Bir Resmin Yapay Zeka Tarafından Oluşturulup Oluşturulmadığını Nasıl Anlarsınız (2026 Rehberi)

OpenAI, “Daha güvenli, daha şeffaf bir yapay zeka ekosistemi için içerik kaynağının geliştirilmesi” başlıklı yazısında C2PA Yönlendirme Komitesi'ne katıldığını, oluşturulan görsellere Google SynthID filigranı eklemeye başladığını, bir görselin OpenAI'dan gelip gelmediğini kontrol eden halka açık bir aracın ön gösterimini yaptığını ve Araştırmacı Erişim Programı üzerinden DALL-E 3 görsel algılama sınıflandırıcısına erişim açtığını duyurdu. Bu gelişme, “Bu görsel gerçek mi?” sorusunun artık yalnızca doğrulama uzmanlarının değil; gazetecilerin, işe alım uzmanlarının, flört uygulaması kullanıcılarının, sigorta eksperlerinin ve geliştiricilerin de düzenli kontrol etmesi gereken bir konu olduğunu gösteriyor.

Apidog'u bugün deneyin

💡 Geliştiriciyseniz, “bir görseli kontrol etmek” çoğu zaman uygulamanıza bir algılama API'si entegre etmek, bu entegrasyonu test etmek ve üretime almadan önce yanıtları doğrulamak anlamına gelir. Geliştirici değilseniz de bu yazıdaki adımların çoğunu ücretsiz tarayıcı araçlarıyla uygulayabilirsiniz.

TL;DR

Bir görselin yapay zeka tarafından oluşturulup oluşturulmadığını anlamak için tek bir araca güvenmeyin. Aşağıdaki sırayla ilerleyin:

1. Orijinal dosyayı alın. Ekran görüntüleri ve yeniden kaydedilmiş dosyalar meta verileri yok edebilir.
2. C2PA İçerik Kimlik Bilgilerini kontrol edin. Varsa en güçlü sinyallerden biridir.
3. SynthID gibi görünmez filigranları tarayın. Pozitif sonuç güçlü kanıttır; negatif sonuç tek başına anlamlı değildir.
4. Bir ML algılama sınıflandırıcısı veya API çalıştırın. Skoru olasılık olarak yorumlayın.
5. Görseli manuel inceleyin. Eller, metin, yansımalar, ışık ve doku hatalarına bakın.
6. Ters görsel arama yapın. Görselin çevrimiçi geçmişini kontrol edin.
7. Sonucu güven düzeyiyle raporlayın. “Kesin sahte” yerine “yüksek güvenle yapay zeka üretimi” gibi ifadeler kullanın.

Hiçbir yöntem tek başına kesin değildir. Kaynak meta verileri güçlüdür ama kolayca kaldırılabilir. Filigranlar modele özgüdür. Sınıflandırıcılar yanlış pozitif üretebilir. Bu yüzden yöntemleri birlikte kullanmanız gerekir.

Bu neden zor?

İki yıl önce birçok yapay zeka görselini çıplak gözle fark etmek kolaydı: altı parmaklı eller, bozuk yazılar, eriyen gözlükler, mantıksız arka planlar. Mevcut üst düzey görsel modellerinde bu ipuçları çok daha az belirgin.

Bu nedenle pratik doğrulama iki temel yaklaşıma dayanır:

• Kaynak / provenance: Dosyanın oluşturulma ve düzenlenme geçmişinin kriptografik olarak imzalanması.
• Filigranlama / watermarking: Piksellerin içine görünmez ama makine tarafından okunabilir bir sinyal yerleştirilmesi.

İkisi de güçlüdür, ancak ikisi de üretici tarafın işbirliğine bağlıdır. Ayrıca meta veriler silinebilir, dosyalar yeniden kodlanabilir veya görseller ekran görüntüsüne dönüştürülebilir.

Bu yüzden tek bir dedektör yerine katmanlı bir kontrol akışı kullanmalısınız.

Yöntem 1: C2PA İçerik Kimlik Bilgilerini kontrol edin

C2PA, Coalition for Content Provenance and Authenticity standardıdır. Adobe, Microsoft, Google, OpenAI, BBC ve büyük kamera üreticileri tarafından desteklenir.

C2PA destekleyen bir araç görsel oluşturduğunda veya düzenlediğinde dosyaya kriptografik olarak imzalanmış bir manifest ekleyebilir. Kullanıcıya görünen adı genellikle İçerik Kimlik Bilgileridir.

Bu manifest şunları gösterebilir:

• Görseli hangi yazılımın oluşturduğu
• Ne zaman oluşturulduğu
• Yapay zekanın sürece dahil olup olmadığı
• Sonradan düzenleme yapılıp yapılmadığı
• İmzanın geçerli olup olmadığı

OpenAI, 2024'ten beri DALL-E 3 görsellerine C2PA İçerik Kimlik Bilgileri ekliyor. Mayıs 2026 duyurusu ise OpenAI'ın C2PA Uyumlu Üreteç olduğunu doğruladı.

Nasıl kontrol edilir?

1. Orijinal dosyayı isteyin. Ekran görüntüsü değil, mümkünse ilk indirilen dosya.
2. contentcredentials.org adresindeki denetçiyi açın.
3. Görseli yükleyin veya sürükleyin.
4. Sonucu okuyun:
   • Geçerli manifest var
   • İçerik Kimlik Bilgisi yok
   • Manifest geçersiz veya kurcalanmış

Geçerli bir manifest varsa, bu görselin kaynağı ve düzenleme geçmişi hakkında güçlü kanıt sağlar.

Dikkat edilmesi gerekenler

C2PA yalnızca kimlik bilgisi mevcutsa işe yarar. Şunlar manifesti yok edebilir:

• Ekran görüntüsü almak
• Dosyayı yeniden kaydetmek
• Format dönüştürmek
• Sosyal platformların meta verileri silmesi
• Kasıtlı metadata temizleme

Ayrıca C2PA, görselin “gerçek dünyayı doğru temsil ettiğini” kanıtlamaz. Yalnızca imzalı kaynak ve düzenleme geçmişini doğrular. Sahnelenmiş veya yanıltıcı bir fotoğraf da geçerli C2PA bilgisi taşıyabilir.

Yöntem 2: SynthID gibi görünmez filigranları algılayın

C2PA dosyaya eklenen bir makbuz gibiyse, görünmez filigran görselin piksellerine işlenmiş bir sinyaldir.

Google DeepMind tarafından geliştirilen SynthID, Google Gemini ve Imagen modelleriyle üretilen içeriklere algılanamaz bir sinyal ekler. Bu sinyal gözle görünmez, ancak uygun dedektörle okunabilir.

OpenAI'ın Mayıs 2026 duyurusuna göre OpenAI da oluşturduğu görsellere SynthID filigranı eklemeye başlamıştır. Bu, tek bir dedektörün Google ve OpenAI kaynaklı görseller için daha kullanışlı hale gelmesi anlamına gelir.

Nasıl kontrol edilir?

1. Google'ın SynthID Dedektörü portalını açın.
2. Görseli yükleyin.
3. Araç, SynthID filigranı olup olmadığını bildirir.
4. Varsa genellikle filigranın algılandığı bölgeleri de vurgular.

Teknoloji hakkında daha fazla bilgi için Google DeepMind SynthID sayfasını inceleyebilirsiniz.

Dikkat edilmesi gerekenler

SynthID güçlüdür ama kapsamı sınırlıdır:

• Yalnızca SynthID kullanan modeller için çalışır.
• Midjourney, Stable Diffusion veya filigransız modellerden gelen görseller temiz görünebilir.
• Negatif sonuç, görselin insan yapımı olduğunu kanıtlamaz.
• Aşırı sıkıştırma, yeniden oluşturma veya yoğun düzenleme sinyali zayıflatabilir.

Kural basit:

• Pozitif SynthID sonucu: Güçlü yapay zeka kanıtı.
• Negatif SynthID sonucu: Tek başına neredeyse anlamsız.

Yöntem 3: ML algılama sınıflandırıcısı veya API kullanın

Kaynak meta verisi ve filigran yoksa, makine öğrenimi tabanlı dedektörlere geçersiniz.

Bu araçlar gerçek ve sentetik görsellerden oluşan veri kümeleriyle eğitilir. Görseldeki istatistiksel izleri ararlar:

• Doğal sensör gürültüsünün olmaması
• Frekans alanı artefaktları
• Yapay doku örüntüleri
• Üreteçlere özgü parmak izleri

Sonuç genellikle bir skor olarak döner:

AI-generated probability: 0.87

Bu, “görsel kesin yapay zeka” demek değildir. Modelin tahmini olasılığıdır.

Geliştirici iş akışı

Bir ürüne görsel kontrol özelliği ekliyorsanız tipik akış şöyle olur:

1. Kullanıcıdan görsel alın.
2. Görseli algılama API'sine gönderin.
3. Skoru ve açıklamayı alın.
4. Eşik değerlerinize göre sonucu sınıflandırın.
5. Kararı loglayın.
6. Yüksek riskli durumlarda manuel inceleme veya ikinci dedektör kullanın.

Örnek API çağrısı yapısı:

curl -X POST "https://example-detector.com/v1/detect" \
  -H "Authorization: Bearer $API_KEY" \
  -F "image=@sample.jpg"

Örnek yanıt:

{
  "ai_probability": 0.92,
  "label": "likely_ai_generated",
  "model_hint": "unknown",
  "confidence": "high"
}

Uygulama tarafında sonucu doğrudan “sahte” olarak göstermeyin. Daha güvenli bir çıktı şuna benzer:

function mapDetectionResult(score: number) {
  if (score >= 0.9) return "Yüksek olasılıkla yapay zeka üretimi";
  if (score <= 0.2) return "Düşük yapay zeka olasılığı";
  return "Belirsiz, ek doğrulama gerekli";
}

Sağlayıcıları değerlendiriyorsanız geliştiriciler için en iyi yapay zeka görsel algılama API'leri derlemesi doğruluk, fiyatlandırma ve desteklenen modelleri karşılaştırır. Pipeline'ı kendiniz kurmak istiyorsanız kendi yapay zeka görsel dedektör API'nizi nasıl oluşturacağınıza dair rehber, bir sınıflandırıcıyı eğitme ve sunma adımlarını kapsar.

API entegrasyonunu test ederken aynı görsellerle tekrar edilebilir istekler çalıştırmanız gerekir. Bu çağrıları kaydedilmiş ortamlarla Apidog içinde senaryolaştırabilir ve tekrar oynatabilirsiniz. Algılama mantığınız bir yapay zeka aracısına bağlıysa Apidog yapay zeka aracı hata ayıklayıcısı, modelin ne gönderdiğini ve ne aldığını izlemenize yardımcı olur.

Dikkat edilmesi gerekenler

ML sınıflandırıcıları geniş uygulanabilirlik sağlar ama kesin değildir:

• Yanlış pozitif üretirler. Gerçek fotoğraflar yapay zeka olarak işaretlenebilir.
• Yeni modellere geç adapte olurlar. Dedektör, eğitiminde görmediği bir üreteci tanımayabilir.
• Düzenlemeler sonucu etkileyebilir. Gürültü, sıkıştırma veya filtreler skoru değiştirebilir.
• Skor karar değildir. %73 yapay zeka gibi orta değerleri belirsiz kabul edin.

Bu hata modlarını yapay zeka görsel algılamasının neden başarısız olduğuna dair yazıda daha ayrıntılı ele alıyoruz.

Kısa kural: Kimseyi dolandırıcılık, hile veya sahtecilikle yalnızca tek bir sınıflandırıcı skoruna dayanarak suçlamayın.

Yöntem 4: Manuel görsel inceleme

Manuel inceleme genellikle ilk başvurulan yöntemdir, ancak güvenilirlik açısından sonlarda yer almalıdır.

Yine de özellikle eski veya zayıf modellerde işe yarayabilir. Kontrol listesi:

• Eller ve parmaklar: Fazla parmak, birleşmiş parmak, yanlış eklem.
• Metin: Tabelalar, posterler, kitap sırtları, logo yazıları.
• Dişler ve takılar: Fazla diş, asimetrik küpeler, deriye karışan kolyeler.
• Aksesuarlar: Gözlük sapları, saat kayışları, kemer tokaları.
• Yansımalar: Ayna, güneş gözlüğü, su ve cam yüzeyler.
• Gölgeler: Işık yönüyle uyumsuz gölgeler.
• Arka plan: Tekrarlayan dokular, birleşen nesneler, imkansız mimari.
• Çözünürlük: Bilinen model varsayılanlarıyla birebir eşleşen boyutlar.
• Cilt dokusu: Aşırı pürüzsüz, plastik benzeri yüzeyler.

Dürüst uyarı

Manuel inceleme mevcut üst düzey modellerde başarısız olabilir.

Yeni modeller çoğu zaman doğru eller, okunabilir metin ve tutarlı ışıklandırma üretebilir. Ayrıca kötü çıktılar kolayca elenir; yalnızca iyi görünen sonuç paylaşılır.

Bu yüzden manuel incelemeyi iki amaçla kullanın:

1. Bariz hataları yakalayıp yapay zeka ihtimalini güçlendirmek.
2. Diğer sinyallerle birlikte bağlamsal değerlendirme yapmak.

“Yanlış bir şey göremiyorum” ifadesi, “bu görsel gerçektir” anlamına gelmez.

Yöntem 5: Ters görsel arama

Ters görsel arama, görselin piksel parmak izini değil, çevrimiçi geçmişini kontrol eder.

Google Görseller, TinEye veya benzer araçları kullanabilirsiniz.

Aramanız gereken sinyaller:

• Net kaynak: Stok kütüphanesi, fotoğrafçı portfolyosu, eski haber kaydı.
• Yapay zeka kaynağı: Midjourney galerisi, yapay zeka sanat topluluğu, prompt paylaşım sitesi.
• Şüpheli profil: Aynı yüzün ilgisiz hesaplarda kullanılması veya hiçbir yerde bulunmaması.
• Bağlam uyumsuzluğu: Yeni haber gibi sunulan ama yıllar önce farklı ülkede paylaşılmış görsel.

Bu yöntem yeni oluşturulmuş ve daha önce hiç paylaşılmamış görselleri yakalayamaz. Ancak dolaşımdaki görseller için güçlü bağlam sağlar.

Karşılaştırma: Beş yöntemin güçlü ve zayıf yönleri

Yöntem	Güvenilirlik	Neyi yakalar	Neyi kaçırır	Efor / maliyet
C2PA İçerik Kimlik Bilgileri	Mevcut olduğunda en yüksek	Kaynak, düzenleme geçmişi, yapay zeka katılımı	Ekran görüntüsü, yeniden kodlanmış veya metadata'sı silinmiş dosyalar	Düşük; ücretsiz tarayıcı araçları
Görünmez filigran, SynthID	Mevcut olduğunda yüksek	Google ve OpenAI gibi filigran kullanan modellerden gelen görseller	Filigransız modeller, açık kaynaklı üreteçler, ağır düzenlenmiş dosyalar	Düşük; ücretsiz portal
ML sınıflandırıcısı / API	Orta; olasılıksal	Meta veri olmadan istatistiksel yapay zeka izleri	Yeni modeller, düşmanca düzenlemeler, yanlış pozitifler	Düşük-orta; ücretsiz araç veya ücretli API
Manuel görsel inceleme	Üst modellerde düşük	Bariz hatalar	İyi üretilmiş veya seçilmiş sahte görseller	Düşük; deneyim gerekir
Ters görsel arama	Orta; dolaylı	Görsel geçmişi, eski kaynak, yanlış bağlam	Yeni ve daha önce paylaşılmamış görseller	Düşük; ücretsiz

Pratik sıralama:

1. C2PA kontrolü
2. SynthID taraması
3. ML sınıflandırıcı
4. Manuel inceleme
5. Ters görsel arama

İlk iki yöntem pozitif sonuç verdiğinde güçlü kanıt sağlar. Son üç yöntem daha geniş kapsama sahiptir ama kesinlik sağlamaz.

Tek bir karara nasıl bağlanır?

Aşağıdaki karar akışını kullanabilirsiniz:

1. Orijinal dosya var mı?

   • Evet: C2PA kontrolü yapın.
   • Geçerli yapay zeka manifesti varsa yüksek güvenle yapay zeka üretimi deyin.
   • Geçerli kamera manifesti varsa gerçek fotoğraf lehine güçlü kanıt kabul edin.
   • Kimlik bilgisi yoksa devam edin.

2. SynthID sonucu pozitif mi?

   • Evet: Güçlü yapay zeka kanıtı.
   • Hayır: Devam edin, çünkü negatif sonuç hiçbir şeyi elemez.

3. ML sınıflandırıcı skoru ne?

   • %90+: Diğer bağlamla birlikte yüksek güven.
   • %20 altı: Gerçek fotoğraf lehine sinyal.
   • Aradaki değerler: Belirsiz.

4. Manuel incelemede bariz hata var mı?

   • Evet: Yapay zeka ihtimali güçlenir.
   • Hayır: Bu, görselin gerçek olduğunu kanıtlamaz.

5. Ters görsel arama ne gösteriyor?

   • Eski ve güvenilir kaynak: Gerçeklik lehine sinyal.
   • AI galerisi veya prompt sitesi: Yapay zeka lehine sinyal.
   • Bağlam uyumsuzluğu: Görsel yapay zeka olmasa bile yanlış temsil ediliyor olabilir.

6. Sonucu güven düzeyiyle yazın.

İyi çıktı örneği:

Pozitif SynthID sonucu ve %94 ML sınıflandırıcı skoru nedeniyle görselin yüksek güvenle yapay zeka tarafından üretildiği değerlendiriliyor.

Kötü çıktı örneği:

Bu görsel kesin sahte.

Belirsizlik varsa en doğru sonuç şudur:

Belirlenemedi. Kaynak meta verisi yok, SynthID negatif, sınıflandırıcı skoru orta aralıkta.

Sonuç

2026'da bir görselin yapay zeka tarafından oluşturulup oluşturulmadığını anlamak, tek testlik bir işlem değildir. Kanıtları katmanlı şekilde toplamanız gerekir.

Özet:

• Önce C2PA İçerik Kimlik Bilgilerini kontrol edin.
• Ardından SynthID gibi görünmez filigranları tarayın.
• Sonra ML sınıflandırıcı veya API kullanın.
• Manuel incelemeyi yalnızca destekleyici sinyal olarak değerlendirin.
• Ters görsel aramayla bağlamı doğrulayın.
• Her zaman güven düzeyi belirtin.
• Kanıtlar boş veya çelişkiliyse “belirlenemedi” deyin.

OpenAI'ın Mayıs 2026 duyurusu önemli çünkü C2PA ve SynthID gibi kaynak doğrulama yaklaşımlarının büyük sağlayıcılar arasında yaygınlaşmaya başladığını gösteriyor. Bu, görsel doğrulamanın geleceğinin yalnızca dedektörlerden değil, üretim anında eklenen doğrulanabilir kaynak bilgilerinden geçeceğini gösteriyor.

Bir ürüne görsel algılama entegre ediyorsanız sonraki pratik adım, algılama API'sini bağlamak, gerçek görsellerle test etmek ve yanıtları tekrar edilebilir şekilde doğrulamaktır. Görsel kontrol uç noktanızın geliştirme ve üretimde tutarlı çalışması için kaydedilmiş istekler ve ortamlarla entegrasyonu tek çalışma alanında tasarlamak, hata ayıklamak ve test etmek üzere Apidog'u indirin.