Model Kartı
Modelin kimlik ve kullanım kılavuzu
Bir makine öğrenmesi modelinin ne için yapıldığını, nasıl eğitildiğini, hangi testlerde nasıl performans gösterdiğini ve nerede kullanılmaması gerektiğini anlatan kısa, standart belge.
Bir modeli indirip kullanan kişi, onu eğiten ekibin bildiği şeyleri bilmez: hangi veriyle eğitildi, hangi gruplarda kötü çalışıyor, hangi işler için hiç tasarlanmadı. Model kartı, bu bilgiyi modelle birlikte taşıyan belgedir.
Kavram, Margaret Mitchell ve arkadaşlarının "Model Cards for Model Reporting" makalesinden gelir (arXiv 1810.03993, FAT* 2019). Önerilen bölümler: - Model ayrıntıları: Geliştiren, sürüm, model tipi, lisans. - Amaçlanan kullanım: Birincil kullanım ve kullanıcılar; kapsam dışı kullanımlar. - Faktörler: Performansı etkileyebilecek gruplar, ortam ve ölçüm koşulları. - Metrikler: Hangi ölçütler, hangi eşiklerle, neden seçildi. - Değerlendirme verisi ve eğitim verisi. - Nicel analizler: Sonuçların gruplara göre ayrıştırılmış hali. - Etik değerlendirmeler ve uyarılar/öneriler.
Kardeş kavramlar: - Datasheets for Datasets (Gebru vd., arXiv 1803.09010): Veri seti için aynı fikir; motivasyon, bileşim, toplama süreci, ön işleme ve etiketleme, kullanım alanları, dağıtım ve bakım. - System card: Büyük model sağlayıcılarının yayımladığı, modeli tek başına değil ürünle birlikte (güvenlik önlemleri, red teaming bulguları, kullanım politikaları) anlatan daha geniş belge.
Hugging Face'te model kartı, depodaki README.md dosyasıdır.
Başındaki YAML bloğu (lisans, dil, base_model, veri setleri,
model-index altındaki değerlendirme sonuçları) makine tarafından
okunur ve arama ile widget'lara beslenir; altındaki Markdown ise
insanlar içindir.
Düzenleme tarafında model kartı tek başına yasal bir belge değildir ama içeriği büyük ölçüde örtüşür. AB Yapay Zeka Yasası, yüksek riskli sistem sağlayıcılarından teknik dokümantasyon (Madde 11, Ek IV) ister; genel amaçlı model (GPAI) sağlayıcılarından ise teknik dokümantasyon ve AI Office şablonuna göre hazırlanmış, kamuya açık bir eğitim içeriği özeti (Madde 53(1)(d), 2 Ağustos 2025'ten beri) bekler. İyi tutulmuş bir model kartı bu belgelerin çekirdeğidir.
İlaç kutusundaki prospektüs gibi. Etken madde, kimin kullanabileceği, dozaj, yan etkiler ve "hamilelerde kullanmayınız" uyarısı tek sayfada. Prospektüs olmadan da ilaç işe yarayabilir; ama yanlış kişi yanlış dozda aldığında sorumluluğun kimde olduğu ve neyin bilindiği belirsiz kalır.
Bir banka, kredi başvurularındaki serbest metin açıklamalarını sınıflandıran bir Türkçe BERT modeli eğitiyor. Model kartında:
- Amaçlanan kullanım: Başvuruları kategoriye ayırıp uzmanın iş kuyruğunu düzenlemek. Kapsam dışı: Kredi onayı ya da reddi kararı vermek. - Eğitim verisi: 2023-2025 arası 180 bin anonimleştirilmiş başvuru notu; şube dışı dijital kanallar az temsil ediliyor. - Değerlendirme: Test setinde F1 0,87; ama 60 yaş üstü başvuranlarda 0,79. Bu fark kartta açıkça yazıyor. - Sınırlamalar: Yazım hatası yoğun metinlerde ve kod-karışık (Türkçe-İngilizce) metinlerde performans düşüyor.
Altı ay sonra başka bir ekip modeli "otomatik ret" için kullanmak istediğinde, kart üzerindeki kapsam dışı satırı ve yaş grubu farkı tartışmayı ilk toplantıda bitiriyor.
---
language:
- tr
license: apache-2.0
base_model: dbmdz/bert-base-turkish-cased
pipeline_tag: text-classification
tags:
- banking
- text-classification
model-index:
- name: kredi-not-siniflandirici
results:
- task:
type: text-classification
dataset:
name: Kredi Başvuru Notları 2026-Q2
type: banka/kredi-notlari # özel veri seti
split: test
metrics:
- type: f1
value: 0.87
---
# kredi-not-siniflandirici
## Amaçlanan kullanım
Başvuru notlarını 6 kategoriye ayırıp uzman kuyruğunu düzenler.
### Kapsam dışı kullanım
- Kredi onay/ret kararı vermek ya da puanlamak
- Başvuranın kendisi hakkında çıkarım yapmak
## Eğitim verisi
2023-2025 arası 180.000 anonimleştirilmiş not. Dijital kanal
başvuruları az temsil ediliyor (%12).
## Değerlendirme
| Grup | F1 |
|----------------|------|
| Genel | 0.87 |
| 18-30 yaş | 0.88 |
| 60+ yaş | 0.79 |
## Sınırlamalar ve riskler
Yazım hatası yoğun ve Türkçe-İngilizce karışık metinlerde
performans düşer. Sonuçlar insan incelemesi olmadan kullanılmamalı.- Bir modeli başka bir ekibe, müşteriye ya da herkese açık olarak paylaşırken
- Kurum içi model envanteri tutarken; her canlı modelin bir kartı olmalı
- Yüksek riskli ya da düzenlemeye tabi kullanım senaryolarında, teknik dokümantasyonun temeli olarak
- Fine-tune edilmiş modellerde; temel modelin kartına ek olarak senin değişikliklerini anlatmak için
- Kartı yasal uyumun tamamı sanmak; Ek IV teknik dokümantasyonu çok daha kapsamlıdır
- Hiç paylaşılmayacak, bir kerelik deney modelleri için ayrıntılı kart yazmak
- Ürün olarak kullanılan bir API modeli için sadece sağlayıcının kartına güvenmek; senin kullanım senaryon orada yazmaz
Pazarlama metnine dönüşmek
En iyi benchmark skorlarını listeleyip zayıflıkları atlayan kart, kartın amacını tersine çevirir. Gruplara göre ayrıştırılmış sonuçları ve bilinen başarısızlıkları açıkça yaz.
Bir kez yazılıp bayatlaması
Model yeniden eğitildiğinde, veri değiştiğinde ya da yeni bir bias bulgusu çıktığında kart güncellenmezse yanlış bilgi kaynağı olur. Kartı model sürümüyle aynı CI adımında üret.
Kapsam dışı kullanımı boş bırakmak
'Out-of-scope use' bölümü kartın en çok işe yarayan kısmıdır. Boş bırakılırsa model, tasarlanmadığı kararlarda sessizce kullanılmaya başlar.
Eğitim verisini belirsiz anlatmak
'Web verisi' demek yetmez. Kaynak türleri, tarih aralığı, dil dağılımı ve kişisel veri içerip içermediği yazılmalı; GPAI sağlayıcıları için kamuya açık eğitim içeriği özeti zaten yasal bir yükümlülük.