``

Açık veri nedir?

Açık veri; herkesin erişebildiği, kullanabildiği, değiştirebildiği ve uygun lisans koşullarıyla yeniden paylaşabildiği veridir. Bir Excel dosyasını belediyenin sitesine yüklemek başlangıç sayılabilir, ancak gerçek anlamda kullanılabilir veri için makine tarafından okunabilir formatlar gerekir.

Bir veri kümesinin faydasını basitçe şöyle düşünebiliriz:

Burada $E$ erişilebilirliği, $G$ güncelliği, $A$ ise anlaşılabilirliği temsil eder. Çarpanlardan biri sıfıra yaklaşırsa toplam fayda da düşer. Örneğin güncel olmayan otobüs konumları, teknik olarak erişilebilir olsa bile yolcuyu yanlış durağa koşturabilir!

Belediye API’si nasıl çalışır?

API, belediyenin veri sistemleri ile dışarıdaki uygulamalar arasında kontrollü bir köprü kurar. İstemci belirli bir adrese HTTP isteği gönderir; sunucu çoğunlukla JSON biçiminde yanıt verir. Örneğin /api/v1/otobusler adresi araç listesini, /api/v1/otobusler/34 adresi ise belirli bir aracı döndürebilir.

Arka planda tipik akış şu şekildedir:

1. Sensörler veya belediye birimleri ham veriyi üretir.
2. ETL süreci veriyi temizler, standartlaştırır ve doğrular.
3. Kişisel ya da hassas alanlar anonimleştirilir.
4. API katmanı yalnızca paylaşılması uygun alanları sunar.
5. Portal; açıklama, lisans, güncelleme tarihi ve örnek sorgular yayımlar.

Bir geliştirici, durak verisini Python ile şöyle kullanabilir:

import requests

url = 'https://veri.ornek.bel.tr/api/v1/duraklar'
params = {'ilce': 'merkez', 'limit': 10}

response = requests.get(url, params=params, timeout=10)
response.raise_for_status()

for durak in response.json()['results']:
    print(durak['ad'], durak['konum'])

Bu kod API’ye filtreli bir GET isteği gönderir, bağlantı hatalarını denetler ve dönen ilk on durağın adını ve konumunu yazdırır. Gerçek projelerde sayfalama, önbellekleme ve istek sınırı bilgileri de dikkate alınmalıdır.

Şeffaflık kadar mahremiyet de önemli

Her belediye verisi açılmamalıdır. Kişilerin adresleri, sağlık bilgileri, araç plakaları veya hareket geçmişleri doğrudan paylaşılırsa açık veri faydadan çok zarar üretebilir. Bu nedenle isim kaldırma tek başına yeterli değildir; farklı veri kümeleri birleştirildiğinde kişinin yeniden tanınması mümkün olabilir.

API anahtarları, hız sınırlama, anonimleştirme ve erişim kayıtları güvenliğin temel araçlarıdır. Ayrıca veri lisansı açıkça belirtilmelidir; “internette bulunuyor” ifadesi, verinin sınırsızca kullanılabileceği anlamına gelmez.

Vatandaş için gerçek değer

İyi tasarlanmış bir portal yalnızca dosya deposu değildir. Veri sözlüğü, sürüm bilgisi, API dokümantasyonu, hata bildirim kanalı ve örnek projeler sunar. Bunun sonucunda erişilebilir rota uygulamaları, mahalle bütçesi panoları, hava kalitesi uyarıları veya boş otopark haritaları geliştirilebilir.

Kısacası şehir verisi paylaşıldığında belediye tek üretici olmaktan çıkar; vatandaşlar da çözüm ortağına dönüşür. Doğru standartlar, güncel API’ler ve güçlü mahremiyet kuralları sayesinde açık veri, dijital şehrin vitrini değil çalışan motoru olabilir.

Bir odadaki beş farklı lambayı film izlemeye uygun hâle getirmek için her birini ayrı ayrı ayarladığınızı düşünün: tavan ışığını kıs, lambaderi mora çevir, LED şeridi yak… Akıllı aydınlatma sistemlerindeki scene, yani sahne yaklaşımı, bu küçük kumanda maratonunu tek komuta indirir. “Sinema” sahnesini çağırdığınızda bütün ışıklar önceden belirlenen renk, parlaklık ve geçiş sürelerine senkronize biçimde ulaşır.

``

Scene tam olarak nedir?

Scene, bir veya daha fazla cihazın hedef durumlarını saklayan mantıksal bir anlık görüntüdür. Bir sahne çalıştırıldığında sistem ilgili cihazlara açık/kapalı, parlaklık, renk sıcaklığı veya RGB değeri gibi komutlar gönderir.

Bir ışığın basitleştirilmiş durumu şöyle gösterilebilir:

Burada $p_i$ güç durumunu, $b_i$ parlaklığı, $(r_i,g_i,b_i’)$ renk bileşenlerini, $t_i$ ise geçiş süresini temsil eder. Bir sahne de $n$ adet ışığın durum kümesidir:

Yani scene komutu sihir değil; önceden tanımlanmış durumların topluca uygulanmasıdır. Yine de salon bir anda bilim kurgu filmine dönüşünce biraz sihirli görünebilir.

Senkronizasyon nasıl sağlanır?

Merkezî sistem önce sahne tanımını okur, ardından komutları ağ üzerinden ampullere veya köprüye iletir. Zigbee gibi ağlarda grup adresleme kullanılıyorsa tek yayın mesajı aynı gruptaki cihazlara ulaşabilir. Wi-Fi tabanlı sistemlerde ise komutlar çoğunlukla ayrı ayrı gönderilir.

Gerçek dünyada “aynı anda” ifadesi yaklaşık bir hedeftir. Cihaz $i$ için toplam gecikme şöyle modellenebilir:

Işıklar arasındaki fark $\Delta T = \max(T_i)-\min(T_i)$ küçüldükçe geçiş daha senkron görünür. Grup mesajları, yerel ağ kullanımı ve ortak geçiş süresi bu farkı azaltır. Bulut üzerinden çalışan çözümlerde internet gecikmesi, orkestraya geç kalan bir trompetçi ekleyebilir.

Home Assistant ile örnek sahne

Aşağıdaki YAML tanımı, üç ışığın hedef özelliklerini saklar. transition alanı değişimin iki saniyede yumuşak biçimde yapılmasını sağlar.

scene:
  - name: Sinema Modu
    entities:
      light.tavan:
        state: "off"
      light.lambader:
        state: "on"
        brightness: 65
        rgb_color: [90, 30, 140]
        transition: 2
      light.tv_seridi:
        state: "on"
        brightness: 110
        color_temp_kelvin: 3000
        transition: 2

Sahneyi bir otomasyondan, panelden veya sesli asistandan çağırabiliriz:

service: scene.turn_on
target:
  entity_id: scene.sinema_modu
data:
  transition: 2

İlk blok hangi durumun oluşturulacağını, ikinci blok ise bu durumun ne zaman uygulanacağını ifade eder. Bu ayrım önemlidir: Scene durum tarif eder; otomasyon ise tetikleyici ve koşullarla karar verir.

MQTT ile kendi denetleyicini yazmak

Özel bir IoT projesinde sahne, JSON olarak MQTT konusuna yayınlanabilir:

import json
import paho.mqtt.publish as publish

scene = {
    "group": "salon",
    "brightness": 35,
    "color": {"r": 80, "g": 20, "b": 130},
    "transition_ms": 2000
}

publish.single(
    "home/lights/scene",
    payload=json.dumps(scene),
    hostname="192.168.1.20"
)

Bu kod sahne verisini tek mesaj hâlinde yayımlar. Abone olan denetleyici mesajı ayrıştırıp ilgili ışıklara uygular. Üretim ortamında kimlik doğrulama, TLS, hata kontrolü ve çevrimdışı cihaz yönetimi de eklenmelidir.

Sağlam sahneler için ipuçları

• Cihazları işlevlerine göre gruplandırın.
• Bulut yerine mümkünse yerel kontrol kullanın.
• Tüm ışıklara ortak geçiş süresi verin.
• Erişilemeyen cihazlarda işlemi tamamen durdurmak yerine kalanları çalıştırın.
• Sahnenin mevcut ayarları mı kaydedeceğine, sabit değerler mi kullanacağına karar verin.

İyi tasarlanmış bir scene sistemi, karmaşık cihaz ayrıntılarını kullanıcıdan saklar. Kullanıcı yalnızca “Çalışma”, “Parti” veya “Uyku” der; arka plandaki yazılım ise ışık orkestrasının şefliğini üstlenir.

``

Markowitz modelinin temel fikri

Harry Markowitz tarafından geliştirilen modern portföy teorisi, yatırım araçlarını yalnızca tek tek değerlendirmez. Varlıkların birbirleriyle nasıl hareket ettiğini de hesaba katar. Çünkü iki riskli varlık, fiyatları farklı yönlerde hareket ediyorsa birlikte daha dengeli bir portföy oluşturabilir.

Bir portföyde $n$ adet varlık bulunduğunu düşünelim. Her varlığa ayrılan oranı $w_i$ ile gösterirsek ağırlıkların toplamı genellikle şöyle sınırlandırılır:

Açığa satışa izin verilmiyorsa ayrıca $w_i \geq 0$ koşulu uygulanır. Portföyün beklenen getirisi:

Portföy riski, yani varyansı ise kovaryans matrisi kullanılarak hesaplanır:

Burada $\boldsymbol{\mu}$ beklenen getiriler vektörü, $\Sigma$ kovaryans matrisi ve $\mathbf{w}$ portföy ağırlıklarıdır. Standart sapma için varyansın karekökü alınır.

Python ile minimum varyanslı portföy

Aşağıdaki örnekte yıllık beklenen getirileri ve kovaryans matrisini doğrudan tanımlıyoruz. Gerçek projelerde bunlar günlük fiyat verilerinden hesaplanabilir.

import numpy as np
from scipy.optimize import minimize

returns = np.array([0.12, 0.18, 0.10, 0.15])

covariance = np.array([
    [0.040, 0.010, 0.008, 0.012],
    [0.010, 0.090, 0.006, 0.020],
    [0.008, 0.006, 0.025, 0.009],
    [0.012, 0.020, 0.009, 0.060]
])

asset_count = len(returns)
initial_weights = np.ones(asset_count) / asset_count

def portfolio_variance(weights):
    return weights.T @ covariance @ weights

constraints = [
    {'type': 'eq', 'fun': lambda w: np.sum(w) - 1}
]

bounds = [(0, 1)] * asset_count

result = minimize(
    portfolio_variance,
    initial_weights,
    method='SLSQP',
    bounds=bounds,
    constraints=constraints
)

weights = result.x
portfolio_return = weights @ returns
portfolio_risk = np.sqrt(portfolio_variance(weights))

print('Ağırlıklar:', np.round(weights, 3))
print('Beklenen getiri:', round(portfolio_return, 3))
print('Risk:', round(portfolio_risk, 3))

portfolio_variance fonksiyonu optimizasyonun küçültmeye çalıştığı hedefi temsil eder. constraints, sermayenin tamamının kullanılmasını; bounds ise hiçbir varlığın negatif ağırlık almamasını sağlar. SLSQP algoritması, eşitlik ve sınır koşulları içeren bu tür problemlerde oldukça kullanışlıdır.

Hedef getiri ve etkin sınır

Minimum varyanslı portföy güvenlidir; ancak beklenen getirisi yatırımcı için yetersiz kalabilir. Örneğin en az %14 getiri istiyorsak ikinci bir koşul ekleyebiliriz:

target_return = 0.14
constraints.append({
    'type': 'eq',
    'fun': lambda w: w @ returns - target_return
})

result = minimize(
    portfolio_variance,
    initial_weights,
    method='SLSQP',
    bounds=bounds,
    constraints=constraints
)

Farklı hedef getiriler için optimizasyonu tekrarladığımızda etkin sınır ortaya çıkar. Bu eğri üzerindeki her portföy, aynı getiri seviyesindeki alternatiflerden daha düşük riske sahiptir.

Markowitz modeli güçlüdür ama kusursuz değildir: geçmiş getirilerin geleceği temsil ettiği, korelasyonların sabit kaldığı ve işlem maliyetlerinin önemsiz olduğu varsayılır. Bu nedenle sonuçları kesin reçete değil, karar destek aracı olarak görmek gerekir. Sağlam veri, periyodik yeniden dengeleme ve ağırlık sınırları eklendiğinde model, portföyünüz için matematik bilen bir yardımcı pilota dönüşebilir.

``

Problem aslında nedir?

Kanser hücreleri sağlıklı hücrelerden çekirdek büyüklüğü, şekil düzensizliği, kromatin yoğunluğu ve hücre bölünme hızı gibi özelliklerle ayrılabilir. Ancak boyama yöntemi, mikroskop ışığı ve doku türü değiştikçe görüntünün görünümü de değişir. Dolayısıyla bilgisayar yalnızca “koyu renkli olan kanserdir” gibi basit bir kuralla güvenilir sonuç üretemez.

Tipik bir sistem dört aşamadan oluşur:

1. Görüntünün renk ve gürültü bakımından düzeltilmesi
2. Hücre veya çekirdeklerin bölütlenmesi
3. Her hücreden açıklayıcı özelliklerin çıkarılması
4. Hücrenin normal ya da anormal olarak sınıflandırılması

Hücreyi matematikle anlatmak

Bir hücrenin alanı $A$, çevresi $P$ ile gösterilsin. Şeklin ne kadar dairesel olduğunu ölçmek için şu değer kullanılabilir:

Kusursuz bir dairede $C$ değeri 1’e yaklaşır. Girintili çıkıntılı hücrelerde ise küçülür. Bunun yanında çekirdeğin ortalama parlaklığı, renk dağılımı ve komşularına göre büyüklüğü de modele verilebilir.

Sınıflandırıcı çoğu zaman $p(y=1\mid x)$, yani özellikleri $x$ olan hücrenin anormal olma olasılığını hesaplar. Olasılık belirlenen eşiği aşarsa hücre şüpheli kabul edilir. Eşiği düşürmek daha fazla şüpheli hücre yakalar; fakat yanlış alarm sayısını da artırır.

Basit bir prototip

Aşağıdaki Python örneği, gri tonlamalı görüntüde koyu çekirdekleri ayırır, küçük gürültüleri temizler ve büyük hücre adaylarını işaretler. Bu kod klinik tanı sistemi değil, temel görüntü işleme mantığını gösteren bir başlangıçtır.

import cv2

image = cv2.imread("hucreler.png")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# Gürültüyü azaltarak eşikleme sonucunu daha kararlı yapar.
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Otsu yöntemi uygun eşik değerini görüntüden otomatik hesaplar.
_, mask = cv2.threshold(
    blurred, 0, 255,
    cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
)

contours, _ = cv2.findContours(
    mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)

for contour in contours:
    area = cv2.contourArea(contour)
    if area > 250:  # Örnek amaçlı şüpheli büyüklük sınırı
        x, y, w, h = cv2.boundingRect(contour)
        cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 2)

cv2.imwrite("isaretli_hucreler.png", image)

Gerçek dokularda hücreler üst üste binebilir. Böyle durumlarda watershed algoritması veya piksel düzeyinde öğrenen U-Net gibi derin öğrenme modelleri daha başarılıdır. Yine de derin modeller daha fazla etiketli veri, güçlü donanım ve dikkatli doğrulama gerektirir.

Başarıyı doğru ölçmek

Kanser taramasında yalnızca doğruluk değerine bakmak yanıltıcıdır. Bin hücrenin yalnızca onu anormalse, her hücreye “normal” diyen model yüzde 99 doğruluk elde eder ama hiçbir vakayı bulamaz.

Veriler hasta bazında ayrılmalıdır; aynı hastaya ait benzer görüntülerin hem eğitim hem test kümesine girmesi veri sızıntısına yol açar. Ayrıca farklı laboratuvarlardan alınan örneklerle harici doğrulama yapılmalıdır.

Sonuç olarak bilgisayar, patoloğun yerini alan sihirli bir doktor değil; yorucu tarama işini hızlandıran dikkatli bir asistandır. Güvenilir bir sistem için kaliteli etiketler, açıklanabilir sonuçlar, mahremiyet koruması ve uzman denetimi vazgeçilmezdir.

Akıllı lambalar, sıcaklık sensörleri ve uzaktan kontrol edilen prizler oldukça kullanışlıdır; fakat farklı markalara ait ürünler çoğu zaman ayrı uygulamalar, bulut üyelikleri ve kapalı protokoller kullanır. Raspberry Pi merkezli bir sistem kurarak verilerinizi evinizde tutabilir, cihazları tek panelden yönetebilir ve otomasyon kurallarını özgürce geliştirebilirsiniz. Üstelik sisteminiz internet bağlantısı kesildiğinde bile çalışmaya devam edebilir.

``

Sistemin Temel Mantığı

Akıllı ev sistemini üç katmanlı bir yapı olarak düşünebiliriz: sensörler çevreyi gözlemler, merkezi yazılım verileri işler, eyleyiciler ise fiziksel değişiklikleri gerçekleştirir. Örneğin sıcaklık sensörü ölçüm yapar, Raspberry Pi bu değeri belirlenen eşikle karşılaştırır ve gerekirse röleyle vantilatörü çalıştırır.

Basit bir sıcaklık otomasyonu şu mantıkla ifade edilebilir:

Burada $T(t)$ ölçülen sıcaklığı, $T_{eşik}$ belirlediğimiz sınırı, $u(t)$ ise cihazın açık veya kapalı durumunu temsil eder. Sensör değerleri eşik çevresinde dalgalanıyorsa cihaz sürekli açılıp kapanabilir. Bunu önlemek için açma ve kapatma sıcaklıklarını farklı seçen histerezis yaklaşımı kullanılabilir.

Açık Kaynak ve Ticari Sistem Karşılaştırması

Bu özgürlük biraz sorumluluk getirir. Güncellemeleri takip etmek, yedek almak ve elektrik güvenliğine dikkat etmek sistem sahibinin görevidir.

Gerekli Donanım ve Yazılım

Başlangıç için Raspberry Pi 4 veya 5, güvenilir bir güç adaptörü, microSD kart ve ağ bağlantısı yeterlidir. Ortam verisi toplamak için BME280; lambaları ya da düşük voltajlı cihazları kontrol etmek için optik izolasyonlu röle modülü kullanılabilir. Şebeke gerilimiyle deneyiminiz yoksa 230 V bağlantılara doğrudan müdahale etmeyin; sertifikalı akıllı prizleri veya bir elektrik uzmanını tercih edin.

Yazılım tarafında Home Assistant kontrol panelini ve otomasyon motorunu sağlar. Mosquitto MQTT cihazlar arasında hafif mesajlaşma sunarken Node-RED sürükle-bırak yöntemiyle akış hazırlamayı kolaylaştırır.

MQTT yapısında sensörler bir konuya mesaj yayımlar, ilgilenen uygulamalar o konuya abone olur. Örneğin sıcaklık verisi ev/salon/sicaklik konusunda taşınabilir. Böylece sensör, veriyi kimin kullanacağını bilmek zorunda kalmaz.

Python ile Sensör Verisi Yayımlamak

Önce gerekli paketleri kurun:

pip install paho-mqtt adafruit-circuitpython-bme280

Aşağıdaki örnek, BME280 sensöründen sıcaklığı okuyup her 30 saniyede MQTT sunucusuna gönderir:

import time
import board
import adafruit_bme280
from paho.mqtt.client import Client

sensor = adafruit_bme280.Adafruit_BME280_I2C(board.I2C())
mqtt = Client()
mqtt.username_pw_set('sensor', 'guclu-parola')
mqtt.connect('192.168.1.20', 1883)

while True:
    temperature = round(sensor.temperature, 2)
    mqtt.publish('ev/salon/sicaklik', temperature, retain=True)
    print(f'Yayımlanan sıcaklık: {temperature} °C')
    time.sleep(30)

retain=True, son ölçümün MQTT sunucusunda tutulmasını sağlar. Böylece Home Assistant yeniden başladığında yeni ölçümü beklemeden mevcut değeri görebilir.

Güvenli ve Sağlam Bir Kurulum

MQTT sunucusunu parolasız bırakmayın, Raspberry Pi için sabit IP ayırın ve sistemi düzenli olarak güncelleyin. Dışarıdan erişim gerekiyorsa doğrudan port açmak yerine WireGuard gibi bir VPN kullanın. Ayrıca microSD kart bozulmalarına karşı yapılandırma dosyalarını başka bir diske yedekleyin.

Projeyi önce tek oda ve tek sensörle başlatmak en sağlıklı yaklaşımdır. Sistem kararlı çalıştıkça hareket algılama, enerji takibi, su kaçağı uyarısı ve gün batımına bağlı aydınlatma gibi özellikler ekleyebilirsiniz. Sonuçta yalnızca uzaktan kumandalı bir ev değil, davranışlarını sizin belirlediğiniz yerel, geliştirilebilir ve gerçekten size ait bir otomasyon platformu elde edersiniz.

``

Birlikte çalışabilirlik neden zor?

Her akıllı cihaz fiziksel bağlantı, iletişim protokolü ve veri modeli olmak üzere birkaç katmanda çalışır. Wi-Fi veya Thread cihazın ağa nasıl bağlandığını; MQTT, Zigbee ya da Matter mesajların nasıl taşındığını; veri modeli ise bir mesajdaki temperature değerinin ne anlama geldiğini belirler.

İki cihazın yalnızca aynı kablosuz teknolojiyi kullanması yeterli değildir. İletişimi basitleştirerek şöyle gösterebiliriz:

Katmanlardan herhangi biri sıfırsa toplam başarı da sıfır olur. Örneğin iki cihaz Wi-Fi kullanabilir, ancak biri üreticiye özel bulut API’siyle, diğeri yerel MQTT mesajlarıyla çalışıyorsa doğrudan anlaşamazlar.

Entegrasyon yöntemleri

En kolay yöntem, cihazları Google Home, Apple Home, Amazon Alexa veya SmartThings gibi merkezi bir platformda toplamaktır. Platform, üreticilerin bulut servislerine bağlanarak farklı API’leri ortak bir arayüz altında sunar. Kurulumu rahattır; fakat internet kesintileri, abonelik değişiklikleri ve servislerin kapanması sistemi etkileyebilir.

İkinci yöntem yerel merkez kullanmaktır. Home Assistant, openHAB veya Hubitat gibi çözümler cihazlarla ev ağı üzerinden haberleşebilir. Böylece komutlar uzak bir sunucuya gidip dönmez. Yaklaşık tepki süresi şu şekilde düşünülebilir:

Yerel otomasyonda $T_{bulut}$ ortadan kalktığı için ışıklar daha hızlı yanar ve internet yokken de çalışabilir. Bunun bedeli, biraz daha fazla kurulum ve bakım gerektirmesidir.

Üçüncü yöntem ise köprü veya adaptör kullanmaktır. Köprü, farklı protokoller arasında tercümanlık yapar. Örneğin bir Zigbee sensöründen gelen hareket bilgisi MQTT konusuna çevrilebilir. Home Assistant için basit bir otomasyon şöyle tanımlanabilir:

alias: Koridorda hareket algılanınca ışığı aç
trigger:
  - platform: state
    entity_id: binary_sensor.koridor_hareket
    to: 'on'
action:
  - service: light.turn_on
    target:
      entity_id: light.koridor

Bu yapı, sensör ve ampul farklı markalara ait olsa bile platformdaki standart varlık kimlikleri üzerinden çalışır. trigger olayı izler, action ise gerçekleşecek komutu belirtir.

Matter her şeyi çözüyor mu?

Matter; Apple, Google, Amazon, Samsung ve çok sayıda üreticinin desteklediği ortak bir standarttır. IP tabanlı çalışır, cihazların güvenli biçimde eşleştirilmesini ve birden fazla ekosisteme bağlanmasını kolaylaştırır. Multi-Admin özelliği sayesinde aynı ampul hem Apple Home hem de Google Home tarafından yönetilebilir.

Yine de Matter sihirli değnek değildir. Eski cihazlar destek almayabilir; kamera veya robot süpürge gibi ürünlerin gelişmiş özellikleri standartta eksik kalabilir. Üreticiler ayrıca bazı işlevleri kendi uygulamalarına özel tutabilir.

Sağlam bir ekosistem için öneriler

Cihaz satın alırken yalnızca kutudaki “akıllı” ifadesine değil; yerel API, Matter, Thread, Zigbee ve Home Assistant desteğine bakın. Kritik otomasyonları buluta bağımlı bırakmayın, cihazları ayrı bir IoT ağına yerleştirin ve düzenli güncelleme uygulayın. Mümkünse önce küçük bir uyumluluk haritası hazırlayın. Böylece eviniz, birbirine bağıran cihazlar topluluğu değil, aynı dili konuşan gerçek bir otomasyon sistemi olur.

``

Uzaktan açma isteği nasıl ilerler?

Tipik bir sistemde telefon doğrudan kilide bağlanmak yerine üreticinin sunucusuyla haberleşir. Kullanıcı önce parola, biyometri veya geçiş anahtarıyla oturum açar. Sunucu kullanıcının ilgili kapıyı açma yetkisini denetler ve kilide imzalanmış bir komut gönderir. Kilit, komutun doğruluğunu kendi içindeki güvenli anahtarla kontrol ettikten sonra motoru çalıştırır.

Bu süreç üç temel soruya cevap vermelidir:

1. Kim gönderdi? Kimlik doğrulama bunu belirler.
2. Mesaj değiştirildi mi? Bütünlük kontrolü bunu gösterir.
3. İçeriği başkası okuyabilir mi? Şifreleme gizliliği sağlar.

Kimlik doğrulama ile yetkilendirme aynı şey değildir. Kimlik doğrulama, “Bu kişi Ayşe mi?” sorusunu; yetkilendirme ise “Ayşe bu kapıyı şu anda açabilir mi?” sorusunu cevaplar. Örneğin temizlik görevlisinin hesabı gerçek olabilir, fakat erişimi yalnızca 09.00–11.00 arasında geçerli olabilir.

Şifreleme hangi katmanlarda kullanılır?

Telefon, sunucu ve kilit arasındaki ağ trafiği genellikle TLS ile korunur. Böylece ortak Wi-Fi ağındaki saldırgan komutu okuyamaz veya değiştiremez. Ancak yalnızca bağlantı şifrelemesine güvenmek yeterli değildir. Açma komutunun ayrıca dijital imza ya da HMAC ile doğrulanması, aradaki sunucu veya ağ katmanlarına karşı ek güvence sağlar.

HMAC kabaca şu şekilde ifade edilir:

Burada $K$ gizli anahtar, $m$ ise mesajdır. Anahtarı bilmeyen saldırgan geçerli doğrulama kodunu pratikte üretemez.

Tekrar saldırısı neden tehlikelidir?

Bir saldırgan şifreli paketi okuyamasa bile paketi kaydedip daha sonra yeniden gönderebilir. Buna replay saldırısı denir. Savunma için her isteğe rastgele bir nonce, kısa son kullanma süresi ve benzersiz işlem kimliği eklenir. Kilit daha önce gördüğü nonce değerlerini reddeder.

import hmac, hashlib, time, secrets

key = b"cihaz-icin-gizli-anahtar"
nonce = secrets.token_hex(16)
expires = int(time.time()) + 30
message = f"OPEN|front-door|{nonce}|{expires}".encode()
signature = hmac.new(key, message, hashlib.sha256).hexdigest()

Bu örnek, kapı kimliğiyle birlikte rastgele nonce ve 30 saniyelik geçerlilik süresi içeren bir mesaj üretir. HMAC, mesajın değiştirilip değiştirilmediğini denetlemeyi sağlar. Gerçek bir üründe anahtar kaynak koda yazılmaz; secure element, TPM benzeri güvenli donanım veya işletim sisteminin anahtar kasasında tutulur.

256 bitlik ideal bir anahtarı rastgele tahmin etmenin tek denemedeki başarı olasılığı $1/2^{256}$ seviyesindedir. Fakat güçlü matematik, kötü anahtar yönetimini kurtaramaz. Aynı anahtarın bütün kilitlerde kullanılması, güncelleme imzalarının doğrulanmaması veya hata ayıklama portlarının açık bırakılması sistemi savunmasız yapabilir.

Güvenli tasarımın tamamlayıcı parçaları

Akıllı kilit güvenliği; çok faktörlü kimlik doğrulama, erişim süresi sınırları, başarısız denemelerde hız kısıtlama, imzalı yazılım güncellemeleri ve denetlenebilir olay kayıtlarıyla tamamlanır. İnternet kesildiğinde sistemin nasıl davranacağı da önceden belirlenmelidir. Acil çıkış güvenliği korunurken dışarıdan yetkisiz girişe izin verilmemelidir.

Kısacası güvenli bir akıllı kilit, sadece “şifreli bağlantı kullanan motorlu kapı” değildir. Kimlik, yetki, mesaj bütünlüğü, anahtar saklama ve fiziksel güvenlik birlikte tasarlandığında uzaktan açma işlemi hem kullanışlı hem de güvenilir hale gelir.

Elektrik faturası bazen evde görünmez bir canavar dolaşıyormuş hissi verir: Buzdolabı sessizce çalışır, televizyon bekleme modunda enerji tüketir, elektrikli ısıtıcı ise bütçeyi adeta közler. Akıllı prizler bu canavarı görünür hâle getirir. Cihaz bazında güç ve enerji ölçümü yaparak hangi cihazın ne zaman, ne kadar tükettiğini anlamamızı; tahminlere değil, verilere dayalı tasarruf kararları almamızı sağlar.

``

Akıllı priz hangi verileri toplar?

Tipik bir akıllı priz belirli aralıklarla gerilim, akım ve aktif güç değerlerini kaydeder. Bazı modeller güç faktörü, frekans ve toplam enerji tüketimi de sunar. Temel elektrik ilişkisi şöyledir:

Burada $P$ aktif gücü (W), $V$ gerilimi, $I$ akımı ve $\cos(\varphi)$ güç faktörünü gösterir. Bir cihazın tükettiği enerji ise gücün zaman boyunca birikimidir:

$P_i$ watt, $\Delta t_i$ saat cinsindeyse sonuç kilovatsaat, yani kWh olur. Faturanın enerji kısmını yaklaşık hesaplamak için $E$ değeri birim fiyatla çarpılır.

Ham veriden anlamlı sonuca

Akıllı priz kayıtları önce temizlenmelidir. Eksik ölçümler, tekrarlanan satırlar ve gerçek dışı sıçramalar analizi yanıltabilir. Örneğin normalde 100 W çeken bir televizyonun bir saniyeliğine 30.000 W görünmesi büyük olasılıkla ölçüm veya iletişim hatasıdır.

Temiz veride şu göstergeler özellikle değerlidir:

• Baz yük: Cihaz kapalı sanılırken devam eden tüketim.
• Pik güç: Cihazın ulaştığı en yüksek güç seviyesi.
• Çalışma süresi: Gücün belirlenen eşiğin üzerinde kaldığı süre.
• Günlük enerji: Gün boyunca biriken kWh miktarı.
• Kullanım deseni: Cihazın hangi saatlerde ve ne sıklıkta çalıştığı.

Aşağıdaki Python örneği, CSV dosyasındaki ölçümlerden günlük enerji ve maliyet üretir:

import pandas as pd

BIRIM_FIYAT = 2.60  # Örnek TL/kWh

veri = pd.read_csv("priz_verisi.csv", parse_dates=["zaman"])
veri = veri.sort_values("zaman").drop_duplicates("zaman")

# Ölçümler arasındaki süreyi saate çevirir.
veri["sure_saat"] = veri["zaman"].diff().dt.total_seconds() / 3600
veri["sure_saat"] = veri["sure_saat"].clip(lower=0, upper=1)

# Watt-saat hesabını kWh değerine dönüştürür.
veri["enerji_kwh"] = veri["guc_watt"] * veri["sure_saat"] / 1000
veri["gun"] = veri["zaman"].dt.date

ozet = veri.groupby("gun")["enerji_kwh"].sum().to_frame()
ozet["maliyet_tl"] = ozet["enerji_kwh"] * BIRIM_FIYAT
print(ozet)

Kod, ardışık kayıtlar arasındaki süreyi hesaplar ve ölçülen güçle çarpar. Bir saatten uzun veri boşluklarını sınırlamak, eksik kayıtların tüketimi yapay biçimde büyütmesini engeller.

Tasarruf fırsatlarını sınıflandırmak

Her yüksek tüketim gereksiz değildir. Buzdolabının sürekli çalışması normal olabilir; fakat eski bir modelin yeni modele göre iki kat enerji harcaması değişim kararını destekleyebilir.

Bir önlemin aylık kazancı yaklaşık olarak

formülüyle bulunabilir. Yeni cihaz alınacaksa geri ödeme süresi de $Yatırım\ Maliyeti / Aylık\ Tasarruf$ şeklinde hesaplanır.

Sonuç olarak akıllı priz, tek başına faturayı düşüren sihirli bir düğme değildir; doğru soruları sormayı sağlayan küçük bir veri laboratuvarıdır. En etkili yaklaşım, birkaç hafta ölçüm yapmak, baz tüketimi ve çalışma döngülerini karşılaştırmak, ardından zamanlama, bakım veya cihaz değişimi gibi müdahalelerin sonucunu yeniden ölçmektir. Ölç, değiştir, tekrar ölç: Enerji optimizasyonunun en kısa ve en güvenilir döngüsü budur.

``

Sistem hangi bileşenlerden oluşur?

Hareket tabanlı bir aydınlatma sistemi yalnızca lambaya bağlanmış basit bir sensörden ibaret değildir. Sensörler, kontrol birimi, haberleşme ağı ve dim edilebilir LED sürücüler birlikte çalışır.

• PIR sensörü: İnsan ve hayvanların yaydığı kızılötesi enerjideki değişimi algılar.
• Mikrodalga radar: Radyo dalgaları göndererek hareketi ve bazı sistemlerde hızı ölçer.
• Kamera veya görüntü sensörü: Yaya, bisiklet ve araç sınıflandırması yapabilir.
• Ortam ışığı sensörü: Sistemin gündüz gereksiz yere çalışmasını engeller.
• Kontrolcü: Sensör verilerini işleyerek lambanın parlaklık kararını verir.
• Haberleşme modülü: Komşu lambalarla veya merkezi yönetim platformuyla veri paylaşır.

Parlaklık kararı nasıl verilir?

Lambalar genellikle hareket yokken tamamen kapanmaz. Örneğin temel parlaklık yüzde 25 seviyesinde tutulur. Bir yaya algılandığında yüzde 60’a, hızlı bir araç algılandığında ise yüzde 100’e çıkılabilir. Belirli bir bekleme süresinden sonra ışık yumuşak biçimde başlangıç seviyesine döner. Bu geçiş, sürücülerin ani ışık değişiminden rahatsız olmasını da önler.

Basitleştirilmiş bir parlaklık modeli şöyle yazılabilir:

Burada $L$ hedef parlaklığı, $L_{base}$ bekleme seviyesini, $P$ yaya varlığını ve $V$ normalize edilmiş araç hızını temsil eder. $w_p$ ile $w_v$ ise belediyenin güvenlik politikasına göre belirlenen ağırlıklardır.

Enerji tüketimi yaklaşık olarak güç ve çalışma süresinin çarpımıdır:

100 watt gücündeki bir lamba 10 saat tam parlaklıkta çalışırsa 1 kWh tüketir. Aynı lamba gecenin yüzde 70’inde yüzde 25 güçte, kalanında tam güçte çalışırsa yaklaşık $0.475$ kWh tüketir. Gerçek değer LED sürücüsünün verim eğrisine bağlı olsa da tasarruf potansiyeli oldukça açıktır.

Basit bir kontrol algoritması

Aşağıdaki Python örneği, algılanan nesneye göre hedef parlaklığı belirler. Gerçek sistemde bu değer PWM sinyaline veya akıllı LED sürücüsüne gönderilebilir.

def hedef_parlaklik(hareket, nesne_turu, hiz=0):
    if not hareket:
        return 25  # Güvenlik için düşük bekleme ışığı

    if nesne_turu == "yaya":
        return 60
    elif nesne_turu == "bisiklet":
        return 75
    elif nesne_turu == "arac":
        return min(100, 70 + hiz * 0.5)

    return 50

parlaklik = hedef_parlaklik(True, "arac", 50)
print(f"Lamba seviyesi: %{parlaklik}")

Algoritmanın yalnızca mevcut lambayı değil, ilerideki birkaç lambayı da etkinleştirmesi önemlidir. Araç bir direğe ulaştığında komşu direklere mesaj gönderilirse aracın önünde hareket eden bir ışık koridoru oluşur.

Tasarruf kadar güvenlik de önemli

Akıllı aydınlatmada amaç en düşük enerji tüketimini elde etmek değil, güvenlik koşullarını koruyarak gereksiz tüketimi azaltmaktır. Sensör arızaları, yanlış algılamalar, hava koşulları ve ağ kesintileri hesaba katılmalıdır. Haberleşme başarısız olduğunda lambaların güvenli bir sabit seviyeye geçmesi iyi bir yedekleme yaklaşımıdır.

Doğru tasarlanmış sistemler enerji maliyetlerini düşürür, LED ömrünü uzatır ve ışık kirliliğini azaltır. Kısacası geleceğin sokak lambaları yalnızca çevreyi aydınlatmayacak; çevresini gözlemleyip ne kadar ışığa ihtiyaç olduğunu da kendileri hesaplayacaktır.

``

Risk tahmini nasıl çalışır?

Makine öğrenmesi, geçmişte sonucu bilinen hasta verilerindeki örüntüleri öğrenir. Örneğin diyabet riskini tahmin eden bir sistem; yaş, vücut kitle indeksi, açlık glukozu, aile öyküsü ve fiziksel aktivite gibi değişkenleri kullanabilir.

Bir hastanın özelliklerini $x$ ile gösterirsek modelin temel amacı şu olasılığı kestirmektir:

Burada $Y=1$, belirlenen süre içinde hastalığın geliştiği anlamına gelir. Lojistik regresyon gibi açıklanabilir bir model bu olasılığı şöyle hesaplayabilir:

Katsayılar, her değişkenin risk üzerindeki etkisini temsil eder. Derin öğrenme modelleriyse çok daha karmaşık ilişkileri öğrenebilir; fakat kararlarını açıklamak genellikle daha zordur.

Hangi veriler erken sinyal taşıyabilir?

Tek bir ölçüm yerine zaman içindeki değişim çoğu zaman daha değerlidir. Örneğin nabzın 80 olması tek başına anlamlı olmayabilir; kişinin aylar boyunca 60 civarında seyreden nabzının sürekli 80’e çıkması dikkat çekici olabilir.

Basit bir risk modeli

Aşağıdaki örnek, hasta özelliklerinden ikili risk tahmini yapan sade bir Python iş akışıdır:

from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import make_pipeline
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, stratify=y, random_state=42
)

model = make_pipeline(
    StandardScaler(),
    LogisticRegression(class_weight="balanced")
)

model.fit(X_train, y_train)
risk_scores = model.predict_proba(X_test)[:, 1]
print("ROC-AUC:", roc_auc_score(y_test, risk_scores))

StandardScaler, değişkenleri benzer ölçeklere getirir. class_weight="balanced" ise hasta sayısının sağlıklı bireylerden çok az olduğu dengesiz veri kümelerinde modele yardımcı olur. predict_proba, kesin bir etiket yerine risk skoru üretir.

Başarı yalnızca doğruluk değildir

Nadir hastalıklarda herkese “sağlıklı” diyen bir model yüksek doğruluk gösterebilir. Bu nedenle farklı ölçütler birlikte değerlendirilmelidir:

Tarama sistemlerinde yanlış negatifler tehlikelidir; ancak çok fazla yanlış pozitif de gereksiz testlere, maliyete ve kaygıya yol açabilir. Bu yüzden karar eşiği klinik bağlama göre belirlenmelidir.

Peki gerçekten mümkün mü?

Evet, bazı hastalıklar için belirtilerden önce anlamlı risk tahmini yapılabilir. Fakat veri kalitesi, farklı topluluklarda doğrulama, mahremiyet, algoritmik önyargı ve klinik denetim vazgeçilmezdir. Bir hastanede başarılı olan model, başka bir bölgede aynı sonucu vermeyebilir.

En sağlıklı yaklaşım, makine öğrenmesini doktorun yerine geçen dijital bir kâhin olarak değil, dikkat edilmesi gereken hastaları önceliklendiren bir erken uyarı sistemi olarak görmektir. Nihai tanı; hekim değerlendirmesi, doğrulayıcı testler ve hastanın klinik öyküsüyle konmalıdır.