Açık Kaynak AI Altyapısı & Araçlar Yapay Zeka

Açık Kaynak AI Eğitim Platformları: Yapay Zeka Devrimine Kapıyı Aralayan Anahtar ve Uzmanı Olma Yolculuğu

28 Ekim 2025 Eren Özşahiner

Yapay zeka (AI), artık bilim kurgu filmlerinden çıkmış ve günlük hayatımızın her alanına nüfuz etmiş bir gerçeklik. Akıllı asistanlarımızdan öneri algoritmalarına, tıbbi teşhislerden otonom araçlara kadar her yerde yapay zekanın izlerini görüyoruz. Bu devrimsel teknolojinin getirdiği fırsatlar kadar, bir soru da akıllara geliyor: “Ben bu alanı nasıl öğrenebilirim, hangi AI Eğitim Platformları en iyileri?”

Geçmişte, yapay zeka eğitimi pahalı üniversite programları, özel kurslar ve sınırlı erişime sahip akademik kaynaklarla özdeşleşiyordu. Ancak dijital çağın en büyük nimetlerinden biri olan açık kaynak (open source) hareketi, bu durumu kökten değiştirdi. Bilgi ve araçların herkes için serbestçe erişilebilir, değiştirilebilir ve paylaşılabilir olması ilkesi, yapay zeka eğitimini demokratikleştirdi. Artık bir kodcu, bir öğrenci, bir领域 uzmanı veya sadece meraklı bir birey olarak, dünyanın en iyi zihinlerinin hazırladığı materyallerle, sıfır maliyetle yapay zeka uzmanı olma yolculuğuna çıkabilirsiniz.

Bu makale, bu yolculukta size rehberlik etmek için hazırlandı. Sizi sadece bir platform listesiyle bırakmayacak; her bir platformun felsefesini, nasıl kullanılacağını, güçlü yönlerini ve pratik örneklerle nasıl bir öğrenme deneyimi sunduğunu derinlemesine ele alacağız. Fast.ai’nin pratik odaklı yaklaşımından, Kaggle’un rekabetçi ve iş birlikçi ekosistemine, Hugging Face’in son teknoloji NLP modellerini herkes için erişilebilir kılma misyonuna kadar, açık kaynak dünyasının en değerli hazinelerini birlikte keşfedeceğiz. Hazırsanız, yapay zeka öğrenme serüveninizin kapılarını aralayalım.

Neden Açık Kaynak AI Eğitimi Bu Kadar Önemli?

Platformları detaylandırmadan önce, neden özellikle açık kaynaklı kaynakların bu kadar değerli olduğunu anlamak, motivasyonunuzu artıracaktır. Geleneksel eğitim yöntemlerine göre açık kaynak, dört temel avantaj sunar:

Erişilebilirlik ve Maliyet: En bariz avantaj budur. Binlerce dolarlık kurs ücretleri veya katı kabul şartları yerine, ihtiyacınız olan tek şey bir internet bağlantısı ve öğrenme hevesidir. Dünya’nın neresinde olursanız olun, en kaliteli eğitimlere eşit şartlarda ulaşabilirsiniz.
Topluluk ve İş Birliği: Açık kaynak projelerinin arkasında her zaman güçlü ve dinamik bir topluluk bulunur. Bir kodda takıldığınızda, bir konuyu anlamadığınızda forumlarda, Discord kanallarında veya GitHub’da binlerce kişinin yaşadığı sorunları ve çözümlerini görebilir, hatta doğrudan yardım isteyebilirsiniz. Bu kolektif zeka, tek başınıza çalışmaktan kat kat daha hızlı öğrenmenizi sağlar.
Güncellilik ve Esneklik: Yapay zeka alanı inanılmaz hızla ilerliyor. Geleneksel müfredatların bu değişime ayak uydurması yıllar alabilir. Oysa açık kaynak platformlar, en son araştırma makalelerini, yeni çıkan bir kütüphaneyi veya güncel bir tekniği haftalar, hatta günler içinde eğitim materyallerine dahil eder. Bu sayede her zaman en güncel bilgiyle öğrenirsiniz.
Pratik Odaklılık: Açık kaynak eğitimi genellikle “öğrenerek yapma” (learning by doing) felsefesine dayanır. Teorik bilgileri ezberlemek yerine, gerçek dünya verileriyle, gerçek problemler üzerinde çalışırsınız. Bu sayede edindiğiniz bilgiler sadece soyut kavramlar olmaktan çıkar, doğrudan uygulanabilir becerilere dönüşür.

Devlerin Arenası: En İyi Açık Kaynak AI Eğitim Platformları

Şimdi, yapay zeka öğrenme yolculuğunuzda size eşlik edecek en güçlü platformları detaylıca inceleyelim.

Fast.ai: Kodlamadan Başlayan Pratik Derin Öğrenme

Fast.ai, yapay zeka eğitiminde bir devrim niteliğindedir. Kurucuları Jeremy Howard ve Rachel Thomas, geleneksel “aşağıdan yukarıya” (yani matematiksel temelden başlayıp yavaş yavaş uygulamaya geçen) öğretim yöntemine karşı çıkarak, “yukarıdan aşağıya” (top-down) bir yaklaşım benimsemiştirler.

Felsefesi Nedir? Fast.ai’nin felsefesi basittir: Önce öğrencilere, en son teknolojiyi kullanarak çalışan, etkileyici bir derin öğrenme uygulaması nasıl yapılır gösterir. Daha sonra bu uygulamanın altındaki katmanları, teorik yapıları ve matematiksel prensipleri adım adım açıklar. Bu yaklaşım, öğrencinin en başından itibaren “Ben bunu yapabiliyorum!” özgüvenini kazanmasını sağlar ve motivasyonu en üst düzeye çıkarır.
Ana Kurs: “Practical Deep Learning for Coders”: Bu ücretsiz kurs, Fast.ai’nin kalbidir. Kurs, her biri yaklaşık iki saat süren videolardan ve bu videolara eşlik eden Jupyter Notebook’lardan oluşur. Notebook’lar, kodları doğrudan çalıştırmanıza, değiştirmenize ve sonuçları anında görmenize olanak tanır.
Pratik Örnek: Fast.ai ile Görüntü Sınıflandırma
- Başlangıç: Kursun ilk dersine girdiğinizi düşünün. Jeremy Howard, size saatler süren teorik anlatımlar yerine, dünyanın en ünlü görüntü sınıflandırma veri setlerinden biri olan ImageNet’te %94’ün üzerinde bir doğruluk oranı elde eden bir modeli sadece birkaç satır kodla nasıl oluşturacağınızı gösterir.
- Kod Bloğu: from fastai.vision.all import * gibi birkaç import satırı ve cnn_learner(dls, resnet34, metrics=accuracy) gibi basit bir komutla, önceden eğitilmiş devasa bir ResNet34 modelini kendi veri setiniz için nasıl adapte edeceğinizi öğrenirsiniz.
- Öğrenme Süreci: Modeli çalıştırdıktan sonra, “Bu resnet34 ne?” veya cnn_learner içinde neler oluyor?” gibi sorular aklınıza gelir. İşte Fast.ai’nin sihri burada başlar. Sonraki derslerde, bu soruların cevaplarını, yani evrişimli sinir ağlarının (CNN) nasıl çalıştığını, transfer öğrenmenin (transfer learning) mantığını ve optimizasyon algoritmalarını adım adım, pratik bir bağlam içinde öğrenirsiniz.
Neden Fast.ai Harika? Fast.ai, sadece bir kurs değil, aynı zamanda fastai adında kendi Python kütüphanesine de sahiptir. Bu kütüphane, PyTorch üzerine inşa edilmiş olup, karmaşık derin öğrenme işlemlerini inanılmaz derecede basitleştirir. Fast.ai’yi tamamladığınızda, sadece teori bilmekle kalmaz, aynı zamanda pratik ve verimli kod yazma yeteneğine de sahip olursunuz.

Kaggle: Veri Bilimcilerin ve AI Uzmanlarının Olimpiyat Stadı

Kaggle, başlangıçta veri bilimi yarışmaları platformu olarak bilinse de, günümüzde bir öğrenme, iş birliği ve portfolyo oluşturma merkezi haline gelmiştir. Özellikle Kaggle Kernels (artık adı “Notebooks” olarak değiştirildi), açık kaynak AI eğitiminin en değerli araçlarından biridir.

Kaggle Kernels/Notebooks Nedir? Bunlar, Kaggle’ın sunucularında ücretsiz olarak çalıştırabileceğiniz, bulut tabanlı Jupyter Notebook’larıdır. Bilgisayarınızda hiçbir şey kurmanıza gerek kalmaz; tarayıcınız üzerinden hemen kod yazmaya ve çalıştırmaya başlayabilirsiniz. GPU (Ekran Kartı) desteği bile ücretsiz olarak sunulduğu için, karmaşık modelleri eğitmek için pahalı donanımlara ihtiyacınız olmaz.
Öğrenme Aracı Olarak Kaggle:
1. Keşfetme: Kaggle’da binlerce halka açık veri seti bulunur. “Titanik: Machine Learning from Disaster” gibi klasiklerden, güncel COVID-19 verilerine veya sanat eserleri sınıflandırma veri setlerine kadar her şeyi bulabilirsiniz.
2. Öğrenme: Bir veri setini seçtiğinizde, o veri seti üzerinde yapılmış binlerce notebook’u görebilirsiniz. Bu notebook’ları “Most Votes” (En Çok Oy Alan) veya “Most Comments” (En Çok Yorum Alan) olarak sıraladığınızda, o alandaki en iyi ve en bilgilendirici çalışmaları bulursunuz.
3. Uygulama: Başkalarının notebook’larını inceleyerek onların veri ön işleme tekniklerini, özellik mühendisliği (feature engineering) yaklaşımlarını, kullandıkları modelleri ve sonuçlarını nasıl yorumladıklarını öğrenirsiniz.
Pratik Örnek: Kaggle’da Titanic Hayatta Kalma Tahmini
- Adım 1: Veri Setini Bulun. Kaggle’da “Titanic” araması yapın ve ilgili yarışma/veri seti sayfasına gidin.
- Adım 2: Notebook’ları İnceleyin. “Notebooks” sekmesine tıklayın ve “Votes”e göre sıralayın. İlk sıradaki notebook’u açın. Muhtemelen yazar, veriyi nasıl temizlediğini (örneğin, yaş eksiklerini nasıl doldurduğunu), kategorik verileri (cinsiyet, biniş limanı) nasıl sayısallaştırdığını ve ardından bir Lojistik Regresyon veya Rastgele Orman (Random Forest) modeli oluşturduğunu adım adım anlatmıştır.
- Adım 3: Fork Edin ve Kendi Yapınız. Beğendiğiniz bir notebook’un sağ üst köşesindeki “Copy and Edit” (Fork) düğmesine basın. Notebook’un bir kopyası sizin hesabınıza geçer. Artık kodu değiştirebilirsiniz. Belki farklı bir model denemek istersiniz (XGBoost gibi), belki yeni bir özellik oluşturursunuz (aile büyüklüğü gibi). Değişikliklerinizi yaptıktan sonra “Run All” diyerek modelinizi eğitebilir ve skorunuzu görebilirsiniz.
- Sonuç: Bu süreç, pasif bir şekilde okumaktan çok daha etkili bir öğrenme yöntemidir. Başarılı bir projeyi alıp onu geliştirmeye çalışırken, hem pratik yapmış olursunuz hem de o alana dair derinlemesine bir anlayış kazanırsınız.
Kaggle Kursları: Kaggle, Python, Pandas, Veri Görselleştirme, Makine Öğrenmesi ve Derin Öğrenme gibi konularda kısa, etkileşimli ve ücretsiz mikro kurslar da sunar. Bu kurslar, Kaggle ekosistemine yeni başlayanlar için harika bir başlangıç noktasıdır.

Hugging Face: Doğal Dil İşleme ve Ötesinin Merkezi

Eğer yapay zeka alanında özellikle Doğal Dil İşleme (NLP) ile ilgileniyorsanız, Hugging Face sizin için adeta bir cennettir. Kendilerini “Machine Learning Community” olarak tanımlarlar ve misyonları, iyi makine öğrenmesini herkes için erişilebilir kılmaktır.

Hugging Face Ekosistemi: Platform, birkaç temel bileşenden oluşur:
- Models Hub: Dünyanın en büyük önceden eğitilmiş model koleksiyonu. Metin sınıflandırma, soru-cevap, metin üretimi, özetleme gibi görevler için binlerce modeli (BERT, GPT-2, T5, vb.) burada bulabilirsiniz.
- Datasets Hub: Model eğitmek veya test etmek için kullanabileceğiniz binlerce hazır veri seti.
- Spaces: Kullanıcıların eğittikleri modelleri birkaç dakika içinde interaktif bir web demosu olarak yayınlamalarını sağlayan bir özellik.
- Hugging Face Kütüphanesi (transformers): Bu hub’lardaki modelleri, veri setlerini ve metrikleri Python kodunuzda kullanmanızı sağlayan ana kütüphane.
Pratik Örnek: Hugging Face ile Duygu Analizi Yapmak
- Hedef: Bir metnin (örneğin, bir film yorumunun) olumlu mu olumsuz mu olduğunu tahmin eden bir model kullanmak.
- Geleneksel Yöntem: Bu iş için sıfırdan bir model eğitmek, on binlerce etiketlenmiş veri, günlerce sürecek bir GPU eğitimi ve derin NLP bilgisi gerektirir.
- Hugging Face Yöntemi:
  1. Hugging Face Model Hub’ına gidin ve “text-classification” (metin sınıflandırma) filtresini uygulayın. “distilbert-base-uncased-finetuned-sst-2-english” gibi popüler ve yüksek performanslı bir model bulun.
  2. Model sayfasında, “Use in Transformers” bölümündeki kod kopyalayın. Genellikle bu kod sadece birkaç satırdır.

from transformers import pipeline
classifier = pipeline("sentiment-analysis")
results = classifier("Hugging Face is the best thing since sliced bread!")
print(results)
# Çıktı: [{'label': 'POSITIVE', 'score': 0.9998...}]

Öğrenme: Bu basit örnek, size son teknoloji bir modeli nasıl kullanacağınızı gösterir. Daha sonra, “Bu pipeline fonksiyonu tam olarak ne yapıyor?” diye merak edebilirsiniz. Hugging Face’in ücretsiz kursuna katılarak veya dokümanlarını okuyarak, tokenization’dan (metnin sayısal vektörlere dönüştürülmesi) modelin iç mekanizmasine kadar her şeyi öğrenebilirsiniz. Ayrıca, kendi veri setinizle bu modelleri nasıl daha iyi hale getirebileceğinizi (fine-tuning) de detaylıca öğrenirsiniz.
Neden Hugging Face Harika? Hugging Face, en son araştırmaları ve devasa modelleri, herkesin birkaç satır kodla kullanabileceği şekilde paketler. Bu, özellikle NLP alanındaki giriş engelini neredeyse sıfıra indirger.

Diğer Değerli Açık Kaynak Kaynaklar ve Platformlar

Yukarıdaki üç platform temel direkler olsa da, ekosistem çok daha geniştir. İşte öğrenme yolculuğunuzda size yardımcı olacak diğer harika kaynaklar:

PyTorch ve TensorFlow Resmi Dokümanları: Bu iki popüler derin öğrenme çerçevesinin (framework) kendi web sitelerinde, sıfırdan ileri seviyeye kadar düzenlenmiş tonlarca öğretici (tutorial), rehber ve örnek kod bulunur. Bir konuyu başka bir platformda öğrendikten sonra, bu resmi kaynaklardan derinlemesine bilgi alabilirsiniz.
Papers with Code: Bu web sitesi, makine öğrenmesi alanındaki en son akademik makaleleri, bu makalelerde açıklanan yöntemlerin açık kaynak kod uygulamalarıyla birleştirir. Bir araştırma makalesini okuduktan sonra, ilgili kodu hemen bulup deneyebilirsiniz. Bu, alanın en ön saflarında kalmak için paha biçilmez bir kaynaktır.
Üniversitelerin Açık Dersleri: Stanford (CS229, CS231n), MIT (6.034) ve Carnegie Mellon gibi üniversiteler, yapay zeka ve makine öğrenmesi derslerinin videolarını, notlarını ve ödevlerini ücretsiz olarak internete sunarlar. Daha teorik ve akademik bir altyapı isteyenler için mükemmel birer kaynaktır.
YouTube Kanalları: 3Blue1Brown (matematiksel kavramları görselleştirme için), StatQuest with Josh Starmer (istatistik ve makine öğrenmesi konularını basitleştirme için) ve Lex Fridman (alanın önde gelen isimleriyle röportajlar için) gibi kanallar, öğrenmeyi daha eğlenceli hale getirir.

Yapay Zeka Öğrenme Yol Haritanız: Nereden Başlamalısınız?

Bu kadar çok kaynak karşısında nereden başlayacağınızı şaşırmış olabilirsiniz. İşte size adım adım bir yol haritası:

Adım 1: Temelleri Sağlamlaştırın. Python programlama diline hakim olun. Temel lineer cebir, kalkülüs ve olasılık istatistiği konularını anladığınızdan emin olun. Bu konular için de Khan Academy gibi ücretsiz kaynaklar mevcuttur.
Adım 2: Makine Öğrenmesine Giriş Yapın. Kaggle’ın mikro kursları ile veya Google’ın “Machine Learning Crash Course” ile temel makine öğrenmesi kavramlarını (denetimli/denetimsiz öğrenme, regresyon, sınıflandırma) öğrenin.
Adım 3: Derin Öğrenmeye Dalın. Fast.ai kursu ile pratik derin öğrenmeye başlayın. Aynı anda Hugging Face kursu ile NLP’ye odaklanabilirsiniz. Bu iki platform, teoriyi pratikle birleştirmenin en iyi yoludur.
Adım 4: Uygulayın ve Portfolyo Oluşturun. Kaggle‘da yarışmalara katılın veya kendi ilgi alanınıza yönelik projeler geliştirin. Yaptığınız projeleri GitHub’da yayınlamak, gelecekteki işverenler için en iyi referansınız olacaktır.
Adım 5: Asla Durmayın. Yapay zeka alanı sürekli değişiyor. Twitter’da alanın uzmanlarını takip edin, Papers with Code üzerinden yeni makaleleri takip edin ve öğrendikçe açık kaynak projelere katkıda bulunmaya çalışın.

Geleceği Şekillendiren Güç Elinizde

Açık kaynak AI eğitim platformları, bilgiyi demokratikleştirerek herkesin potansiyelini ortaya çıkarmasını sağlıyor. Fast.ai’nin sadeleştirici gücü, Kaggle’un rekabetçi ve iş birlikçi ruhu, Hugging Face’in çığır açan ekosistemi ve daha niceleri… Bu araçlar, yapay zekanın sadece birkaç seçkinin değil, merak eden herkesin alanı olabileceğini kanıtlıyor.

Bu platformlar size sadece bilgi vermez; size size özgüven verir, pratik beceriler kazandırır ve sizi küresel bir topluluğun parçası yapar. Önemli olan ilk adımı atmaktır. Bu makalede bahsedilen platformlardan birini seçin, ilk notebook’unuzu açın veya ilk ders videonuzu başlatın. Yapay zeka öğrenme yolculuğunuz, bugün, burada, şimdi başlayabilir.

Lütfen Dikkat! Sitemizi kaynak göstermeden kesinlikle alıntı yapmayınız!!!

Kali Linux: Siber Güvenliğin Omurgası mı Yoksa Tek Başına Bir Çözüm mü?
Siber güvenlik dünyasına girenler veya meraklısı olanlar arasında Kali Linux adını duymayan amatör ya da profesyonel neredeyse kimse yoktur. Zaten Siber Güvenlik dendiğinde zihnimizde oluşan ilk gelen görsel de genellikle kapüşonlu bir hacker ve parlayan veya matrixte akan yeşil kod satırlarıdır (hatta filmlerde her zaman gördüğümüz, fare kullanmadan sadece klavye ile hackerlik yapan kullanan kişilerdir).
Donanım Lisanslama Nedir? Açık Kaynak (OSHW) Hareketi ve Ticari Modelleri
Günlük hayatımızda kullandığımız akıllı telefonlardan bilgisayarlarımızın içindeki karmaşık devrelere kadar her fiziksel cihaz, bir dizi hukuki kural ve lisansla korunmaktadır. Çoğu kullanıcı yazılım lisanslarına (EULA, GPL, MIT vb.) aşina olsa da donanım lisanslama nedir, genellikle daha az bilir… Oysa bir donanımın nasıl üretilebileceğini, değiştirilebileceğini, dağıtılabileceğini ve satılabileceğini belirleyen bu yasal çerçeveler, teknoloji dünyasının temel taşlarını
GPU Tabanlı Render Motorları: Blender-Cycles’in Açık Kaynak Optimizasyonları
3D grafik dünyası, yaratıcılığın ve teknolojinin kesişim noktasında yer alır. Modern dijital içerik üretiminde render motorları ve süreçleri, yaratıcı çalışmaların son haline ulaşmasında kritik bir rol oynarlar. Yıllar boyunca fotogerçekçi görseller oluşturma süreci ise yani “render” alma süreci büyük ölçüde işlemcilerin (CPU) omuzlarındaydı. Ancak CPU’lar, karmaşık ve sıralı görevler için mükemmel olsalar da render işleminin
Açık Kaynak İşlemci Mimarileri: RISC-V ile Tasarım ve Üretim
Baştan beridir işlemci dünyası, bir elin parmaklarını geçmeyen global şirketlerin hakimiyetindeydi. Bilgisayarlarımızda x86 (Intel, AMD) ve mobil cihazlarımızda ARM mimarileri, kapalı kapılar ardında geliştirilen yüksek lisans ücretlerine tabi ve “kara kutu” olarak adlandırabileceğimiz tasarımlardı. Bir şirket veya bir geliştirici kendi özel işlemcisini tasarlamak istediğindeyse ya bu devlere yüksek bedeller ödemek ya da sıfırdan, devasa bir
Kubernetes-Native Güvenlik: Pod Security Policies (PSP) Mirası ve OPA/Gatekeeper
Kubernetes (K8s) modern bulut-native uygulamaların dağıtımı, ölçeklenmesi ve yönetimi için endüstri standardı haline geldi. Ancak bu muazzam güç, karmaşık güvenlik zorluklarını da beraberinde getirdi. Konteynerler arası iletişim, ağ politikaları ve pod’ların sistem kaynaklarına erişimi gibi konular, geleneksel güvenlik paradigmalarıyla yönetilmesi zor alanlar yarattı. İşte bu noktada “Kubernetes-native güvenlik” kavramı devreye giriyor. Bu yaklaşım, güvenlik kurallarını
Doğal Dil İşleme (NLP) : spaCy ve Stanza ile Türkçe Metin İşleme
Günümüz dijital çağında, üretilen verinin büyük bir çoğunluğu yapılandırılmamış metinlerden oluşmaktadır. Sosyal medya paylaşımları, müşteri yorumları, e-postalar, haber makaleleri ve akademik yayınlar… tüm bu veriler, doğru analiz edildiğinde paha biçilmez içgörüler sunarlar. Tam da bu noktada Doğal Dil İşleme (Natural Language Processing – NLP) devreye girer. Doğal Dil İşleme (NLP) Devrimi: spaCy ve Stanza ile
Ransomware Saldırı Zincirinin Her Aşamasına Karşı Savunma Stratejileri
Ransomware, günümüzde kurumları ve bireyleri en çok etkileyen siber tehditlerden biridir. Saldırganlar, bu zararlı yazılımı kullanarak kullanıcıların dosyalarını şifreler ve bu dosyalara tekrar erişim sağlamak için fidye talep eder. Ancak bu saldırılar, ani ve plansız bir şekilde gerçekleşmez. Ransomware saldırıları, genellikle belirli bir saldırı zinciri (kill chain) takip eder. Bu makalede, bu zincirin her aşamasına
Dijital Kalenizi Güçlendirin: Kapsamlı Güvenli Kodlama Standartları, OWASP Top 10 ve CI/CD Entegrasyonu Rehberi
Günümüzün dijital dünyasında yazılım artık sadece bir iş aracı değil işin tam da kendisidir. Lakin bu hızlı dijital dönüşüm, benzeri görülmemiş güvenlik risklerini de beraberinde getirmektedir. Güvenli Kodlama Standartları ve CI/CD dışında kalanlara her gün binlerce siber saldırı gerçekleşirken uygulamaların “sadece çalışması” yeterli olmaktan çıkmış; “güvenli çalışması” bir zorunluluk haline gelmiştir. Güvenlik ihlallerinin maliyeti yalnızca
Zero Trust Mimarisinin Temel Bileşenleri ve Kurum İçi Uygulama Adımları
Dijital çağın başlangıcında siber güvenlik, basit ve etkili bir metaforla açıklanırdı: Kale ve Hendek. Kurumun ağı, surlarla çevrili bir kaleydi; güvenlik duvarları (firewall) ise bu surlardı. Zero Trust Mimarisi uygulanmayan ağın içindekiler (çalışanlar, cihazlar) “güvenilir” olarak kabul edilirken, dışarıdakiler “tehlikeli” olarak görülürdü. Bu model, ofis tabanlı çalışma ve yerel sunucuların hakim olduğu yıllarda işe yarıyordu.