Kubernetes Üzerinde Yapay Zeka Ajanları Oluşturma: Kagent ve Amazon Bedrock Kurulum Rehberi

Kubernetes Üzerinde Yapay Zeka Ajanları Oluşturma: Kagent ve Amazon Bedrock Kurulum Rehberi

Yapay zeka ajanları, günümüzün hızla gelişen teknoloji dünyasında giderek daha kritik bir rol oynamaktadır. Karmaşık görevleri otomatize etme, karar verme süreçlerini optimize etme ve insan-bilgisayar etkileşimini dönüştürme potansiyeline sahip bu otonom sistemler, işletmeler için yeni ufuklar açmaktadır. Ancak, bu ajanları ölçeklenebilir, güvenilir ve yönetilebilir bir şekilde dağıtmak, özellikle büyük dil modellerinin (LLM) entegrasyonu söz konusu olduğunda önemli zorlukları beraberinde getirir. Bu makale, Kubernetes’in gücünü Kagent ile birleştirerek ve Amazon Bedrock’un zengin temel model yelpazesinden faydalanarak yapay zeka ajanlarını nasıl etkili bir şekilde kurup yöneteceğinizi detaylı bir şekilde açıklayacaktır.

Yapay Zeka Ajanları ve Ölçeklendirme İhtiyacı

Yapay zeka ajanları, belirli hedeflere ulaşmak için ortamlarını algılayan, bilgi işleyen ve eylemler gerçekleştiren otonom yazılım varlıklarıdır. Geleneksel yazılımların aksine, ajanlar genellikle dinamik ortamlarda çalışır, öğrenme yeteneğine sahiptir ve karmaşık görevleri yerine getirmek için birden fazla adımı koordine edebilirler. Bu özellikleri onları müşteri hizmetlerinden finansal analize, sağlık hizmetlerinden lojistiğe kadar geniş bir yelpazede uygulamalar için ideal kılar.

Yapay Zeka Ajanlarının Temelleri

Bir yapay zeka ajanı genellikle şu bileşenlerden oluşur: bir algılayıcı (sensör) ile çevresinden veri toplar, bir muhakeme motoru (reasoning engine) ile bu verileri işler ve karar verir, bir hafıza ile geçmiş deneyimlerini saklar ve bir eylemci (actuator) ile çevresinde değişiklikler yapar. Büyük Dil Modelleri (LLM’ler), bu muhakeme motorunun ve hatta hafıza bileşeninin temelini oluşturarak ajanlara doğal dil anlama, üretme ve karmaşık problem çözme yetenekleri kazandırır.

Ölçeklenebilirlik Neden Önemli?

Bir yapay zeka ajanı tek başına etkileyici olabilir, ancak gerçek dünya uygulamalarında genellikle yüzlerce, hatta binlerce ajanın eş zamanlı olarak çalışması gerekir. Örneğin, bir e-ticaret platformu binlerce müşteriye aynı anda hizmet veren yapay zeka destekli sohbet botlarına ihtiyaç duyabilir. Bu senaryolarda ölçeklenebilirlik, sistemin artan talebi karşılayabilmesi, performanstan ödün vermeden daha fazla iş yükünü kaldırabilmesi anlamına gelir. Yüksek trafik anlarında bile hızlı yanıt süreleri sağlamak ve maliyetleri optimize etmek için ölçeklenebilirlik kritik öneme sahiptir.

Geleneksel Dağıtım Zorlukları

Geleneksel sunucu tabanlı veya sanal makine tabanlı dağıtım yöntemleri, yapay zeka ajanlarının dinamik ve ölçeklenebilir gereksinimlerini karşılamakta zorlanabilir. Kaynak tahsisi, yük dengeleme, otomatik ölçeklendirme, arıza toleransı ve sürüm yönetimi gibi konular, manuel olarak yönetildiğinde karmaşık ve zaman alıcı hale gelir. Özellikle LLM’ler gibi kaynak yoğun modellerle çalışırken, bu zorluklar daha da artar ve geliştiricilerin ana işlerine odaklanmasını engeller.

Kubernetes’in Gücü: Neden Kagent ile Birlikte?

Kubernetes, konteynerli iş yüklerini ve hizmetlerini otomatikleştirmek, dağıtmak, ölçeklendirmek ve yönetmek için açık kaynaklı bir platformdur. Yapay zeka ajanlarının dağıtımındaki geleneksel zorluklara güçlü bir çözüm sunar.

Kubernetes’in Temel Avantajları

• Otomatik Ölçeklendirme: İş yüküne göre otomatik olarak yeni ajan örnekleri başlatabilir veya mevcutları durdurabilir.
• Yüksek Erişilebilirlik: Bir ajanın veya sunucunun arızalanması durumunda, Kubernetes otomatik olarak yeni bir örnek başlatarak hizmet kesintisini önler.
• Kaynak Yönetimi: Her ajanın ihtiyaç duyduğu CPU, bellek ve GPU gibi kaynakları etkin bir şekilde tahsis eder ve yönetir.
• Hizmet Keşfi ve Yük Dengeleme: Ajanlar arasındaki iletişimi kolaylaştırır ve gelen istekleri çalışan ajanlara eşit şekilde dağıtır.
• Taşınabilirlik: Konteynerler sayesinde ajanlar, geliştirme ortamından üretime, farklı bulut sağlayıcılarına veya şirket içi altyapıya kolayca taşınabilir.

Kagent Nedir ve Ne İşe Yarar?

Kagent, Kubernetes üzerinde yapay zeka ajanlarını yönetmek için özel olarak tasarlanmış bir çerçevedir. Geliştiricilerin, ajanların yaşam döngüsünü (oluşturma, dağıtma, güncelleme, silme) Kubernetes’in yerel mekanizmalarıyla entegre bir şekilde yönetmelerini sağlar. Kagent, ajanların durumunu izler, kaynaklarını optimize eder ve farklı temel modellerle (örneğin Amazon Bedrock) sorunsuz bir şekilde etkileşim kurmalarına olanak tanır. Kagent, temelde bir Kubernetes Operatörü olarak çalışır ve özel kaynak tanımları (Custom Resource Definitions – CRD) kullanarak ajanları bir Kubernetes objesi gibi ele almamızı sağlar.

Kagent’in Kubernetes Entegrasyonu

Kagent, Kubernetes API’sini kullanarak ajanları yönetir. Bir geliştirici bir Kagent CRD’si tanımladığında, Kagent Operatörü bu tanımı algılar ve buna göre Kubernetes pod’ları, servisleri ve diğer kaynakları oluşturur. Bu entegrasyon, ajanların Kubernetes ekosisteminin tüm avantajlarından (otomatik ölçeklendirme, sağlık kontrolleri, ağ politikaları vb.) faydalanmasını sağlar. Ayrıca, Kagent, ajanların dış servislerle (bu durumda Amazon Bedrock) güvenli bir şekilde iletişim kurması için gerekli yapılandırmaları ve kimlik doğrulama mekanizmalarını da yönetebilir.

Amazon Bedrock: Temel Modeller ve Yönetilen Servisler

Amazon Bedrock, önde gelen temel modelleri (Foundation Models – FM) tek bir API aracılığıyla erişilebilir kılan, tam olarak yönetilen bir hizmettir. Bu, geliştiricilerin farklı LLM’leri kolayca denemesine, dağıtmasına ve ölçeklendirmesine olanak tanır.

Amazon Bedrock’a Giriş

Bedrock, Amazon’un kendi Titan modelleri de dahil olmak üzere, Anthropic’in Claude’u, AI21 Labs’ın Jurassic’i, Cohere’ın Command ve Embed’i gibi çeşitli popüler temel modellere erişim sağlar. Bu modeller, metin oluşturma, özetleme, çeviri, soru yanıtlama ve hatta kod oluşturma gibi geniş bir yelpazede görevleri yerine getirebilir. Bedrock, modelleri yönetmek için gerekli altyapıyı soyutlayarak, geliştiricilerin model seçimi ve uygulama mantığına odaklanmasını sağlar.

Desteklenen Temel Modeller

Bedrock’un en büyük avantajlarından biri, farklı LLM’ler arasında kolayca geçiş yapabilme yeteneğidir. Her modelin kendine özgü güçlü yönleri ve kullanım durumları vardır. Örneğin:

• Anthropic Claude: Uzun metinleri anlama ve üretme, karmaşık muhakeme gerektiren görevler için idealdir.
• Amazon Titan: Metin oluşturma, özetleme ve sohbet botları için optimize edilmiş modeller sunar.
• AI21 Labs Jurassic: Çok dilli yetenekleri ve gelişmiş metin üretimi ile öne çıkar.
• Cohere Command: İş odaklı metin üretimi ve anlama için tasarlanmıştır.

Bu çeşitlilik, Kagent ile entegre edildiğinde, ajanlarınızın belirli görevler için en uygun modeli dinamik olarak seçmesine veya farklı modelleri bir arada kullanmasına olanak tanır.

Bedrock’un Kurumsal Kullanım Avantajları

• Kolay Erişim: Tek bir API uç noktası üzerinden birden fazla temel modele erişim.
• Tamamen Yönetilen: Altyapı yönetimi, ölçeklendirme ve güvenlik Amazon tarafından sağlanır.
• Özelleştirme: Kendi verilerinizle temel modelleri ince ayar yapma (fine-tuning) yeteneği.
• Güvenlik ve Gizlilik: Verilerinizin gizliliğini ve güvenliğini sağlamak için AWS’nin güvenlik standartlarını kullanır.
• Maliyet Etkinliği: Kullandıkça öde modeli sayesinde yalnızca tüketilen kaynaklar için ödeme yapılır.

Kagent ve Amazon Bedrock Entegrasyonu: Mimari ve Akış

Kagent ve Amazon Bedrock’un birleşimi, Kubernetes üzerinde güçlü ve ölçeklenebilir yapay zeka ajanları oluşturmak için sağlam bir mimari sunar.

Entegrasyon Mimarisi

Temel mimari şu şekildedir:

1. Kubernetes Kümesi: Kagent Operatörünün ve ajan pod’larının çalıştığı temel altyapı.
2. Kagent Operatörü: Kubernetes’teki ajan kaynak tanımlarını (CRD) izler ve ajan pod’larını yönetir.
3. Ajan Pod’ları: Her bir ajan, Kagent tarafından yönetilen bir veya daha fazla Kubernetes pod’u içinde çalışır. Bu pod’lar, ajanın iş mantığını ve Bedrock API’si ile etkileşim kodunu içerir.
4. AWS IAM Rolleri/Kimlik Bilgileri: Ajan pod’larının Bedrock API’sine güvenli bir şekilde erişmesini sağlamak için kullanılır.
5. Amazon Bedrock: Temel modelleri barındıran ve ajanlara API üzerinden erişim sağlayan AWS hizmeti.

Bu yapı, ajanların Kubernetes’in ölçeklendirme ve yönetim yeteneklerinden faydalanırken, Bedrock’un sunduğu geniş LLM yelpazesine kolayca erişmesini sağlar.

Veri Akışı ve Etkileşim

Bir yapay zeka ajanı, bir görevi yerine getirirken şu adımları izleyebilir:

1. Giriş Alma: Ajan, bir kullanıcıdan veya başka bir sistemden bir girdi (örneğin, bir metin sorgusu) alır.
2. İşleme İsteği: Ajanın iş mantığı, bu girdiyi Bedrock’taki bir temel modele göndermek üzere hazırlar. Bu, bir prompt oluşturma veya bağlam ekleme adımlarını içerebilir.
3. Bedrock API Çağrısı: Ajan pod’u, AWS SDK’sını kullanarak Bedrock API’sine bir çağrı yapar. Bu çağrı, seçilen temel modeli (örneğin, anthropic.claude-v2) ve prompt’u içerir.
4. Model Yanıtı: Bedrock, isteği işler ve seçilen modelden gelen yanıtı ajana geri döndürür.
5. Yanıt İşleme ve Eylem: Ajan, modelden gelen yanıtı işler (örneğin, özetler, ayrıştırır) ve buna göre bir eylem gerçekleştirir veya kullanıcıya bir çıktı sunar.

Güvenlik ve Kimlik Doğrulama Mekanizmaları

Ajanların Bedrock’a güvenli bir şekilde erişmesi kritik öneme sahiptir. AWS ortamında bu genellikle IAM (Identity and Access Management) rolleri aracılığıyla sağlanır. Kubernetes’te çalışan pod’ların AWS kaynaklarına erişimi için genellikle IRSA (IAM Roles for Service Accounts) kullanılır. Bu, her bir Kubernetes Service Account’ına belirli bir IAM rolü atayarak, o Service Account’ı kullanan pod’ların ilgili AWS kaynaklarına (bu durumda Bedrock) erişim yetkisi kazanmasını sağlar. Bu sayede, hassas AWS kimlik bilgilerini pod’ların içine gömmeye gerek kalmaz.

Kurulum Rehberi: Kagent ve Bedrock’u Kubernetes’e Dağıtma

Bu bölümde, Kagent’i Kubernetes kümenize kurmak ve Amazon Bedrock ile entegre etmek için adım adım bir rehber sunulmaktadır.

Ön Koşullar ve Hazırlıklar

• Aktif bir AWS hesabı.
• AWS CLI’nin kurulu ve yapılandırılmış olması.
• Kubernetes kümesi (örneğin, Amazon EKS).
• kubectl ve helm CLI araçlarının kurulu olması.
• Bedrock hizmetine erişim yetkisi olan bir IAM rolü (veya kullanıcı). Bu rolün bedrock:InvokeModel iznine sahip olması gerekmektedir.

Kubernetes Kümesi Kurulumu (Kısa)

Eğer bir Kubernetes kümeniz yoksa, Amazon EKS (Elastic Kubernetes Service) kullanarak kolayca bir küme oluşturabilirsiniz. Örneğin, eksctl aracı ile:

eksctl create cluster --name kagent-bedrock-cluster --region us-east-1 --node-type t3.medium --nodes 2

Bu komut, us-east-1 bölgesinde iki adet t3.medium tipinde düğüme sahip bir EKS kümesi oluşturacaktır.

Kagent'in Dağıtımı

Kagent'i Kubernetes kümenize Helm grafiği kullanarak dağıtabilirsiniz:

1. Kagent Helm deposunu ekleyin:

   helm repo add kagent https://kagent.github.io/helm-charts
   helm repo update

2. Kagent Operatörünü kurun:

   helm install kagent kagent/kagent-operator --namespace kagent-system --create-namespace

   Bu komut, kagent-system adında bir namespace oluşturacak ve Kagent Operatörünü bu namespace'e dağıtacaktır.

3. Kurulumu doğrulayın:

   kubectl get pods -n kagent-system

   Kagent operatör pod'unun çalıştığını görmelisiniz.

Bedrock Erişimi ve API Yapılandırması (IRSA ile)

Kubernetes pod'larınızın Amazon Bedrock'a güvenli bir şekilde erişmesi için IRSA (IAM Roles for Service Accounts) yapılandırması önerilir:

1. OIDC Sağlayıcısını etkinleştirin: EKS kümeniz için bir OIDC (OpenID Connect) sağlayıcısı etkinleştirmeniz gerekir. Eğer zaten etkin değilse, eksctl ile yapabilirsiniz:

   eksctl utils associate-iam-oidc-provider --cluster kagent-bedrock-cluster --approve

2. Bedrock erişimi için IAM rolü oluşturun: Bu rol, bedrock:InvokeModel iznine sahip olmalıdır.

   {
     "Version": "2012-10-17",
     "Statement": [
       {
         "Effect": "Allow",
         "Action": "bedrock:InvokeModel",
         "Resource": "*"
       }
     ]
   }

   Bu politikayı içeren bir IAM rolü oluşturun (örneğin, KagentBedrockAccessRole).

3. Kubernetes Service Account ve IAM rolünü ilişkilendirin: Kagent'in kullanacağı Service Account'ı oluşturun ve bu Service Account'ı yukarıda oluşturduğunuz IAM rolü ile ilişkilendirin.

   eksctl create iamserviceaccount \
       --cluster kagent-bedrock-cluster \
       --namespace default \
       --name kagent-bedrock-sa \
       --attach-policy-arn arn:aws:iam::YOUR_AWS_ACCOUNT_ID:policy/KagentBedrockAccessPolicy \
       --approve \
       --override-existing-serviceaccounts

   YOUR_AWS_ACCOUNT_ID ve politika ARN'sini kendi bilgilerinizle değiştirin.

Örnek Bir Ajanın Çalıştırılması

Şimdi Kagent kullanarak Amazon Bedrock'u kullanan basit bir yapay zeka ajanı dağıtalım. Aşağıdaki YAML dosyası, Anthropic Claude modelini kullanan bir ajanı tanımlar:

apiVersion: kagent.io/v1alpha1
kind: Agent
metadata:
  name: bedrock-claude-agent
  namespace: default
spec:
  image: "your-agent-image:latest" # Kendi ajan uygulamanızın Docker imajı
  replicas: 1
  serviceAccountName: kagent-bedrock-sa # Bedrock erişimi olan Service Account
  env:
    - name: AWS_REGION
      value: "us-east-1" # Bedrock'un bulunduğu bölge
    - name: BEDROCK_MODEL_ID
      value: "anthropic.claude-v2" # Kullanılacak Bedrock modeli
  ports:
    - containerPort: 8080
      name: http
  # Ajan uygulamanızın Bedrock ile etkileşim kodu 'your-agent-image' içinde olmalı.
  # Örnek Python kodu:
  # import boto3
  # import os
  #
  # bedrock_runtime = boto3.client(
  #     service_name='bedrock-runtime',
  #     region_name=os.environ.get('AWS_REGION', 'us-east-1')
  # )
  #
  # model_id = os.environ.get('BEDROCK_MODEL_ID', 'anthropic.claude-v2')
  # prompt = "Merhaba, nasılsın?"
  #
  # body = json.dumps({
  #     "prompt": f"\n\nHuman: {prompt}\n\nAssistant:",
  #     "max_tokens_to_sample": 300,
  #     "temperature": 0.5,
  #     "top_p": 0.9
  # })
  #
  # response = bedrock_runtime.invoke_model(
  #     body=body,
  #     modelId=model_id,
  #     accept="application/json",
  #     contentType="application/json"
  # )
  #
  # response_body = json.loads(response.get('body').read())
  # print(response_body.get('completion'))

Bu YAML'i uyguladıktan sonra Kagent, belirttiğiniz Docker imajını kullanarak bir pod başlatacak ve bu pod, Bedrock'a erişim yetkisine sahip olacaktır. Kendi ajan uygulamanızın Docker imajını oluşturmanız ve içinde Bedrock API'sini çağıran kodu bulundurmanız gerekmektedir.

kubectl apply -f bedrock-agent.yaml

Pod'un durumunu kontrol edin:

kubectl get pods -l kagent.io/agent=bedrock-claude-agent

En İyi Uygulamalar ve İpuçları

Yapay zeka ajanlarınızı Kubernetes üzerinde Kagent ve Bedrock ile dağıtırken aşağıdaki en iyi uygulamaları göz önünde bulundurun:

Performans Optimizasyonu

• Doğru Model Seçimi: Görevinize en uygun ve maliyet etkin Bedrock modelini seçin. Her modelin performansı ve maliyeti farklıdır.
• Prompt Mühendisliği: LLM'lerden en iyi yanıtları almak için etkili prompt mühendisliği teknikleri kullanın.
• Kaynak Tahsisi: Ajan pod'larınız için doğru CPU, bellek ve gerekirse GPU kaynaklarını tahsis edin. Aşırı tahsis maliyetleri artırırken, yetersiz tahsis performansı düşürür.
• Önbellekleme: Tekrarlayan veya sık kullanılan LLM çağrıları için bir önbellekleme katmanı eklemeyi düşünün.

İzleme ve Günlükleme

• Prometheus/Grafana: Kubernetes kümenizin ve ajan pod'larınızın metriklerini (CPU, bellek kullanımı, ağ trafiği) izlemek için Prometheus ve Grafana kullanın.
• Merkezi Günlükleme: Ajanlarınızın ürettiği günlükleri (logları) merkezi bir sisteme (örneğin, Amazon CloudWatch Logs, Elasticsearch/Kibana) gönderin. Bu, sorun giderme ve performans analizi için kritik öneme sahiptir.
• Bedrock Metrikleri: Amazon CloudWatch üzerinden Bedrock API çağrılarınızın metriklerini (çağrı sayısı, gecikme süresi, hata oranları) izleyin.

Güvenlik ve Erişim Yönetimi

• En Az Ayrıcalık Prensibi: IAM rollerinize ve Kubernetes Service Account'larınıza yalnızca ajanların ihtiyaç duyduğu minimum yetkileri verin.
• Ağ Politikaları: Kubernetes ağ politikaları (Network Policies) kullanarak ajan pod'larınızın hangi diğer pod'larla veya dış servislerle iletişim kurabileceğini kısıtlayın.
• Konteyner Güvenliği: Ajan imajlarınızı düzenli olarak güvenlik açıkları için tarayın ve güncel tutun. Güvenilir temel imajlar kullanın.
• Hassas Veri Yönetimi: Hassas verileri doğrudan kodda veya yapılandırma dosyalarında saklamaktan kaçının. Kubernetes Secrets veya AWS Secrets Manager gibi çözümler kullanın.

Maliyet Yönetimi

• Otomatik Ölçeklendirme: Kubernetes'in yatay pod otomatik ölçekleyicisini (HPA) kullanarak ajanlarınızın yalnızca ihtiyaç duyulduğunda ölçeklenmesini sağlayın.
• Spot Örnekleri: Maliyetleri düşürmek için kritik olmayan iş yükleri için Kubernetes düğümlerinde Spot örneklerini kullanmayı düşünün.
• Bedrock Maliyetlerini İzleme: AWS Maliyet Yönetimi araçlarını kullanarak Bedrock kullanımınızı ve maliyetlerinizi düzenli olarak gözden geçirin.

Sonuç

Yapay zeka ajanları, işletmelerin dijital dönüşüm yolculuğunda önemli bir kaldıraç sunmaktadır. Bu ajanları Kubernetes üzerinde Kagent ile orkestra etmek ve Amazon Bedrock'un zengin temel model ekosisteminden faydalanmak, ölçeklenebilir, güvenilir ve yönetilebilir bir altyapı oluşturmanın anahtarıdır. Bu entegrasyon, geliştiricilerin altyapı karmaşıklığıyla uğraşmak yerine, ajanlarının iş mantığına ve yenilikçi özelliklerine odaklanmalarını sağlar. Kagent ve Amazon Bedrock'un birleşimi, yapay zeka ajanlarınızı hızla üretime almanıza ve gelecekteki büyüme ihtiyaçlarınıza kolayca adapte olmanıza olanak tanıyan güçlü bir sinerji yaratır. Bu rehberdeki adımları takip ederek, kendi yapay zeka ajanlarınızı Kubernetes'in gücüyle donatabilir ve Amazon Bedrock'un akıllı yetenekleriyle zenginleştirebilirsiniz.

SSS (Sık Sorulan Sorular)

Kagent nedir ve neden kullanmalıyım?

Kagent, Kubernetes üzerinde yapay zeka ajanlarının yaşam döngüsünü yönetmek için tasarlanmış bir çerçevedir. Ajanlarınızı Kubernetes'in otomatik ölçeklendirme, yüksek erişilebilirlik ve kaynak yönetimi gibi avantajlarından faydalanarak kolayca dağıtmanızı, güncellemenizi ve izlemenizi sağlar. Bu, geliştiricilerin altyapı yerine ajan mantığına odaklanmasına olanak tanır.

Amazon Bedrock hangi temel modelleri destekler?

Amazon Bedrock, Amazon'un kendi Titan modelleri (Text, Embed) dahil olmak üzere, Anthropic'in Claude'u, AI21 Labs'ın Jurassic'i ve Cohere'ın Command ve Embed modelleri gibi çeşitli önde gelen temel modelleri destekler. Bu modeller sürekli güncellenmekte ve yenileri eklenmektedir.

Bu kurulumun maliyeti nedir?

Maliyetler, kullanılan Kubernetes düğümlerinin sayısına ve tipine (EKS), Bedrock'ta çağrılan temel modellerin kullanım miktarına ve seçilen AWS bölgesine göre değişir. Kubernetes altyapısı için EKS ve EC2 maliyetleri, Bedrock için ise çağrı başına veya token başına maliyetler söz konusudur. En doğru maliyet tahmini için AWS Fiyatlandırma Hesaplayıcısını kullanmanız ve Bedrock fiyatlandırma sayfasını incelemeniz önerilir.

Güvenlik nasıl sağlanır?

Güvenlik, AWS IAM rolleri ve Kubernetes Service Account'ları (IRSA ile) kullanılarak sağlanır. Bu sayede ajan pod'larınızın Bedrock'a erişimi için en az ayrıcalık prensibi uygulanır. Ayrıca, Kubernetes ağ politikaları, konteyner imaj güvenliği ve hassas veri yönetimi için Kubernetes Secrets gibi mekanizmalarla genel güvenlik artırılabilir.

Kagent'i kendi Kubernetes kümemde çalıştırabilir miyim?

Evet, Kagent herhangi bir standart Kubernetes kümesinde (örneğin, şirket içi, Google Kubernetes Engine (GKE), Azure Kubernetes Service (AKS) veya Minikube gibi yerel bir küme) çalışabilir. Önemli olan, kümenizin gerekli kaynaklara sahip olması ve AWS Bedrock ile entegrasyon için uygun kimlik doğrulama mekanizmalarının yapılandırılmış olmasıdır.