Derin sahte görüntüler (deepfake) nedir ve nasıl yapılır?

Şubat 2, 2024
Derin sahte görüntüler (deepfake) nedir ve nasıl yapılır?

Fotoğraflar yalan söylemez derler ama artık bu deyim geçmişte kaldı.

Gerçekle kurgunun iç içe geçtiği bir dünyada, “deepfake” teknolojisi gerçeklik algımızı temelden sarsıyor; bir resmin bin kelimeye bedel olduğu devirde, yaratılan her görüntü artık şüphe ile karşılanır hale geldi.

Zira deepfake’ler, sinematografik efektlerin ötesinde, yapay zeka algoritmalarının yardımıyla varolan insan yüzlerini ve hareketlerini ikna edici derecede taklit ederek yeni bir gerçeklik yaratıyor; böylece halk figürlerinden yakınlarımıza kadar herkes kusursuz bir şekilde bir başkasının bedeninde yeni bir karaktere dönüştürülebiliyor.

Gözler artık aldatılıyor.

Deepfake Teknolojisinin Temelleri

Deepfake, yapay zeka algoritmaları yardımıyla insan yüzlerinin ve davranış modellerinin tespit edilerek, bu verilere dayalı olarak başka bir yüz veya sahne ile birleştirilmesi işlemidir. Temelde iki farklı yapay zeka modelinin kombinasyonuna dayanır: biri gerçekçi yüz ifadeleri oluşturmak üzere eğitilen konvolüsyonel sinir ağları (CNN – Convolutional Neural Networks), diğeri ise bu oluşturulan yüzleri var olan yüzlerle yer değiştirme işini üstlenen otomatik kod çözücüler (autoencoders). Bu süreç, genellikle “eğitim” adı verilen yoğun bir veri işleme ve ayarlama dönemini gerektirir ve yeterli miktarda veri ile doğru eğitim algoritması kullanıldığında, insan gözünü aldatacak düzeyde gerçekçi sahte görüntüler üretilebilmektedir.

Deepfake Nedir?

Deepfake, yapay zeka teknolojisini kullanarak, gerçek kişilerin yüz ve seslerinin başkasıymış gibi manipüle edilmesi sürecidir.

Deepfake’ler, güçlü bilgisayar algoritmalarıyla saniyeler içinde oluşturulabilmekte, gerçeğinden ayırt etmek giderek zorlaşmaktadır.

Bu manipülasyon için önce bol miktarda görüntü ve ses verisi toplanır, sonra bu veriler yapay zeka tarafından analiz edilerek yeni sahneler oluşturulur. Sonuç olarak, var olmayan olaylar veya söylemler tamamen gerçek gibi gösterilebilir.

Gelişen teknoloji ile birlikte deepfake içeriklerinin üretimi daha kolay ve erişilebilir hale gelmiş, bu da hem eğlence sektöründe hem de kötüye kullanım potansiyeli açısından ciddi endişeler yaratmıştır.

Yapay Zekanın Rolü ve Teknik Altyapı

Yapay zeka (YZ), deepfake üretimindeki anahtar teknolojidir ve iki ana YZ modeli kullanılır: Generative Adversarial Networks (GAN’lar) ve otoenkoderler.

  • GAN’lar: İki ağdan oluşur; biri gerçekçi görüntüler üretirken (generator), diğeri gerçek ile sahte arasındaki farkı ayırt etmeye çalışır (discriminator).
  • Otoenkoderler: Bir görüntüyü sıkıştırmak ve daha sonra sıkıştırılmış bilgiden yineleyerek aynı görüntüyü oluşturmak için kullanılır.
  • Data setleri: Yüksek kalite ve çeşitlilikte veri setleri, ikna edici deepfake’ler üretmek için kritik önem taşır.
  • Yüz tespiti ve takibi: Yüzlerin doğru bir şekilde tespit edilip takip edilmesi, sahteciliğin başarısı için esastır.
  • Çözünürlük ve kalite: Sahte görüntünün çözünürlüğü ve kalitesi, realistik etki için önemli faktörlerdendir.

Bu teknolojiler, mükemmel seviyede senkronizasyon ve görsel sahtecilik sağlamak için beraber kullanılır.

Son birkaç yılda YZ algoritmalarında meydana gelen ilerlemeler, çok gerçekçi deepfake’lerin yaratılmasına olanak tanımıştır. Bu gelişmeler, aynı zamanda YZ etiği ve güvenliği konusunda ciddi tartışmaları da beraberinde getirmiştir.

Gerçekçilik İllüzyonunun Oluşturulma Süreci

Gerçekçilik illüzyonu, yetkin bir algoritma ve zengin veri seti kullanımıyla hassas bir şekilde oluşturulabilir.

  1. Veri Seti Hazırlığı: Geniş ve çeşitli bir veri setinin hazırlanması, gerçeğe en yakın sonuçların elde edilmesi için başlangıç noktasıdır.
  2. Algoritma Eğitimi: Seçilen YZ modeli (örneğin GAN), sahte görüntüler üretme ve gerçekle sahteyi ayırt etme yeteneğini geliştirene kadar eğitilir.
  3. Yüz Tespiti ve Takibi: Gerçek yüz ve sahte yüz arasındaki geçişi doğal yapmak için yüz tespit ve takip sistemleri kullanılır.
  4. Görsel İyileştirme: Üretilen deepfake’in çözünürlüğü ve kalitesi, gerçekçilik hissini artırmak adına iyileştirilir.
  5. Senkronizasyon ve İnce Ayar: Ses ve görüntü senkronizasyonu, mimik takibi gibi detaylar incelikle ayarlanarak illüzyonun bütünleşmesi sağlanır.
    Bu süreç, derin sahte görüntülerin ikna edici ve ayırt edilmesi güç hâle gelmesini mümkün kılar.

Etkileşimli bir gerçekçilik oluşturmak, sürecin her adımında maksimum dikkat ve titizlik gerektirir.

Deepfake Üretim Sürecinin Aşamaları

Derin öğrenme teknikleri kullanılarak başlatılan süreç, yaptay zeka (YZ) modelleri ile sahte görüntüler yaratılmasını sağlar. Bu modeller, genellikle Generative Adversarial Networks (GAN) gibi karmaşık algoritmalar içerir.

Öncelikle, gerçekçi deepfake görüntüler üretebilmek için, geniş ve çeşitli veri setleri hazırlanır ve bu verilerle YZ modeli eğitilir. Bu süreçte, modelin mevcut yüz ifadelerini kavraması ve yeni yüz ifadeleri üretme yeteneğini geliştirmesi amaçlanır. Sonra, hedef kişinin yüz özelliklerini ve mimiklerini taklit eden sahte görüntüler oluşturulmaya başlanır.

Son olarak, deepfake’in doğal görünmesi için yüz tespit, takip teknolojileri ve görsel iyileştirme metodları kullanılır ve detaylı bir ince ayar sürecine girilir. Bu incelemeyle, oluşturulan sahte görüntülerin orijinalinden ayırt edilmesi oldukça zorlaşır.

Veri Toplama ve Hazırlama

Veri toplama, deepfake üretiminin temelini oluşturur ve hassas bir süreçtir. Yeterli ve kaliteli veriler elde edilmesi, sonuçların gerçekçiliğini doğrudan etkiler.

  1. Kaynak Belirleme: Deepfake yaratılacak kişinin, çeşitli açılardan ve mimiklerde yüksek çözünürlüklü fotoğraflarını ve videolarını içeren bir kaynak havuzu belirlenmelidir.
  2. Veri Çeşitliliği: Yaratılacak deepfake’in doğallığını artırmak için, farklı ışıklandırma koşulları ve arka planlar içeren veriler de toplanmalıdır.
  3. Yüz Tespiti ve İzleme: Kaynak materyallerden hedef kişinin yüzünün doğru bir şekilde tespit edilmesi ve hareketlerinin izlenmesi, daha sonra yapılacak işlemlerin başarısı için kritik önem taşır.
  4. Veri İşleme: Toplanan verilerin, öğrenme modeline uygun formatta işlenmesi ve temizlenmesi, YZ modellerinin doğru eğitilmesi açısından gerekli bir adımdır.
  5. Eğitim Kümeleri Oluşturma: Eğitim süreci için özgün ve sahte verileri içerecek şekilde eğitim veri kümelerinin oluşturulması modelin daha etkin öğrenmesini sağlar.
    Model eğitim süreci için gerekli veri setlerinin hazırlanması bu aşamada tamamlanmış olur.

Derin sahte görüntülerin üretimi için titizlikle hazırlanmış veri setleri, YZ modelinin eğitiminde kritik bir rol oynar.

Model Eğitimi ve Öğrenme Mekanizmaları

Derin öğrenme modellerinin eğitimi, çok sayıda verinin işlenmesi ve analiz edilmesini gerektirir. Bu süreç, modelin karmaşık örüntüleri tanıyabilmesi için esastır.

  • Konvolüsyonel Sinir Ağları (CNN): Görüntü işlemede başat rol oynar.
  • Tekrarlayan Sinir Ağları (RNN): Zaman serisi verilerini işlemede tercih edilir.
  • Generative Adversarial Networks (GAN): İki ayrı ağın (oluşturucu ve ayırt edici) birbiriyle rekabet etmesine dayanır.
  • Uyarlamalı oranlama stratejileri: Modelin eğitim sürecindeki verimliliğini artırır.
  • Çift yönlü LSTM (Long Short-Term Memory): Karmaşık veri dizilerinde uzun süreli bağlantıları öğrenir.

Bu mekanizmalar, modellerin eğitildiği ve kendi başlarına öğrenme becerileri geliştirdikleri anlamına gelir.

Yüksek kaliteli deepfake üretimi için bu modellerin doğru ve kapsamlı bir şekilde eğitilmesi şarttır.

Videonun İyileştirilmesi ve Düzenlenmesi

Deepfake teknolojisi, videoların kalitesini iyileştirmek için çeşitli teknikler kullanır. Suni zeka destekli bu süreç, videonun gerçekçiliğini artırmak adına kritik bir öneme sahiptir.

Görüntü kalitesinin artırılması, piksel düzeyinde detaylandırma ve gerçek zamanlı kare düzeltmeleri gibi işlemleri içerir. Renk düzenlemesi, cilt tonu farklılıklarının giderilmesi, aydınlatma ve gölge etkileşimlerinin optimize edilmesi, video içeriğinin daha doğal ve gerçekçi görünüm kazanmasını sağlar. Hassas düzenleme teknikleri, mevcut video materyalini daha inandırıcı ve etkileşimli hale getirecek şekilde değerlendirilir.

Öte yandan, videonun düzenlenmesi aşamasında zaman çizelgesi üzerindeki düzensizliklerin giderilmesi ve akışın düzgünleştirilmesi de gereklidir. Yüz ifade geçişleri, hareket sürekliliği ve karakter eşleştirmeleri üzerinde yapılan detaylandırmalar, videonun doğal bir izlenime sahip olmasını temin eder. Bu işlemler, izleyiciler üzerindeki psikolojik etkinin güçlendirilmesi açısından da önemlidir.

Nihayetinde, videonun iyileştirilmesi ve düzenlenmesi aşamaları, deepfake teknolojisinin temel unsurlarından biridir. Kullanılan algoritmalar, yalnızca görüntü ve ses kalitesini değil, aynı zamanda videoyu son derece gerçekçi kılan küçük detayların üzerinde de çalışır. Bitirilmiş ürün, sıklıkla, bir uzman gözüyle bile ayırt etmek için incelikli analiz gerektiren bir yapay gerçekliğe dönüşür, bu da teknolojinin ilerlemesinin ve potansiyelinin altını çizer.

Deepfake Çalışmalarının Pratik Kullanım Alanları

Eğlence sektöründe, gerçek karakterlerin yerine sanal karakterlerin kullanılmasıyla maliyetler düşürülebilmekte ve yaratıcılık sınırlandırılmamaktadır. Özel efektler, deepfake teknolojisi ile daha etkileyici hale gelmektedir.

Sanayi ve eğitim sektörlerinde ise, mesleki eğitim ve simülasyonlar için deepfake teknolojisi kullanılarak gerçeğe yakın deneyimler sunulmakta, bu da öğrenme süreçlerini daha etkili kılmaktadır. Ayrıca, ürün demonstrasyonları ve pazarlama aktivitelerinde de deepfake’lerin yeri giderek artmaktadır.

Güvenlik ve asayiş alanında sahteciliğin tespiti için deepfake oluşturulan senaryolar, kurumların tespit ve müdahale kabiliyetlerini güçlendirmektedir.

Eğlence Sektöründeki Uygulamalar

Sinema endüstrisinde derin sahte görüntüler, özellikle hayatını kaybetmiş aktörlerin var olan veya yeni filmlerdeki sahnelerini canlandırmak için kullanılıyor. Bu teknoloji sayesinde, seyirciler geçmişin ikonik figürlerini tekrar beyaz perdede görebiliyor.

Hollywood filmlerinde karşımıza çıkan tarihi karakterlerin veya gençleştirilmesi gereken karakterlerin canlandırılmasında derin sahte görüntü teknolojisi devreye giriyor. Bu yöntemle, yaşlandırma veya gençleştirme makyajının sınırlarını aşan, gerçeğe çok daha yakın sahneler oluşturulabiliyor. Orijinal karakterlerin birebir taklit edilmesi, üretim maliyetlerini düşürürken, esneklik ve yaratıcı özgürlüğü artırıyor.

Müzik endüstrisinde ise, ölen sanatçıların hologram konserlerini mümkün kılan deepfake teknolojiler, sanatçının ses ve görüntüsünü kullanarak hayranlarını yeniden buluşturuyor. Bu sayede, sanatçıların mirası yeni nesillere aktarılıyor ve unutulmaz bir deneyim sunuluyor.

Reklam sektöründe ise derin sahte görüntü teknolojisi, tanınmış kişiliklerin onayı olmadan bile onların görüntülerini kullanarak etkileyici reklam kampanyaları yaratma imkanı tanıyor. Bu tür uygulamalar etik ve hukuki soruları beraberinde getirse de, güçlü etki yaratma ve tüketici ilgisini çekme potansiyelleri yadsınamaz. Ancak bu tekniklerin kullanımında telif hakları ve sahte haber risklerine karşı dikkatli olunması gerekiyor.

Eğitim ve Sanal Simülasyonlar

Derin sahte görüntüler, eğitim alanında gerçekçi simülasyonlar oluşturarak öğrenme deneyimini dönüştürebilir. Öğrencilerin veya profesyonellerin kompleks senaryolarla uygulamalı olarak eğitim alabilmelerini sağlamaktadır.

Yüksek riskli meslek grupları için geliştirilen sanal simülasyonlar, deepfake teknolojisinin dikkat çekici bir uygulama alanıdır. Özellikle sağlık, havacılık ve askeriye gibi sektörlerde, kritik durumlar karşısında görevlilerin pratik yapabilmesi için ultra gerçekçi simülasyon ortamları yaratılabilir. Bu simülasyonlar, kaza veya acil durumlar gibi olağan dışı ve kontrol edilmesi zor senaryoları, güvenli bir çevrede deneyimleme imkanı sunar.

Oluşturulan bu sanal ortamlar, bireysel beceri gelişimi için idealdir ve karmaşık karar verme süreçlerini, pratik yaparak öğrenmeyi ve hızlı tepki mekanizmalarını güçlendirir. Ayrıca, simülasyon süreci, gerçek dünya senaryolarını taklit ederek, deneyim kazanılmasını ve teorik bilginin pratiğe dökülmesini kolaylaştırır.

Son olarak, derin sahte görüntü teknolojisi sayesinde, kültürel olarak değişken insan etkileşimleri içeren senaryoları da içeren eğitimsel içerikler geliştirilebilir. Bu yöntemle, öğrencilerin farklı kültürlerden insanlarla etkileşimlerini simüle edip, bu etkileşimlere adaptasyon becerilerini artırmalarına olanak tanınır. Böylece, derin öğrenme metodolojilerinin yanında, insan psikolojisine uygun eğitim modelleri de entegre edilebilmekte, gelişmiş eğitim çözümleri üretilebilmektedir.

Olası Tehlikeler ve Suistimal Riskleri

Derin sahte teknolojisinin suistimali, bireysel mahremiyetin ihlal edilmesine yol açabilir. Kişilerin rızası olmadan üretilen görüntüler, itibarlarını zedeleyebilir.

Siber dolandırıcılık faaliyetleri, gerçeğinden ayırt edilmesi güç derin sahte görüntüler kullanılarak daha ikna edici hale gelebilir. Finansal dolandırıcılık, şantaj gibi suçların işlenmesinde bu teknoloji araç olarak kullanılabilir.

Yanlış bilgi yayma ve propaganda amacıyla devletlerarası ilişkilerde kullanılmak üzere derin sahte görüntüler üretilebilir. Bu da uluslararası düzeyde ciddi sorunlara ve gerilimlere yol açabilir.

Sosyal medya platformları üzerinde derin sahte içeriklerin yayılması, toplumun farklı kesimleri arasında yanlış algı oluşturarak kutuplaşma yaratabilir. Özellikle siyasi ve sosyal içerikli sahte bilgilerin yayılması büyük tehlike arz eder.

Bu tür suistimaller, siber güvenlik uzmanlarının yeni savunma mekanizmaları geliştirmesinin önemini artırıyor. Sistemlerin bu tehditleri erkenden tespit etmeleri hayati rol oynar. Deepfake teknolojisinin tehlikeleri hakkında bilinçlenmek ve bu tehditlere karşı nasıl korunacağınızı öğrenmek için ‘Siber Güvenlik Eğitimi: Sektörde Uzmanlaşın‘ makalemizi inceleyebilirsiniz.

Deepfake Tespiti ve Önleme Yöntemleri

Deepfake tespiti, genellikle yapay zekâ (AI) tabanlı algoritmalar kullanılarak gerçekleştirilir. Bu algoritmalar, gerçek insan davranış ve yüz ifadelerinin derin öğrenme modelleri ile incelenmesi sonucu oluşur ve anormal hareketler, tutarsız göz kırpma oranları gibi sapmaları belirleyerek sahte görüntüleri ayırt etmekte kullanılır. Diğer yöntemler arasında, görüntünün üretildiği yazılımın izlerini saptamayı amaçlayan dijital parmak izi (digital fingerprinting) teknikleri bulunmaktadır.

Yapay zekânın hızla gelişimi, deepfake içeriklerinin tespitinde kullanılan yöntemleri de sürekli olarak yenilemektedir. Öte yandan, bu içeriklerin yayılmasını önlemek adına sosyal medya platformları ve haber kaynakları, görsel doğrulama (visual verification) ve kaynak analizi yaparak içeriklerin gerçekliğini değerlendirme sorumluluğu üstlenmektedir. Bu bağlamda, devletler ve regülatör kurumlar tarafından, deepfake içeriklerinin kötüye kullanımını engellemeyi hedefleyen yasal düzenlemelerin hayata geçirilmesi ve farkındalık yaratıcı eğitim programlarının düzenlenmesi gerekliliği öne çıkmaktadır.

Otomatik Tespit Yazılımları

Otomatik tespit yazılımları, deepfake görüntülerin analizi için geliştirilmiş algoritmalar ve araçlar bütünüdür. Bu yazılımlar, yapay zeka tekniklerinden yararlanarak görsel ve işitsel verileri detaylı bir şekilde incelerler, böylelikle deepfake ürünlerini tespit edebilirler.

Derin öğrenme tabanlı bu sistemler, gerçekçi olmayan davranış kalıplarını belirleyebilir. Örneğin, yüz kas hareketlerindeki anomaliler veya konuşma senkronlarında meydana gelen dengesizlikler bu yazılımlar tarafından tespit edilebilir.

Görüntü çözünürlüğündeki tutarsızlıklar, kurgusal ve gerçek bölgeler arasındaki sınırlarda bulunan kusurlar (sınırların belirsizliği, renk geçişleri gibi) yazılımların dikkatle incelediği özellikler arasındadır. Bu tür analizler, deepfake videoların ortaya çıkardığı tehditlere karşı önemlidir.

Yenilikçi otomatik tespit yazılımları, ayrıca deepfake kaynaklı manipülasyonu ortadan kaldırmak için kullanıcılarla interaktif araçlar sunar. Kullanıcılar, şüpheli içerikleri bu yazılımlar aracılığıyla analiz edebilir, böylelikle hem bireysel olarak hem de kolektif bilinç düzeyinde sahtekârlıklarla mücadele edebilir.

Bunun yanı sıra, dijital ortamlarda yayın güvenliğini sağlamak amacıyla kurumsal itibar yönetimi araçlarına entegre edilen bu tespit yazılımları, ticari kaygı ve güvenlik politikalarının bir parçasıdır. Kurumlar, müşterileri ve kendilerine yönelik deepfake tehditlerine karşı bu yazılımlarla savunma hattı kurabilirler.

Ancak, derin öğrenme ve yapay zeka teknolojilerinin sürekli evrim geçirmesi dolayısıyla, tespit yazılımlarının da sürekli güncellenmesi ve iyileştirilmesi zorunludur. Aksi halde, gelişen deepfake teknolojileri karşısında savunmasız kalınabilir ve ciddi güvenlik riskleri ortaya çıkabilir.

Deepfake Karşıtı Politikalar ve Uygulamalar

Derin sahte içeriklerin yayılmasını engellemek için hükümetler ve özel sektör, özel politikalar geliştiriyor. Bu politikalar genellikle yasal sınırlamalar, etik ilke bildirgeleri ve toplumsal farkındalık çalışmalarını içeriyor.

Siber güvenlik standartlarını yükseltmek amacıyla düzenleyici kuruluşlar harekete geçmiştir. Sunulan yasa tasarıları, deepfake üretimini ve dağıtımını denetim altına almayı hedefler.

Ülkeler, deepfake ile mücadelede ulusal güvenlik stratejisi geliştirirken, uluslararası iş birliği de hayati önem taşır. Sınır ötesi veri aktarımını denetleyen mekanizmalarda bu teknolojinin izlenmesi vurgulanmaktadır.

Sosyal medya platformları ve büyük teknoloji firmaları da deepfake içerikleri filtreleyen etik kurallar oluşturmuşlardır. Kullanıcıların raporlama mekanizmalarını güçlendirerek sahte içerikleri tespit etmelerine olanak sağlamaktadırlar.

Yapay zeka destekli doğrulama araçları, kullanıcıların hızla yayılan deepfake içeriklerini ayırt edebilmeleri için geliştirilmektedir. Bu araçlar, görüntü ve ses veritabanları ile karşılaştırma yaparak sahteciliği tespit etme kapasitesine sahiptir.

Ayrıca, derin öğrenme teknikleri kullanılarak deepfake karşıtı yazılımların kendilerini güncelleyebilmesi kritik bir öneme sahiptir. Bu sayede, sürekli gelişen sahtecilik metotlarına karşı daha dirençli bir savunma mekanizması kurulabilir.

Farkındalık Yükseltme ve Bilinçlendirme Çalışmaları

Derin sahte görüntülerin tehlikeleri göz ardı edilemez.

Derin sahte görüntülerle mücadelede farkındalık yaratmak ve bilgi paylaşımını teşvik etmek temel bir öneme sahip olup, bu süreç toplumu aydınlatmak ve sahte içeriklere karşı uyanık olmalarını sağlamak için kritiktir. Sahteciliği anlama, tespit etme ve mücadele yöntemleri en etkili savunma yöntemleri arasındadır.

Bilinç düzeyi her geçen gün artıyor.

Eğitim programları ve atölye çalışmaları, deepfake içeriklerinin yaratılış sürecinden savunma tekniklerine kadar geniş bir yelpazede bilgi sunmayı hedefler. Bilinçlendirme, teknik becerilerin öğretimi ile birlikte ele alınmalıdır.

Bireylerin, karşılaştıkları dijital içerikleri sorgulama alışkanlığı kazanmaları gerekmektedir. Bu, özellikle gençler arasında dijital okuryazarlığı artırarak onların manipülatif içeriklere karşı daha dirençli hâle gelmelerini sağlayacak, sosyal medya ve internet ortamında sağlıklı bir şüphecilik duygusu geliştirmelerine yardımcı olacaktır.

Siber Tehdit İstihbaratı kursu, siber güvenlik becerilerinizi geliştirmek ve derin sahte görüntüler gibi tehditleri daha iyi anlamak için harika bir kaynak olabilir. Kurs hakkında daha fazla bilgi için buraya tıklayabilirsiniz.

Faruk Ulutaş

Faruk Ulutaş, siber güvenlik alanında derinlemesine bir uzmanlıkla donanmış bir bilgisayar mühendisidir. Kapsamlı programlama diline hakimiyeti ve geniş tecrübesi ile çeşitli siber güvenlik projelerinde yer alıp başarılı sonuçlar elde etmiştir. Çeşitli hackathon, kodlama maratonları ve Capture The Flag (CTF) yarışmalarında, hem yurt içinde hem de yurt dışında, gösterdiği üstün performansla sıkça ön plana çıkmıştır. Ayrıca, küresel ölçekte faaliyet gösteren bazı büyük şirketlerin siber güvenlik sistemlerinde kritik güvenlik açıklıklarını başarıyla belirlemiştir. Üstlendiği projelerde kullanıcı güvenliğini sağlamak ve siber saldırılara karşı koymak için çözüm üretme konusunda büyük bir yetenek sergilemiştir. Ulutaş, CyberSkillsHub üzerindeki rolü ile birlikte, öğrencilere kendi deneyimlerini ve bilgilerini aktararak siber güvenlik konusunda yeteneklerini geliştirmelerine yardımcı olmayı hedeflemektedir.