AI-driven risk assessment in GDPR compliance
GDPR uyumunda yapay zeka destekli risk değerlendirmesi
- Tez No: 1013808
- Danışmanlar: DOÇ. DR. EMRULLAH FATİH YETKİN
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Kadir Has Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilimleri Ana Bilim Dalı
- Bilim Dalı: Siber Güvenlik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Genel Veri Koruma Yönetmeliği'nin (GDPR) yürürlüğe girmesi, özellikle sağlık gibi hassas sektörlerde kişisel verileri işleyen kuruluşlar için karmaşık uyumluluk sorunları yaratmıştır. Geleneksel uyumluluk denetimi yöntemleri reaktif, kaynak yoğun ve dinamik veri işleme ortamlarında gerçek zamanlı risk değerlendirmesi sağlayamamaktadır. Bu araştırma, tahmin doğruluğunu gerçek dünya uygulanabilirliğiyle dengeleyen otomatik GDPR uyumluluk izleme için bir makine öğrenme çerçevesi geliştirerek ve doğrulayarak bu sınırlamaları ele almaktadır. Çalışma, aşırı uyumun önlenmesi için gerçekçi gürültü modellerini içeren sağlık kuruluşu verileri üzerinde eğitilmiş, özellikle düzenleyici uyumluluk bağlamlarına göre uyarlanmış bir Rastgele Orman sınıflandırma yaklaşımı kullanmaktadır. Sistematik özellik mühendisliği yoluyla, araştırma çeşitli GDPR uyumluluk faktörlerinin göreceli önemini inceleyerek, özellikle şifreleme ve erişim kontrolleri olmak üzere güvenlik önlemlerini uyumluluk durumunun en güçlü tahmincileri olarak tanımlamaktadır. Çerçeve, tahmin olasılık aralıklarını eyleme geçirilebilir uyumluluk önerilerine bağlayan çok katmanlı bir risk değerlendirme sistemi oluşturarak, kuruluşların risk ciddiyetine göre iyileştirme çabalarını önceliklendirmelerini sağlamaktadır. Metodoloji açısından, çalışma, sentetik verilere kontrollü gürültü protokolleri ekleyerek, model performansını eğitim kalıplarının kusursuz hatırlanmasından daha gerçekçi genelleme yeteneklerine doğru değiştiriyor. Uygulanan sistem, durumların önemli bir çoğunluğunu yüksek güvenle doğru bir şekilde tanıyarak ve daha küçük bir kısmını insan uzman değerlendirmesine bırakarak, tahminlerindeki belirsizliği yeterince ölçerken iyi bir tahmin doğruluğu elde ediyor. Eğitim verisi kalıplarının ötesinde etkili genelleme, eğitim ve test performansı arasında küçük bir farkla çeşitli veri alt kümelerinde tutarlı performans gösteren çapraz doğrulama ile gösteriliyor. Sonuçlar, otomatik uyumluluk izlemenin, işletmelerin reaktif denetimlerden proaktif risk yönetimine geçmesini mümkün kıldığını gösteriyor. Oluşturulan çerçeve, GDPR maddeleriyle ilgili belirli uyumluluk boşluklarının belirlenmesine olanak tanıyor. Düzenleyici yapay zeka için sentetik veri iyileştirme yaklaşımlarını kullanarak, araştırma metodolojik bir katkı sağlıyor. Ayrıca, ölçülebilir performans özelliklerine sahip uygulanabilir bir risk değerlendirme aracı sağlayarak pratik bir katkı da sunuyor. Bu çalışma, sağlık kuruluşları ve diğer GDPR düzenlemelerine tabi işletmeler için giderek karmaşıklaşan veri işleme ortamlarında daha etkili, şeffaf ve ölçeklenebilir uyumluluk yönetimine doğru bir yol sunuyor.
Özet (Çeviri)
The enforcement of the General Data Protection Regulation (GDPR) has created complex compliance challenges for organizations processing personal data, particularly in sensitive sectors like healthcare. Traditional compliance auditing methods are reactive, resource intensive, and unable to provide real-time risk assessment in dynamic data processing environments. This research addresses these limitations by developing and validating a machine learning framework for automated GDPR compliance monitoring that balances predictive accuracy with real-world applicability. The study employs a Random Forest classification approach specifically tailored for regulatory compliance contexts, trained on healthcare organizational data that incorporates realistic noise patterns to prevent overfitting. Through systematic feature engineering, the research examines the relative importance of various GDPR compliance factors, identifying security measures—particularly encryption and access controls—as the strongest predictors of compliance status. The framework establishes a multi-tier risk assessment system that connects prediction probability ranges to actionable compliance recommendations, enabling organizations to prioritize remediation efforts based on risk severity. In terms of methodology, the study modifies model performance from flawless recollection of training patterns to more realistic generalization capabilities by introducing controlled noise protocols to synthetic data. By accurately recognizing a significant majority of situations with high confidence and marking a smaller portion for required human expert evaluation, the implemented system achieves good predictive accuracy while adequately measuring uncertainty in its forecasts. Effective generalization beyond the training data patterns is indicated by cross-validation, which shows consistent performance across various data subsets with a small difference between training and test performance. The results show that automated compliance monitoring makes it possible for businesses to switch from reactive audits to proactive risk management. The framework that was created allows for the identification of specific compliance gaps related to GDPR articles. By using synthetic data refinement approaches for regulatory AI, the research makes a methodological contribution. It also makes a practical contribution by providing an implementable risk assessment tool with quantifiable performance characteristics. This study offers a path toward more effective, transparent, and scalable compliance management in increasingly complex data processing settings for healthcare organizations and other GDPR-regulated businesses.
Benzer Tezler
- Data driven decision making in supply chain management
Tedarik zinciri yönetiminde veriye dayalı karar verme
PELİN KEMALOĞLU
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiDokuz Eylül ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ SERDAR TAŞAN
- Cardiorisk-AI: Biomedical engineering framework for the development and deployment of a machine learning tool for cardiovascular risk prediction
Cardiorisk-AI: Kardiyovasküler risk tahmini için makine öğrenmesi aracının geliştirilmesi ve uygulanmasına yönelik biyomedikal mühendislik çerçevesi
ALI FAIQ JARI ALSAADAWI
Yüksek Lisans
İngilizce
2025
BiyomühendislikBahçeşehir ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BORA BÜYÜKSARAÇ
- Artificial intelligence based risk analysis in project management
Proje yönetiminde yapay zekâ tabanlı risk analizi
YASEMİN TUNCER
Yüksek Lisans
İngilizce
2024
Endüstri ve Endüstri MühendisliğiMarmara ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ERCAN ÖZTEMEL
- Artificial intelligence driven arbitration: A new approach for efficient arbitrator selection in construction disputes
Yapay zeka destekli tahkim: İnşaat uyuşmazlıklarında etkin hakem seçimi için yeni bir yaklaşım
MOHAMMAD MOBADERSANI
Yüksek Lisans
İngilizce
2026
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. ONUR BEHZAT TOKDEMİR
DR. ALİ BEDİİ CANDAŞ
- İstanbul'daki su isale hatlarının deprem risk analizi
Earthquake risk analysis of water transmission lines in İstanbul
EMİR EKREM BARUTÇU
Yüksek Lisans
Türkçe
2025
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN