By · Last updated 2026-06-05

Bloga DönGDPR & Uyumluluk

GDPR Veri Minimizasyonu: Gerçek Zamanlı API Entegrasyonu

GDPR Madde 5(1)(c), yalnızca gerekli verilerin toplanmasını zorunlu kılar. Gerçek zamanlı API entegrasyonu, form gönderimi aşamasında — veri sisteme girmeden önce — aşırı toplamayı önler.

June 5, 20267 dk okuma
GDPR data minimizationArticle 5real-time detectionAPI integrationform validation

GDPR Veri Minimizasyonu: Gerçek Zamanlı API Entegrasyonu

2026 itibarıyla güncellenmiştir.

GDPR Madde 5(1)(c) şunu söyler: yalnızca ihtiyaç duyduğunuzu toplayın. Bu, veri minimizasyonu ilkesidir. Kuruluşların çoğu bunu kötü niyet değil, form tasarımı aracılığıyla ihlal eder. Serbest metin alanları, kimsenin planlamadığı ad, adres ve kimlik numaralarını toplar.

Veritabanını sonradan temizlemek sorunu çözmez. İhlal, veriyi topladığınız anda gerçekleşir. Bunu kaynakta engellemek tek gerçek çözümdür. Form gönderimi anındaki gerçek zamanlı API kontrolü, aşırı toplamayı başlamadan önler.

Uyum genel bakışımıza ve güvenlik uygulamalarımıza başvurarak GDPR Madde 5'i nasıl desteklediğimizi inceleyebilirsiniz.

Formların Neden Fazla Veri Topladığı

Web uygulamalarındaki serbest metin alanları, hiç beklenmeyen KKB toplar:

  • Destek bileti "iletişim nedeni" alanları tıbbi geçmişler, sigorta numaraları ve aile üyesi ayrıntılarıyla dolduruluyor
  • Anket "diğer yorumlar" bölümleri tam adlar, adresler ve telefon numaraları içeriyor
  • İK sistemi "notlar" sütunları yıllarca yapılandırılmamış KKB topluyor
  • E-ticaret "sipariş notları" alanları, müşterilerin sorunları çözmeye çalışırken girdiği kimlik numaraları içeriyor

Minimizasyon kuralı, bu KKB'nin hiçbir zaman sistemlere girmemesini gerektirir. Sonradan temizleme semptomu tedavi eder. Gerçek zamanlı tespit, nedeni ortadan kaldırır.

Sonradan Temizlemenin Neden Yanlış Strateji Olduğu

Veritabanından KKB temizleyen kuruluşlar dört bileşik sorunla karşılaşır.

Tamlık. Otomatik örüntü eşleştirme, e-posta adresleri ve kimlik numaraları gibi açık KKB'leri yakalar; ancak bağlama dayalı KKB'leri kaçırır. Bir destek biletindeki "Kardeşim Ayşe aynı sorunu yaşadı" ifadesi, çoğu taramanın gözden kaçıracağı bir ad içerir.

Hukuki zamanlama. GDPR kapsamında veri minimizasyonu ihlali, toplama anında gerçekleşir. Veriyi altı ay sonra temizlemek, Madde 5(1)(c) ihlalinini geçmişe dönük olarak düzeltemez. Bir düzenleyici soruşturma, verilerin tutulduğu dönemi kapsıyorsa ihlal kayıt altına alınmıştır.

Eksik silme. Veritabanları yedek alır. Günlükler var olur. Veri, birincil veritabanından "silinmesine" rağmen yedek dosyalarda ve denetim günlüklerinde kalabilir.

Süregelen maruziyet. Toplama ile temizleme arasındaki sürede fazladan KKB sistemlerde bulunur. Bu süre zarfında yaşanacak bir ihlalde aşırı toplanan veri de kapsama girer.

Kaynakta toplamayı engellemek bu dört sorunu birden çözer.

Form Doğrulama İçin Gerçek Zamanlı Tespit Örüntüleri

Bir forma gerçek zamanlı KKB tespitini katman olarak eklemek için üç yöntem vardır.

İstemci tarafı yaklaşımı (Chrome Eklentisi). Eklenti, tarayıcı tabanlı form alanlarındaki yapıştırma olaylarını izler. Kullanıcı KKB içeren metni yapıştırdığında varlıklar anında vurgulanır. Kullanıcı gönderim öncesinde bunları kaldırabilir. API çağrısı gerekmez; tespit yerel olarak çalışır.

Sunucu tarafı yaklaşımı (API entegrasyonu). Form gönderimi sunucuya ulaşır. Veritabanına yazımdan önce kod, KKB tespit uç noktasına çağrı yapar. API, güven skorlarıyla birlikte tespit edilen varlıkları döndürür. Yüksek güvenlikli tespitler, kullanıcı yönlendirmesiyle gönderimi engelleyebilir; orta güvenlikli tespitler doğrulama adımı gerektirebilir.

Hibrit yaklaşım (önerilen). İstemci tarafı vurgulama, kullanıcılara anında geri bildirim sağlar. Sunucu tarafı doğrulama, uyum güvencesi sağlar. Kullanıcı istemci tarafı uyarıyı atlatsa bile sunucu tarafı tespit, istenmeyen KKB'nin depolanmasını engeller.

Uygulama Örüntüsü: Sağlık Hasta Portalı

Bir sağlık hasta portalı, hastalara randevu öncesinde serbest metin "ziyaret nedeni" alanında belirti tanımlaması sunuyor. Bu alan düzenli olarak şunları içeren girişler alıyor:

  • Başka hastaların adları ("Kızım Ayşe aynı belirtileri yaşadı")
  • Sigorta ve kimlik numaraları
  • Ev adresleri

Bu veriler, ait olmadıkları randevu veritabanına giriyor.

Gerçek zamanlı tespit öncesi:

  • İstenmeyen alanlarda KKB toplanması: gönderimlerin yaklaşık %12'si
  • Veritabanı temizliği gerekli: haftalık toplu işlem
  • Uyum durumu: reaktif (Madde 5(1)(c) ihlali toplama anında gerçekleşiyor)

Gönderimde API entegrasyonu sonrası:

  • Veritabanı yazımından önce yüksek güvenlikli KKB tespit ediliyor
  • Hasta şunu görüyor: "Mesajınız kişisel bilgi içeriyor gibi görünüyor. Göndermeden önce lütfen kaldırın."
  • Hasta gözden geçirip yeniden gönderiyor
  • Veritabanı yalnızca belirti açıklamasını alıyor

Bu senaryoda, "ziyaret nedeni" alanındaki KKB, gönderimlerin yaklaşık %12'sinden %1'in altına düştü. Uyum, geçmişe dönük temizleme çalışmaları yerine sunucu tarafı tespit günlükleri aracılığıyla kanıtlanıyor.

Toplama Noktasında Denetim Kayıtları

Düzenleyiciler, tepkisel ekipler ile sistematik kontrollere sahip ekipler arasında ayrım yapar. GDPR Madde 25 — tasarım ve varsayılan değer olarak veri koruma — ikincisini ödüllendirir.

Toplama noktasındaki tespit, kullanışlı denetim kayıtları oluşturur:

  • Tespit günlüğü. Her form taraması; bulunan varlık türlerini, güven skorlarını, alınan eylemi ve sonucu kaydeder.
  • Aylık raporlar. Özetler; alana ve varlık türüne göre tespit oranını ve kullanıcı yanıtlarını gösterir.
  • Yapılandırma kayıtları. Eşik ayarları, kapsanan alanlar ve izlenen varlık türleri — açık, yönetilen bir politikayı kanıtlar.

Bu kayıtlar, düzenleyici incelemelere yardımcı olur. İşleme faaliyetleri kayıtlarını da destekler.

Yapay Zeka Araçları ve Veri Minimizasyonu

Destek ajanları, müşteri e-postalarını yapay zeka taslak araçlarına sıkça yapıştırır. Bu e-postalar ad, adres ve hesap numarası içerebilir. Bunları bir yapay zeka modeline göndermek, gereklilik sınırını aşabilir.

MCP Sunucusu, metin modele ulaşmadan önce bir tespit adımı ekler. Müşteri adları [MÜŞTERİ] olur. Özgül ayrıntılar kaldırılır. Yapay zeka temiz metni kullanarak taslak yanıt hazırlar. Ajan sonrasında yalnızca yanıtın gerektirdiğini ekler.

Bu, yapay zeka kullanımı için veri minimizasyonu kuralını karşılar. Model yalnızca gerekli olanı alır; bu çoğu durumda hiç KKB olmadığı anlamına gelir.

Kaynaklar

Verilerinizi korumaya hazır mısınız?

48 dilde 285+ varlık türü ile PII anonimleştirmeye başlayın.

About this page

We update this page when our platform or the law changes.

Read our founder note for how we work.

Each change shows up in the timestamp at the top.

Related reading

We follow these rules

  • GDPR (EU 2016/679).
  • ISO/IEC 27001:2022.
  • NIS2 (EU 2022/2555).
  • HIPAA safe harbor under 45 CFR § 164.514(b)(2).

Our promise

We do not sell your data.

We do not train models on your text.

We store your files in Germany.

You can delete your account at any time.

You own your work.

Where we run

Our servers live in Falkenstein, Germany.

We use Hetzner. They hold ISO 27001 certification.

All data stays in the EU.

Backups run every day.

Need help?

Email support@anonym.legal.

We reply within one business day.

How we test

We run a full check suite on every release.

Each surface gets its own sweep script and report.

Human reviewers spot-check the output each week.

We track recall and precision on a labelled set.

Bad runs block the deploy.

What we never do

  • We never sell your information to third parties.
  • We never train models on what you upload.
  • We never keep your work after you delete it.
  • We never share keys with any outside firm.
  • We never run ads inside the product.

Plans in plain words

We sell credits, not seats.

One credit covers one short job.

Long jobs use a few credits each.

You can top up at any time.

Unused credits roll over each month.

Read the plans page for current rates.

Who built this

A small team of engineers and lawyers built this.

We ship from Europe and work in the open.

Our founder note spells out why we started.

Where to start

How the parts fit

A browser add-on cleans text inside Chrome.

A Word plug-in handles drafts in Office.

A small desktop tool works on whole folders.

An agent protocol link feeds large models safely.

All four share one core engine and one rule set.

Words from our team

We started this work after a lunch about cookies.

One friend kept getting odd ads on her phone.

We asked why a court file leaked through a draft.

We sketched the first build on a napkin that week.

By month three we had a tiny demo for a friend.

She used it on her first case the next day.

Common questions we hear

Can the tool read scanned PDFs? Yes, with OCR.

Does it work on long files? Yes, in small chunks.

Can I roll my own rule set? Yes, save it as a preset.

Does it run offline? The desktop build runs offline.

Do you keep my files? No, the cloud build wipes after each run.

Will it learn from my work? No, we never train on inputs.

A short tour of the workflow

Upload a file or paste a snippet of prose.

Pick the entities you want gone from the draft.

Choose a method: replace, mask, hash, encrypt, or redact.

Press run and watch the side panel show each hit.

Skim the result and tweak any rule that misfired.

Save the cleaned file or send it to a teammate.