---
title: "LLM API'de hassas veri: maskeleme ve veri minimizasyonu"
description: "Müşteri, sağlık veya finans verisini LLM API'ye güvenle göndermek: alanları sınıflandırın, geri alınabilir yer tutucularla maskeleyin, sıfır veri saklama seçin."
url: https://broadrouter.com/tr/blog/llm-api-sensitive-data/
lang: tr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

İngilizceden yapay zekâ desteğiyle çevrilmiştir. [İngilizce aslını okuyun](https://broadrouter.com/blog/llm-api-sensitive-data/) (güncelleme: 2026-11-15).

# LLM API'ye hassas veri göndermek: maskeleyin, azaltın, az kaydedin

BroadNet Inference ekibi · 5 dk okuma · Yayımlandı 2026-11-14 · Güncellendi 2026-11-15

Bir LLM API'ye hassas veri göndermek için önce görevin hangi alanlara ihtiyaç duyduğuna karar verin ve gerisini atın. İstekten önce adları, numaraları ve kimlikleri geri alınabilir yer tutucularla değiştirin, yanıttan sonra kendi kodunuzda geri yükleyin. Sıfır veri saklama sunan bir sağlayıcı kullanın, istem içeriğini kendi günlüklerinizden uzak tutun ve API anahtarlarını sunucularınıza kilitleyin.

## Öne çıkanlar

-   Sızıntıların çoğu sizin tarafınızda olur: model sağlayıcısında değil, uygulama günlüklerinde, izleme araçlarında, hata raporlarında ve analitikte.
-   Önce alanları sınıflandırın. Pek çok görev adı, telefon numarasını veya hesap kimliğini hiç gerektirmez.
-   \[PHONE\_1\] gibi geri alınabilir yer tutucular metni model için okunabilir tutar ve değerleri sonradan geri yüklemenizi sağlar.
-   Sıfır veri saklama, sağlayıcının ne tuttuğunu sınırlar. Maskelemenin veya sözleşmenin yerini tutmaz.
-   Sesi varsayılan olarak hassas sayın: tek bir sesli not bir ad, bir numara ve bir sağlık bilgisi taşıyabilir.

**Bu sayfada**

1.  Bir LLM API için hassas veri neleri kapsar?
2.  1\. Adım: Görev gerçekte hangi alanlara ihtiyaç duyuyor?
3.  2\. Adım: Model metni hâlâ anlayacak şekilde nasıl maskelersiniz?
4.  3\. Adım: Sağlayıcıda veriye ne olur?
5.  4\. Adım: İstemleri kendi günlüklerinizden nasıl uzak tutarsınız?
6.  5\. Adım: API’ye giden yolu nasıl korursunuz?
7.  6\. Adım: Yanıtta neyi kontrol etmelisiniz?
8.  Hassas ses kayıtları da aynı muameleyi gerektirir mi?
9.  BroadNet Inference bu tabloda nerede duruyor?

_[image: The word "PRIVATE" in bold letters, with the text "Control what AI sees." and "LSDF by BroadNet".]_

Müşteri destek botları adlar ve sipariş numaraları içeren şikâyetleri okur. Çağrı merkezi hatları kart haneleri geçen dökümleri gönderir. Sağlık uygulamaları belirtileri gönderir. Bunların hepsi bir model için faydalıdır ve hepsi sunucularınızdan çıktığı anda **hassas veridir**.

OWASP, LLM uygulamaları için 2025 Top 10 listesinde [hassas bilgilerin ifşasını](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/) LLM02 olarak sayıyor. Rehberlerin çoğu modelin neyi açığa çıkarabileceğine odaklanır. Bu yazı sizin kontrol ettiğiniz kısma odaklanıyor: **ne gönderdiğiniz ve ne sakladığınız**.

## Bir LLM API için hassas veri neleri kapsar?

Bir istem yazmadan önce alanları üç kovaya ayırın:

| Kova | Örnekler | Varsayılan kural |
| --- | --- | --- |
| Doğrudan tanımlayıcılar | Ad, e-posta, telefon, kimlik numarası, hesap numarası | Yer tutucularla değiştirin |
| Özel veya düzenlemeye tabi | Sağlık, biyometri, din, kart numaraları, kimlik bilgileri | Görev gerektirmedikçe ve hukuki bir dayanağınız olmadıkça göndermeyin |
| Bağlam | Ürün adları, sorun türü, tarihler, tutarlar | Genellikle gönderilebilir |

GDPR kapsamında özel kategoriler (Madde 9), onları işlemeye başlamadan önce belirli bir koşulun sağlanmasını gerektirir. Kart verileri ve parolalar ya da API anahtarları gibi gizli bilgiler asla bir isteme ulaşmamalıdır.

## 1\. Adım: Görev gerçekte hangi alanlara ihtiyaç duyuyor?

En iyi maskeleme, alanı hiç göndermemektir. Görevin neye ihtiyacı olduğunu sorun:

1.  **Bir destek kaydını özetlemek mi?** Modelin şikâyete ihtiyacı var, müşterinin adresine değil.
2.  **Niyeti sınıflandırmak mı?** Mesaj metnine ihtiyacı var, hesap kimliğine değil.
3.  **Bir yanıt taslağı yazmak mı?** En fazla bir ilk ada ihtiyacı var, onun yerine de bir yer tutucu iş görür.

İstemleri kaydın tamamını JSON olarak boşaltarak değil, seçilmiş alanlardan kurun. Bu aynı zamanda [girdi token’larını](https://broadrouter.com/tr/glossary/input-and-output-tokens/) azaltır, yani para da kazandırır.

## 2\. Adım: Model metni hâlâ anlayacak şekilde nasıl maskelersiniz?

Her değeri türü belirtilmiş, numaralı bir yer tutucuyla değiştirin. Model cümlenin yapısını korur, kodunuz da değerleri sonradan geri yükler.

```python
import os, re
from openai import OpenAI

PATTERNS = {   # order matters: IBAN before PHONE, or the phone pattern eats IBAN digits
    "EMAIL": r"[\w.+-]+@[\w-]+\.[\w.-]+",
    "IBAN":  r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b",
    "PHONE": r"\+?\d[\d\s-]{7,}\d",
}

def redact(text):
    mapping, n = {}, {}
    for kind, pat in PATTERNS.items():
        def sub(m):
            n[kind] = n.get(kind, 0) + 1
            key = f"[{kind}_{n[kind]}]"
            mapping[key] = m.group(0)
            return key
        text = re.sub(pat, sub, text)
    return text, mapping

def restore(text, mapping):
    for key, value in mapping.items():
        text = text.replace(key, value)
    return text

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
# Any OpenAI-compatible endpoint works; this uses Qwen3.8 27B on BroadNet Inference.

ticket = "Call me on +971 50 123 4567 or mail sara@example.com about my refund."
safe, mapping = redact(ticket)
reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    messages=[
        {"role": "system", "content": "Keep placeholders like [PHONE_1] exactly as written."},
        {"role": "user", "content": f"Draft a short reply to this ticket:\n{safe}"},
    ],
).choices[0].message.content
print(restore(reply, mapping))   # the mapping never left your server
```

Düzenli ifadeler yapılandırılmış değerleri yakalar. Adlar ve adresler ise varlık tanıma gerektirir. [Microsoft Presidio](https://microsoft.github.io/presidio/supported_entities) gibi açık kaynak araçlar kalıpları, sağlama toplamlarını ve adlandırılmış varlık modellerini birleştirir ve kendi tanıyıcılarınızı eklemenize izin verir. Her dedektörü kendi verinizde test edin: Arapça adlar, Körfez telefon biçimleri ve karışık alfabeli metin, genel amaçlı dedektörlerin kaçırdığı yerlerdir.

Maskelemeyi kendiniz yazmak yerine bir proxy çalıştırmayı tercih ederseniz BroadNet açık kaynak olarak bir tane yayımlıyor: Apache-2.0 lisanslı [LLM Sensitive Data Firewall (LSDF)](https://github.com/brntech/lsdf). BroadNet’in barındırmadığı modeller dahil, OpenAI uyumlu herhangi bir uç noktanın önüne yerleşir. BroadNet’e göre istekleri, yanıtları, akış parçalarını, akışla gelen araç çağrısı argümanlarını, getirilen bağlamı ve akıl yürütme alanlarını inceler; izler ve günlükler için de ayrı bir temizleyicisi vardır. BroadNet’in kendi veri kümeleri üzerindeki Mayıs 2026 değerlendirmesinde geniş kapsamlı kişisel veri dedektörleri 40 vakalık bir kimlik bilgisi tekrarında 1,000, sentetik klinik veride 0,944 ve geniş kapsamlı İngilizce kişisel veride 0,685 yakalama oranı (recall) elde etti; tek başına Microsoft Presidio’nun değerleri 0,194, 0,056 ve 0,326 oldu ([BroadNet’in yazısı](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)). Bunlar BroadNet’in kendi aracı için verdiği rakamlar; herhangi bir şeyi zorunlu kılmadan önce aracın `monitor` profilini kendi trafiğinizde çalıştırın.

Yer tutucular için iki kural:

-   **Tutarlı tutun**: bir konuşma içinde `[NAME_1]` her turda aynı kişi olsun.
-   **Modele onları korumasını söyleyin**: yukarıdaki sistem isteminde olduğu gibi, değiştirmeden.

## 3\. Adım: Sağlayıcıda veriye ne olur?

Maskeleme dışarı çıkanı azaltır. Sonrasında ne olacağına sağlayıcı karar verir. Şunları sorun:

-   İçerik istekten sonra saklanıyor mu, ne kadar süreyle?
-   Eğitim için kullanılıyor mu, varsayılan ayar ne?
-   Donanımı kim, nerede çalıştırıyor?

Sağlayıcıların yanıtları birbirinden çok farklıdır. Beş sağlayıcının resmî ifadeleri için [LLM API veri saklama karşılaştırmasına](https://broadrouter.com/tr/blog/llm-api-data-retention-compared/), teknik sorular için [ZDR kontrol listesine](https://broadrouter.com/tr/blog/zero-data-retention-llm-api-checklist/), sözleşme tarafı için [GDPR kontrol listesine](https://broadrouter.com/tr/blog/gdpr-llm-api-checklist/) bakın.

## 4\. Adım: İstemleri kendi günlüklerinizden nasıl uzak tutarsınız?

İstemlerin en sık kalıcılaştığı yer sizin kendi altyapınızdır. Yaygın sızıntılar:

-   İstek gövdelerini yazdıran HTTP istemcisi hata ayıklama günlükleri.
-   Tam istemleri varsayılan olarak kaydeden izleme ve gözlemlenebilirlik SDK’ları.
-   Başarısız isteğin içeriğini ekleyen hata raporlayıcılar.
-   Kullanıcının mesajını içeren analitik olayları.
-   İsteklerin tamamını saklayan yeniden deneme ve ölü mektup (dead-letter) kuyrukları.

Bunların yerine şunları kaydedin: istek kimliği, model, istem ve tamamlama token sayıları, gecikme, durum kodu ve kendi maskeleme eşlemenizin kimliği (eşlemenin kendisi asla). Maliyet ve hata ayıklamak için bu yeterlidir. [Kullanım günlüğü yazısında](https://broadrouter.com/tr/blog/llm-api-usage-logging/) tam olarak bu alanları yazan ve çağrı başına maliyeti hesaplayan bir sarmalayıcı var.

## 5\. Adım: API’ye giden yolu nasıl korursunuz?

-   Anahtarları sunucularda tutun, tarayıcı veya mobil kodda asla. [LLM API anahtarı güvenliği](https://broadrouter.com/tr/blog/llm-api-key-security/) saklama ve yenilemeyi anlatıyor.
-   Anahtarları [IP izin listeleriyle](https://broadrouter.com/tr/guides/api-keys-ip-allow-lists/) çıkış adreslerinize kilitleyin.
-   Her servis için ayrı bir [API anahtarı](https://broadrouter.com/tr/glossary/api-key/) kullanın; böylece her şeyi durdurmadan birini iptal edebilirsiniz.

## 6\. Adım: Yanıtta neyi kontrol etmelisiniz?

Maskeleme isteği korur. Yanıtın da kontrol edilmesi gerekir, çünkü bir model değerleri tekrarlayabilir, tahmin edebilir veya yeniden oluşturabilir:

-   **Yer tutucu bütünlüğü.** `restore()` çalıştıktan sonra eşlemenizde hiç bulunmayan `[PHONE_3]` gibi artık yer tutucular arayın. Bunlar modelin bir tane uydurduğu anlamına gelir.
-   **Çıktıda yeni kişisel veri.** Aynı dedektörü yanıt üzerinde de çalıştırın. Sizin hiç göndermediğiniz bir e-posta adresini içeren bir yanıt, müşteriye ulaşmadan önce ikinci kez bakılmayı hak eder.
-   **Kullanıcılar arası sızıntı.** Yanıtları önbelleğe alıyor veya konuşma durumunu paylaşıyorsanız, bir kullanıcının geri yüklenen değerlerinin asla başka bir kullanıcının yanıtında görünemeyeceğinden emin olun.

Yalnızca sohbet yanıtını değil, her çıktı kanalını kontrol edin. BroadNet’in [Safety Map çalışması](https://broadrouter.com/tr/blog/llm-safety-map-39-models/), görünür yanıt güvenli, kaçırılmış veya yarıda kesilmiş olarak değerlendirilirken hassas değerlerin araç çağrısı argümanlarını dolduran 73 çalıştırmanın 20’sinde bu argümanlar üzerinden, akıl yürütme alanını dolduran 43 çalıştırmanın 29’unda da bu alan üzerinden dışarı çıktığını buldu.

İstemi, modeli veya dedektörü her değiştirdiğinizde döngünün tamamını 50 gerçek, hassas örnekten oluşan sabit bir kümede test edin. Yalnızca yakalananları değil, kaçırılan değerleri sayın: kaçırılan tek bir kart numarası, doğru konmuş yüz yer tutucudan daha önemlidir.

## Hassas ses kayıtları da aynı muameleyi gerektirir mi?

Bir sesli not on saniyede bir ad, bir telefon numarası ve bir sağlık bilgisi taşıyabilir. Dökümler bunların hepsini devralır. Dökümü özetlenmek üzere bir LLM’e gitmeden önce maskeleyin ve ham sesi yalnızca gerektiği kadar saklayın. [Çağrı merkezi transkripsiyon hattımız](https://broadrouter.com/tr/blog/transcribe-call-center-recordings/), transkripsiyon ile özet adımları arasında maskelemeyi gösteriyor.

## BroadNet Inference bu tabloda nerede duruyor?

BroadNet’in [gizlilik beyanı](https://www.broadnet.ai/inference-privacy), ağ geçidinin “keeps no prompts, messages, images, audio, responses or transcripts” (BroadRouter çevirisi: istem, mesaj, görsel, ses, yanıt veya döküm tutmaz) olduğunu ve çıkarım verilerini “to train, fine-tune or evaluate models” (BroadRouter çevirisi: model eğitmek, ince ayar yapmak veya değerlendirmek için) kullanmadığını söylüyor. Zamanlamalar, token sayıları ve maliyet gibi içerik barındırmayan kayıtlar tutar; tam liste [sıfır veri saklama sayfasında](https://broadrouter.com/tr/privacy/). Anahtarlar IP adreslerinizle sınırlandırılabilir. Yukarıdaki örnekte kullanılan [Qwen3.8 27B](https://broadrouter.com/tr/models/qwen3.8-27b/), BroadNet tarafından Arapça test edildi; yer tutucularınız Arapça metnin içinde durduğunda bu önemlidir.

Bu, sağlayıcının tarafını kapsar. Sizin yerinize maskeleme yapmaz, günlüklerinizi de temizlemez. 1, 2 ve 4. adımlar, BroadNet dahil hangi sağlayıcıyı kullanırsanız kullanın sizin işiniz olarak kalır. Düzenlemeye tabi veriler için yazılı bir DPA (veri işleme sözleşmesi) veya alt işleyen listesine ihtiyacınız varsa, veriyi göndermeden önce BroadNet’e sorun; beyana göre alt işleyen listesi talep üzerine sağlanıyor.

Bu konu için ücretsiz araçlar (İngilizce)

-   [OpenAI-compatible API request builder](https://broadrouter.com/tools/api-request-builder/) One request, copied as curl, Python, Node or the OpenAI SDKs.
-   [LLM API cost calculator](https://broadrouter.com/tools/llm-api-cost-calculator/) Price a workload on every model at once, with cache hits, reasoning and a flat-plan check.

[Ücretsiz araçlar (İngilizce)](https://broadrouter.com/tools/)

## Bu yazıdaki terimler

[Token](https://broadrouter.com/tr/glossary/token/)

Token, bir dil modelinin okuduğu ve yazdığı metin birimidir: modelin tokenizer'ının ürettiği bir kelime, kelime parçası, noktalama işareti veya bayt dizisi. LLM API'leri kullanımı token cinsinden sayar, sınırlar ve genellikle faturalandırır.

[Alt işleyen (subprocessor)](https://broadrouter.com/tr/glossary/subprocessor/)

Alt işleyen (subprocessor), bir veri işleyenin veri sorumlusu adına kişisel veri işlemek için görevlendirdiği üçüncü taraftır. Bir LLM API'si için GPU barındırıcıları, iş ortağı çıkarım sağlayıcıları ve yedek kapasite alt işleyen olabilir. GDPR Madde 28'e göre bunlar veri sorumlusunun yetkisini ve aynı veri koruma yükümlülüklerini gerektirir.

[API anahtarı (API key)](https://broadrouter.com/tr/glossary/api-key/)

API anahtarı, bir API'yi çağıran istemciyi tanımlayan ve yetkilendiren gizli bir dizedir. LLM API'leri genellikle anahtarı Authorization: Bearer başlığında bekler; anahtarı elinde tutan herkes, sahibi olan hesaba faturalandırılan istekler yapabilir.

[Araç çağırma (tool calling)](https://broadrouter.com/tr/glossary/tool-calling/)

Araç çağırma (tool calling), fonksiyon çağırma (function calling) olarak da bilinir; modelin, geliştiricinin tanımladığı bir fonksiyonu çalıştırmak için JSON argümanlı yapılandırılmış bir istek döndürdüğü bir LLM API özelliğidir. Fonksiyonu uygulama çalıştırır ve sonucu geri gönderir; model hiçbir zaman kodu kendisi çalıştırmaz.

[GDPR (Genel Veri Koruma Tüzüğü)](https://broadrouter.com/tr/glossary/gdpr/)

GDPR (General Data Protection Regulation, Genel Veri Koruma Tüzüğü, 2016/679 sayılı AB Tüzüğü), AB'nin kişisel verilerin işlenmesine ilişkin yasasıdır. 25 Mayıs 2018'den beri uygulanır; AB'de kurulu kuruluşları ve AB dışındaki bazılarını kapsar. LLM API'lerinde veri işleyen sözleşmelerini, uluslararası aktarımları ve veri minimizasyonunu düzenler.

[PII (kişisel olarak tanımlanabilir bilgi)](https://broadrouter.com/tr/glossary/pii/)

PII (kişisel olarak tanımlanabilir bilgi), bir kişinin kimliğini ayırt etmek veya izini sürmek için kullanılabilen ad, kimlik numarası veya biyometrik kayıt gibi bilgilerle, o kişiye bağlı ya da bağlanabilir diğer bilgilerdir. GDPR'daki daha geniş terim kişisel veridir. LLM çalışmalarında PII maskeleme, bu bilgileri istemler sistemlerinizden çıkmadan önce kaldırır.

[Sıfır veri saklama (ZDR)](https://broadrouter.com/tr/glossary/zero-data-retention/)

Sıfır veri saklama (ZDR), bir yapay zeka sağlayıcısının istemleri ve çıktıları yalnızca isteği karşılamak için işlediği ve bu içeriği sonrasında loglarda, önbelleklerde veya eğitim verilerinde saklamadığı bir veri işleme politikasıdır. Token sayıları ve süreler gibi içerik barındırmayan kayıtlar genellikle yine tutulur.

[Veri işleme sözleşmesi (DPA)](https://broadrouter.com/tr/glossary/dpa/)

Veri işleme sözleşmesi (DPA, data processing agreement), veri sorumlusu ile veri işleyen arasında, veri işleyenin kişisel verileri nasıl ele alacağını düzenleyen sözleşmedir. GDPR Madde 28(3) bunu zorunlu kılar ve içeriğini sayar: belgelenmiş talimatlar, gizlilik, güvenlik, alt işleyen kuralları, verilerin silinmesi veya iadesi ve denetimler.

## Sık sorulan sorular

### Kişisel verileri bir LLM API'ye göndermek güvenli mi?

Kontrollerle güvenli olabilir: sağlayıcıyla bir sözleşme, açık bir saklama ve eğitim politikası, istekten önce minimizasyon ve maskeleme, sizin tarafınızda temiz günlükler. Bunlar yoksa ham kişisel veri göndermekten kaçının.

### Veriyi ChatGPT'ye veya başka bir LLM API'ye göndermeden önce maskelemeli miyim?

Görevin ihtiyaç duymadığı her şeyi maskeleyin. Özetleme, sınıflandırma ve taslak yazma için adlar ve numaralar genellikle kaliteyi bozmadan yer tutucularla değiştirilebilir, yanıttan sonra da geri yüklenebilir.

### Maskeleme ile takma adlandırma arasındaki fark nedir?

Maskeleme (redaction) bir değeri kalıcı olarak kaldırır. Takma adlandırma (pseudonymisation) onu, elinizde tuttuğunuz bir anahtarla geri eşleyebileceğiniz bir yer tutucuyla değiştirir. GDPR'ye göre takma adlandırılmış veri hâlâ kişisel veridir, yani korunması gerekir.

### Sıfır veri saklama, her şeyi gönderebileceğim anlamına mı gelir?

Hayır. Sıfır veri saklama, sağlayıcının istekten sonra içeriği tutmadığı anlamına gelir. Veri yine de sistemlerinizden çıkar ve sağlayıcı tarafından işlenir; minimizasyon ve hukuki kontroller hâlâ geçerlidir.

### İstemlerin kendi günlüklerimde görünmesini nasıl engellerim?

İstek kimliklerini, modeli, token sayılarını, gecikmeyi ve durumu kaydedin; mesaj gövdelerini asla. İstek gövdelerini çoğu zaman varsayılan olarak yakalayan HTTP istemcisi hata ayıklama günlüklerini, izleme SDK'larını ve hata raporlayıcılarını kontrol edin.

## Okumaya devam edin

-   [Suudi ve BAE PDPL ile LLM API'leri: yurt dışı aktarım listesi](https://broadrouter.com/tr/blog/saudi-uae-pdpl-llm-api-checklist/)
-   [Safety Map: 39 LLM hassas verileri nasıl ele alıyor?](https://broadrouter.com/tr/blog/llm-safety-map-39-models/)
-   [LLM hassas veri güvenliği nasıl test edilir: BroadNet'in yöntemi](https://broadrouter.com/tr/blog/llm-sensitive-data-safety-evaluation-method/)
-   [Sıfır veri saklama (ZDR) LLM API: 10 soruluk kontrol listesi](https://broadrouter.com/tr/blog/zero-data-retention-llm-api-checklist/)
-   [GDPR ve LLM API'leri: sağlayıcınıza sormanız gereken 15 soru](https://broadrouter.com/tr/blog/gdpr-llm-api-checklist/)
-   [LLM API veri saklama: OpenAI, Anthropic, Gemini, Mistral kıyaslaması](https://broadrouter.com/tr/blog/llm-api-data-retention-compared/)
-   [Çağrı merkezi kayıtlarını metne çevirme: Arapçaya hazır bir hat](https://broadrouter.com/tr/blog/transcribe-call-center-recordings/)
-   [LLM API anahtarı güvenliği: saklama, rotasyon ve IP izin listeleri](https://broadrouter.com/tr/blog/llm-api-key-security/)
-   [Mısır veri koruma yasası (151 sayılı Kanun, 2020) ve LLM API'leri](https://broadrouter.com/tr/blog/egypt-data-protection-law-llm-api/)
-   [Rehber: API anahtarlarını IP izin listeleriyle sunucularınıza kilitleyin](https://broadrouter.com/tr/guides/api-keys-ip-allow-lists/)
-   [Rehber: OpenAI Python SDK'yı BroadNet Inference ile kullanın](https://broadrouter.com/tr/guides/openai-python-sdk/)

Gerçek iş yükünüzle deneyin. Yeni hesaplar şunlar için US$5 kredi ile başlar: Gemma ve transkripsiyon. Bakiye yüklemesi gerekenler: DeepSeek, GLM ve Qwen3.8.

[Başlayın](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-api-sensitive-data&utm_content=page-cta) ·

**Kaynaklar**

-   [BroadNet: LLM Sensitive Data Firewall (LSDF), açık kaynak, Mayıs 2026 yakalama tablosuyla (2026-11-15 tarihinde alındı) (İngilizce)](https://www.broadnet.ai/blog/open-source-sensitive-data-firewall)
-   [GitHub'da LSDF deposu, Apache-2.0 (2026-11-15 tarihinde alındı)](https://github.com/brntech/lsdf)
-   [Al Zubaidi, The Safety Map: What Does and Doesn't Transfer in LLM Sensitive-Data Handling, Zenodo ön baskısı (2026-11-15 tarihinde alındı)](https://doi.org/10.5281/zenodo.19688433)
-   [OWASP GenAI Security Project, LLM02:2025 Hassas Bilgilerin İfşası](https://genai.owasp.org/llmrisk/llm022025-sensitive-information-disclosure/)
-   [Microsoft Presidio, kişisel veri tespiti ve anonimleştirme SDK'sı, desteklenen varlıklar](https://microsoft.github.io/presidio/supported_entities)
-   [(AB) 2016/679 sayılı Tüzük (GDPR), Madde 5 ve 9, EUR-Lex](https://eur-lex.europa.eu/eli/reg/2016/679/oj)
-   [BroadNet Inference gizlilik beyanı (Eylül 2026'dan itibaren geçerli, 2026-11-14 tarihinde alındı) (İngilizce)](https://www.broadnet.ai/inference-privacy)
-   [BroadNet Inference API başvurusu (İngilizce)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=tr-blog-llm-api-sensitive-data&utm_content=sources)
