Rusya'nın Ukrayna'ya geniş çaplı işgalinin başladığı Şubat 2022'den Eylül 2025'e kadar, bağımsız araştırmacı gazetecilik platformu Bellingcat, personeli ve gönüllüleri aracılığıyla 2.500'den fazla sivil zarar olayını topladı, coğrafi olarak konumlandırdı ve kamuoyuyla paylaştı. Bu çabaların bir parçası olarak Bellingcat, Telegram mesajlaşma uygulamasındaki kanallardan sivil zarar raporlarını otomatik olarak çıkarıp sıralamak için yeni bir makine öğrenimi modelini test etti. Model, yoğun çatışma bölgelerinde meydana gelen olayları önceliklendirerek kaynakların daha verimli kullanılmasını sağladı.
Gelişmenin Arka Planı
Ukrayna'daki savaş, sivil kayıpların belgelenmesi açısından tarihin en kapsamlı çabalarından birine sahne oldu. Bellingcat, daha önce Suriye ve Yemen'deki sivil zararları da belgelemişti ancak Ukrayna'daki çatışma, dijital açık kaynak istihbaratı (OSINT) yöntemlerinin en yoğun kullanıldığı savaşlardan biri oldu. Platform, Telegram'da Ukraynalı yetkililer, yerel medya ve gönüllü gruplar tarafından paylaşılan binlerce mesajı taramak için geliştirilen bir makine öğrenimi modelini devreye soktu. Model, 'sivil', 'ölü', 'yaralı', 'bomba' gibi anahtar kelimeleri tespit ederek olayları coğrafi etiketlerle ilişkilendiriyor ve öncelik sırasına koyuyor. Bu sayede insan araştırmacılar, en kritik vakalara odaklanabiliyor. Bellingcat'in yayımladığı rapora göre, model özellikle Harkiv, Mariupol ve Kiev gibi yoğun çatışma bölgelerinde başarılı oldu; ancak yanlış pozitif oranı nedeniyle tüm raporların manuel doğrulamadan geçmesi gerektiği vurgulanıyor.
Bölgesel ve Küresel Boyut
Sivil zararın tespiti ve belgelenmesi, savaş suçlarının soruşturulması ve gelecekteki çatışmaların önlenmesi açısından kritik önem taşıyor. Uluslararası Ceza Mahkemesi (ICC) ve Ukrayna'da görev yapan bağımsız soruşturma komisyonları, Bellingcat gibi kuruluşların sağladığı verileri delil olarak kullanıyor. Makine öğreniminin bu sürece entegre edilmesi, binlerce olay arasından en önemlilerinin hızlıca seçilmesini sağlayarak adalet arayışını hızlandırıyor. Ayrıca bu teknoloji, sadece Ukrayna için değil, dünyanın diğer çatışma bölgelerinde de (Gazze, Myanmar, Etiyopya) kullanılma potansiyeli taşıyor. Ancak yapay zeka modellerinin önyargılı olabileceği ve belirli dillerdeki raporları daha iyi tespit ederken diğerlerini gözden kaçırabileceği gibi etik sorunlar da gündemde. Bellingcat, modelin açık kaynak kodlu olarak yayınlanması ve diğer araştırmacılar tarafından geliştirilebilmesi için GitHub'da paylaşmayı planlıyor.
Türkiye Açısından Değerlendirme
Her ne kadar haber doğrudan Türkiye'yi ilgilendirmese de, yapay zeka destekli sivil zarar tespiti yöntemleri, Türkiye'nin çatışma bölgelerine komşu olması ve insani krizlerle sıkça karşılaşması nedeniyle önemlidir. Türkiye, Suriye'deki operasyonlar, Libya'daki angajmanı ve Doğu Akdeniz'deki gerilimlerde sivil zarar iddialarıyla karşı karşıya kalmıştır. Bu tür teknolojilerin benimsenmesi, hem Türkiye'nin uluslararası hukuk yükümlülüklerini yerine getirmesine yardımcı olabilir hem de askeri operasyonlarında sivil zararı en aza indirgeme konusunda şeffaflık sağlayabilir. Ayrıca, Türk savunma sanayii ve teknoloji firmaları, benzer makine öğrenimi modellerini geliştirerek insani yardım ve kriz yönetimi alanında ihracat potansiyeli elde edebilir. Dolayısıyla, teknolojinin gelişimi Türk dış politikası ve güvenlik stratejileri açısından takip edilmeye değerdir.
