🤖 AI Horizon #2: Yapay Zekânın Atom Alfabesi ve Siber Tehditler: Tokenization & Denial of Wallet Büyük Dil Modelleri (LLM) dünyasında "128k Context Window", "Token Maliyeti" veya "Token Smuggling" terimlerini sıkça duyuyoruz. Peki, yapay zekanın girdi ve çıktıları işlerken kullandığı Token mimarisi tam olarak nasıl çalışır ve hangi siber güvenlik risklerini barındırır? 📌 Token Nedir ve Nasıl Çalışır? Yapay zeka modelleri metinleri insan gibi kelime kelime okumaz. Metinleri Token adı verilen daha küçük karakter veya bayt parçalarına böler. Bir token; tek bir harf, bir kelime kökü, bir ek veya bir noktalama işareti olabilir. Modeller, Byte-Pair Encoding (BPE) gibi tokenizasyon yöntemleriyle metni token'lara ve token ID'lerine dönüştürür. Bu token'lar daha sonra model tarafından işlenerek sayısal temsillere (embedding) dönüştürülür. 🔍 1 Token Kaç Kelimedir? (İngilizce vs. Türkçe Sürprizi) İngilizce Standardı: Ortalama 1 token ≈ 0,75 kelimeye (veya yaklaşık 4 karaktere) denk gelir. Türkçe Maliyeti: Türkçe gibi eklemeli (agglutinative) dillerde tokenizasyon algoritmaları kelimeleri daha fazla parçaya böler. "Security" → tokenizer'a bağlı olarak birkaç token veya daha az "Güvenliklerimizden" → Türkçe ek yapısı nedeniyle daha fazla token'a bölünebilir Bu durum, Türkçe istemlerde (prompt) yapay zekanın hafıza alanının (Context Window) çok daha hızlı dolmasına ve API maliyetlerinin katlanmasına neden olur. 🧠 Context Window (Bağlam Penceresi) ve Hafıza Sınırı Bir modelin tek seferde okuyup işleyebildiği maksimum token sınırına Context Window denir. Modelle yaptığınız sohbet uzadıkça geçmiş mesajlar token limitini doldurur. Limit aşıldığında yapay zeka sohbetin başını "unutmaya" başlar. 🛡 Siber Güvenlikte Yeni Tehdit Yüzeyi: Denial of Wallet (DoW) Yapay zeka sistemlerinin yaygınlaşmasıyla birlikte token kullanımı kritik bir güvenlik zafiyetine dönüşüyor: -Denial of Wallet (Cüzdan Engelleme): Saldırganlar çok sayıda istek, aşırı uzun girdiler veya yüksek maliyetli model/iş akışlarını tetikleyen girdiler göndererek yapay zekâ API kullanım maliyetlerini ciddi şekilde artırmayı hedefleyebilir. -Context Poisoning: Modelin bağlamına kötü niyetli veya güvenilmez içerikler enjekte edilerek modelin sonraki kararları manipüle edilebilir; güvenlik filtrelerinin aşılması ve hatalı/zararlı çıktılar üretilmesi hedeflenebilir. 💻 Python ile Basit Bir Tokenization Örneği import tiktoken # OpenAI cl100k_base tokenizer örneği enc = tiktoken.get_encoding("cl100k_base") text = "Siber güvenlikte token yönetimi çok kritik!" tokens = enc.encode(text) print(f"Metin: {text}") print(f"Token Sayısı: {len(tokens)}") print(f"Token ID'leri: {tokens}") O zaman 💬 Mustafa soruyor: Uygulamalarınızda LLM API'leri kullanırken token maliyetlerini ve girdi sınırlarını nasıl optimize ediyorsunuz? Yapay zeka sistemlerinde "Denial of Wallet" gibi maliyet odaklı siber saldırılara karşı bir önleminiz var mı? Düşüncelerinizi yorumlarda paylaşın! 👇 Okuduğunuz için teşekkürler! Kendinize, verilerinize ve dijital zırhınıza çok iyi bakın!