümlere odaklanarak denetim çabasını %40’a kadar azaltabilir. |
| **Sürekli Tedarikçi Risk Skorlaması** | Bir tedarikçinin API’si süreç grafiğinin bir parçası olduğunda, risk katkısı ısı haritasında yansır ve dinamik tedarikçi yönetimi mümkün olur. |
| **Olay Müdahalesi Önceliklendirme** | Güvenlik ekipleri yalnızca yüksek risk eşiğini geçen hücreler için uyarı alır, alarm yorgunluğunu azaltır. |

## Uygulama Adımları

1. **Uyumluluk Eşlemesini Tanımla** – Tüm düzenleyici kontrolleri envantere al ve süreç faaliyetlerine eşle.  
2. **Olay Toplayıcıları Dağıt** – Açık kaynak ajanları (ör. OpenTelemetry) kullanarak günlükleri Kafka’ya akıt.  
3. **Süreç Madenciliğini Kur** – **pm4py** (açık kaynak) kur ve artımlı güncellemeler için yapılandır.  
4. **Bilgi Grafiği Oluştur** – Neo4j ile politika‑faaliyet ilişkileri ve sürüm geçmişini depola. |
5. **AI Modellerini Eğit** – VAE ve nedensel çıkarım boru hatlarını geçmiş verilerle çalıştır; modelleri MLflow’da sakla. |
6. **Isı Haritası UI’sını Geliştir** – React, D3 ve WebSocket ile canlı güncellemeler sağlayan arayüzü inşa et. |
7. **Uyarı Entegrasyonu** – Risk eşiklerini Slack, PagerDuty veya SIEM platformlarına bağla. |

## Zorluklar ve En İyi Uygulamalar

| Zorluk | Azaltma Yöntemi |
|--------|-----------------|
| **Veri Hacmi** | Kafka konularını hizmete göre böl; madencilik motorunda pencere bazlı toplama kullan. |
| **Model Kayması** | Üç ayda bir yeniden eğitim planla; yeniden üretim hatası dağılımını izleyerek anormallikleri tespit et. |
| **Politika Sürüm Patlaması** | Yalnızca delta değişikliklerini sakla; eski sürümleri soğuk depolamada arşivle. |
| **Kullanıcı Kabulü** | Bağlamsal ipuçları ve eğitim oturumları sun; ısı haritasını mevcut uyumluluk portalına göm. |

## Gelecek Yönelimleri

- **Politika Önerileri için Üretken AI** – Gözlemlenen süreç anomalilerine dayanarak LLM’ler aracılığıyla politika ayarlamaları öner.  
- **Uç‑Yer İş Süreç Madenciliği** – Ultra düşük gecikme için uç düğümlerde hafif madenciler dağıt.  
- **Denetlenebilir Kanıt için Sıfır‑Bilgi Kanıtları** – Ham günlükleri ifşa etmeden bir sürecin politikaya uyduğunu kriptografik kanıtla göster.  

## Sonuç

**Gerçek zamanlı AI anomali tespiti**, **nedensel çıkarım** ve **iş süreç madenciliği**ni birleştirerek, organizasyonlar politika sapmalarını ve süreç anomalilerini ortaya çıktıkları anda gösteren canlı bir uyumluluk risk ısı haritasına sahip olur. Bu proaktif yaklaşım sadece düzenleyici para cezalarını azaltmakla kalmaz, aynı zamanda güvenlik ekiplerinin kaynaklarını en kritik noktalara yönlendirmesini sağlayarak uyumluluğu periyodik bir görevden sürekli, veri‑odaklı bir avantaja dönüştürür.