Spring AI ve Azure OpenAI: Modern Yapay Zeka Uygulamaları İçin Güçlü İkili

Spring AI ve Azure OpenAI: Modern Yapay Zeka Uygulamaları İçin Güçlü İkili

Yapay zeka teknolojileri, iş dünyasından günlük yaşantımıza kadar her alanda devrim yaratmaya devam ediyor. Özellikle büyük dil modelleri (LLM’ler) ve üretken yapay zeka (Generative AI) alanındaki gelişmeler, yazılım geliştiricilere daha önce hayal bile edilemeyen yetenekler sunuyor. Bu heyecan verici dönemde, Java ekosisteminin güçlü oyuncusu Spring Framework, Spring AI projesiyle yapay zeka uygulamaları geliştirmeyi kolaylaştırırken, Microsoft Azure OpenAI hizmetleri de kurumsal düzeyde güvenilirlik ve ölçeklenebilirlik sağlıyor. Bu makale, Spring AI ve Azure OpenAI’ı bir araya getirerek nasıl güçlü ve modern yapay zeka uygulamaları geliştirebileceğinizi adım adım açıklayacaktır.

Giriş: Yapay Zeka Uygulamalarının Yükselişi ve Spring AI’ın Rolü

Günümüzün rekabetçi dünyasında, işletmelerin verimliliği artırmak, müşteri deneyimini geliştirmek ve inovasyonu hızlandırmak için yapay zeka yeteneklerine yönelmesi kaçınılmaz hale gelmiştir. Doğal dil işleme (NLP), görüntü tanıma, tahminleme gibi alanlarda yapay zeka çözümleri, karar alma süreçlerini optimize ederken, yeni ürün ve hizmetlerin önünü açmaktadır.

Yapay Zeka Dönüşümü ve Kurumsal İhtiyaçlar

Kurumsal yapay zeka uygulamaları geliştirirken karşılaşılan en büyük zorluklardan biri, farklı yapay zeka modellerini ve sağlayıcılarını entegre etmek, yönetmek ve ölçeklendirmektir. Bu süreçler genellikle karmaşık API’lar, farklı kimlik doğrulama mekanizmaları ve model yaşam döngüsü yönetimi gibi konuları içerir. İşletmeler, bu karmaşıklığı azaltacak, geliştirme sürecini hızlandıracak ve mevcut altyapılarıyla uyumlu çözümler aramaktadır.

Spring Ekosisteminin Yapay Zekaya Adaptasyonu

Java geliştiricileri için Spring Framework, yıllardır kurumsal uygulama geliştirmede standart haline gelmiştir. Modüler yapısı, güçlü bağımlılık enjeksiyonu (DI) ve geniş ekosistemi sayesinde Spring, geliştiricilere üretken bir ortam sunar. Spring AI projesi, bu güçlü ekosistemi yapay zeka dünyasına taşıyarak, farklı LLM sağlayıcılarıyla (OpenAI, Azure OpenAI, Google Gemini, Hugging Face vb.) tutarlı ve basit bir arayüz üzerinden etkileşim kurmayı hedefler. Bu sayede Java geliştiricileri, mevcut Spring bilgilerini kullanarak kolayca yapay zeka uygulamaları geliştirebilirler.

Azure OpenAI’ın Kurumsal Avantajları

Microsoft Azure OpenAI hizmetleri, OpenAI’ın güçlü modellerini (GPT-3.5, GPT-4, DALL-E, Embeddings) Azure’ın kurumsal düzeydeki güvenlik, uyumluluk, ölçeklenebilirlik ve bölgesel erişilebilirlik avantajlarıyla birleştirir. Bu, özellikle hassas verilerle çalışan veya katı regülasyonlara tabi işletmeler için kritik bir fark yaratır. Azure OpenAI, modelleri kendi sanal ağınız içinde barındırma, özel erişim kontrolleri ve Azure’ın kapsamlı izleme araçlarından faydalanma imkanı sunar.

Spring AI Nedir? Temel Bileşenleri ve Avantajları

Spring AI, Java geliştiricilerinin yapay zeka modelleriyle etkileşim kurmasını kolaylaştıran, Spring ekosisteminin yeni ve heyecan verici bir projesidir. Amacı, farklı yapay zeka sağlayıcıları için tek tip bir API sunarak, geliştiricilerin model seçiminden bağımsız olarak uygulama geliştirmelerini sağlamaktır.

Spring AI’ın Mimarisi ve Temel Modülleri

Spring AI, modüler bir yapıya sahiptir. Temel olarak iki ana bileşenden oluşur:

• Core API: LLM’ler, gömme modelleri (embedding models) ve diğer yapay zeka yetenekleri için ortak arayüzler ve veri yapıları sağlar. Bu çekirdek API, farklı sağlayıcıların spesifik detaylarını soyutlar.
• Sağlayıcı Entegrasyonları: Her bir yapay zeka sağlayıcısı (OpenAI, Azure OpenAI, Google Gemini vb.) için ayrı bir modül bulunur. Bu modüller, çekirdek API’yi kullanarak ilgili sağlayıcının API’si ile iletişim kurar ve Spring Boot’un otomatik yapılandırma yeteneklerinden faydalanır.

Bu mimari sayesinde, geliştiriciler kodlarında minimum değişiklikle farklı yapay zeka modelleri arasında geçiş yapabilirler.

Desteklenen Modeller ve Sağlayıcılar

Spring AI, başlangıçtan itibaren geniş bir model ve sağlayıcı yelpazesini desteklemektedir. Başlıcaları şunlardır:

• Büyük Dil Modelleri (LLM’ler): OpenAI (GPT-3.5, GPT-4), Azure OpenAI, Google Gemini, Hugging Face, Amazon Bedrock (Anthropic Claude, AI21 Labs Jurassic, Amazon Titan).
• Gömme Modelleri (Embedding Models): OpenAI Embeddings, Azure OpenAI Embeddings, Google AI Embeddings.
• Vektör Veritabanları: Pinecone, Weaviate, Milvus, Chroma, Redis.

Bu çeşitlilik, geliştiricilere projelerinin ihtiyaçlarına en uygun modeli ve altyapıyı seçme özgürlüğü sunar.

Geliştiriciler İçin Sunduğu Kolaylıklar

Spring AI’ın geliştiricilere sağladığı başlıca avantajlar şunlardır:

• Tutarlı API: Farklı LLM’ler için tek ve tutarlı bir programlama arayüzü.
• Spring Boot Entegrasyonu: Otomatik yapılandırma ve Spring Boot uygulamalarına kolay entegrasyon.
• Geliştirme Hızı: Karmaşık API çağrıları yerine yüksek seviyeli soyutlamalarla hızlı prototipleme ve geliştirme.
• Modülerlik: İhtiyaç duyulan bileşenlerin kolayca eklenip çıkarılabilmesi.
• Geniş Ekosistem: Spring’in güçlü test, güvenlik ve veri erişim özellikleriyle entegrasyon.

Azure OpenAI Hizmetleri: Kurumsal Yapay Zeka İçin Güçlü Platform

Azure OpenAI Hizmetleri, OpenAI’ın en yeni ve en güçlü yapay zeka modellerini Microsoft Azure’ın kurumsal düzeydeki altyapısı üzerinden sunar. Bu, işletmelerin yapay zekanın gücünden faydalanırken aynı zamanda veri güvenliği, uyumluluk ve ölçeklenebilirlik gibi kritik kurumsal gereksinimleri karşılamasını sağlar.

Azure OpenAI’ın Temel Özellikleri

Azure OpenAI’ın öne çıkan özellikleri şunlardır:

• Kurumsal Güvenlik: Azure Active Directory entegrasyonu, sanal ağ izolasyonu ve veri şifreleme ile üst düzey güvenlik.
• Ölçeklenebilirlik ve Güvenilirlik: Azure’ın küresel altyapısı sayesinde yüksek performans ve kesintisiz erişim.
• Veri Gizliliği: OpenAI modellerinin, Azure OpenAI müşterilerinin verileriyle eğitilmemesi garantisi.
• Model Özelleştirme: Kendi verilerinizle modelleri ince ayar (fine-tuning) yapma imkanı (belirli modeller için).
• Sorumlu Yapay Zeka: İçerik filtreleme ve kötüye kullanımı önleme mekanizmaları.

Modeller (GPT-3.5, GPT-4, Embeddings, DALL-E)

Azure OpenAI üzerinden erişilebilen başlıca modeller:

• GPT-3.5 ve GPT-4 Serisi: Metin anlama, metin üretimi, özetleme, çeviri, kod oluşturma ve sohbet botları için kullanılır. GPT-4, daha karmaşık akıl yürütme ve çok modlu yetenekler sunar.
• Embeddings Modelleri: Metinleri sayısal vektörlere dönüştürerek anlamsal arama, öneri sistemleri ve kümeleme gibi görevlerde kullanılır.
• DALL-E: Metin açıklamalarından yüksek kaliteli görüntüler oluşturmak için kullanılır.
• Whisper: Konuşmayı metne dönüştürme (Speech-to-Text) yeteneği sunar.

Bu modeller, geniş bir yelpazede yapay zeka çözümleri geliştirmek için temel oluşturur.

Güvenlik, Ölçeklenebilirlik ve Kurumsal Uyumluluk

Azure OpenAI, işletmelerin en hassas verileriyle bile güvenle çalışmasını sağlayan bir dizi özellikle birlikte gelir. Verileriniz, Azure’ın sıkı güvenlik protokolleri altında korunur ve modellerin eğitimi için kullanılmaz. Ayrıca, Azure’ın küresel veri merkezleri ve otomatik ölçeklendirme yetenekleri sayesinde, uygulamanızın talepleri arttıkça sorunsuz bir şekilde genişleyebilir. GDPR, HIPAA gibi uluslararası ve sektörel uyumluluk standartlarına uygunluk, kurumsal benimseme için kritik bir faktördür.

Spring AI ve Azure OpenAI Entegrasyonu: Adım Adım Kurulum

Spring AI ile Azure OpenAI’ı entegre etmek oldukça basittir. Spring Boot’un otomatik yapılandırma yetenekleri sayesinde, birkaç bağımlılık ve yapılandırma ayarı ile başlayabilirsiniz.

Gerekli Bağımlılıklar ve Proje Yapılandırması

Öncelikle, Spring Boot projenize Spring AI Azure OpenAI bağımlılığını eklemeniz gerekir. Maven veya Gradle kullanabilirsiniz.

Maven (pom.xml):

    org.springframework.ai
    spring-ai-azure-openai-spring-boot-starter
    0.8.1 

Gradle (build.gradle):

implementation 'org.springframework.ai:spring-ai-azure-openai-spring-boot-starter:0.8.1' // Güncel versiyonu kontrol edin

Bu bağımlılık, hem Azure OpenAI LLM hem de Embedding modelleri için gerekli sınıfları ve otomatik yapılandırmayı içerir.

Azure OpenAI Kimlik Doğrulama Ayarları

Azure OpenAI'ı kullanabilmek için bir Azure hesabına ve bir Azure OpenAI kaynağına ihtiyacınız olacak. Kaynağı oluşturduktan sonra, bir dağıtım (deployment) oluşturmanız ve API anahtarınızı (API Key) ve uç nokta URL'nizi (Endpoint URL) almanız gerekecektir. Bu bilgileri application.properties veya application.yml dosyanıza ekleyin:

application.properties:

spring.ai.azure.openai.api-key=YOUR_AZURE_OPENAI_API_KEY
spring.ai.azure.openai.endpoint=YOUR_AZURE_OPENAI_ENDPOINT_URL
spring.ai.azure.openai.chat.options.deployment-name=YOUR_CHAT_MODEL_DEPLOYMENT_NAME
spring.ai.azure.openai.embedding.options.deployment-name=YOUR_EMBEDDING_MODEL_DEPLOYMENT_NAME

YOUR_AZURE_OPENAI_API_KEY: Azure OpenAI kaynağınızın API anahtarı.
YOUR_AZURE_OPENAI_ENDPOINT_URL: Azure OpenAI kaynağınızın uç nokta URL'si (örn. https://your-resource-name.openai.azure.com/).
YOUR_CHAT_MODEL_DEPLOYMENT_NAME: Azure OpenAI stüdyosunda oluşturduğunuz sohbet modelinin (örn. gpt-35-turbo veya gpt-4) dağıtım adı.
YOUR_EMBEDDING_MODEL_DEPLOYMENT_NAME: Azure OpenAI stüdyosunda oluşturduğunuz gömme modelinin (örn. text-embedding-ada-002) dağıtım adı.

Basit Bir Metin Üretme Uygulaması

Yapılandırma tamamlandıktan sonra, Spring AI'ın ChatClient arayüzünü kullanarak basit bir metin üretme uygulaması yazabiliriz:

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.ai.chat.prompt.PromptTemplate;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

@RestController
public class AiController {

    private final ChatClient chatClient;

    @Autowired
    public AiController(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping("/generate")
    public String generate(@RequestParam(value = "message", defaultValue = "Spring AI nedir?") String message) {
        return chatClient.prompt()
                .user(message)
                .call()
                .content();
    }

    @GetMapping("/generateWithPromptTemplate")
    public String generateWithPromptTemplate(@RequestParam(value = "ad", defaultValue = "Ali") String ad) {
        PromptTemplate promptTemplate = new PromptTemplate("Merhaba, benim adım {ad}. Bana kendinden bahseder misin?");
        Prompt prompt = promptTemplate.create(Map.of("ad", ad));
        return chatClient.prompt(prompt)
                .call()
                .content();
    }
}

Yukarıdaki örnekte, ChatClient otomatik olarak enjekte edilir ve mesaj göndermek için kullanılır. /generate endpoint'i basit bir mesajı LLM'e gönderirken, /generateWithPromptTemplate endpoint'i daha yapılandırılmış bir prompt (istek) örneği sunar.

Sohbet (Chat) Uygulaması Oluşturma

Spring AI, sohbet tabanlı uygulamalar için de kolaylıklar sunar. Bir sohbet geçmişini yönetmek ve modele bağlam sağlamak için ChatClient'ın yeteneklerini kullanabiliriz:

import org.springframework.ai.chat.client.ChatClient;
import org.springframework.ai.chat.messages.UserMessage;
import org.springframework.ai.chat.model.ChatResponse;
import org.springframework.ai.chat.prompt.Prompt;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.List;

@RestController
public class ChatController {

    private final ChatClient chatClient;

    @Autowired
    public ChatController(ChatClient chatClient) {
        this.chatClient = chatClient;
    }

    @GetMapping("/chat")
    public String chat(@RequestParam(value = "message", defaultValue = "Merhaba, nasılsın?") String message) {
        // Basit bir örnek, gerçek bir uygulamada sohbet geçmişi bir oturumda veya veritabanında tutulur.
        UserMessage userMessage = new UserMessage(message);
        Prompt prompt = new Prompt(List.of(userMessage)); // Daha karmaşık senaryolarda SystemMessage ve AssistantMessage da eklenebilir.

        ChatResponse response = chatClient.prompt(prompt)
                .call()
                .chatResponse();

        return response.getResult().getOutput().getContent();
    }
}

Bu örnek, tek bir kullanıcı mesajını işler. Gerçek bir sohbet uygulamasında, önceki mesajları (hem kullanıcıdan hem de asistandan gelenleri) bir liste halinde tutarak Prompt nesnesine eklemeniz gerekir, böylece model konuşmanın bağlamını anlayabilir.

Pratik Uygulama Senaryoları: Metin Üretimi ve Sohbet Botları

Spring AI ve Azure OpenAI'ın birleşimiyle geliştirilebilecek birçok pratik uygulama senaryosu bulunmaktadır. İşte bazı popüler örnekler:

Metin Üretimi ve İçerik Oluşturma

Pazarlama metinleri, blog yazıları, ürün açıklamaları, e-posta taslakları gibi çeşitli içeriklerin otomatik olarak oluşturulması veya taslağının hazırlanması. Bu, içerik üretim süreçlerini hızlandırır ve yazarların yaratıcı süreçlerine odaklanmalarını sağlar.

// Örnek: Ürün açıklaması oluşturma
String productName = "Akıllı Saat X Pro";
String features = "Nabız takibi, GPS, su geçirmezlik, 7 gün pil ömrü";
String promptText = "Şu ürün için ilgi çekici bir pazarlama metni oluştur: Ürün Adı: {productName}, Özellikler: {features}";

PromptTemplate promptTemplate = new PromptTemplate(promptText);
Prompt prompt = promptTemplate.create(Map.of("productName", productName, "features", features));

String marketingText = chatClient.prompt(prompt).call().content();
System.out.println(marketingText);

Etkileşimli Sohbet Botları Geliştirme

Müşteri hizmetleri, teknik destek, satış veya dahili iletişim için akıllı sohbet botları. Bu botlar, doğal dil anlama yetenekleri sayesinde kullanıcı sorularını yanıtlayabilir, sorunları çözebilir ve hatta karmaşık görevlerde yardımcı olabilir.

Spring AI, sohbet geçmişini yönetmek için ChatClient'ın .prompt().user(...).assistant(...).user(...) zincirleme çağrılarını veya List kullanımını destekler.

Gömme (Embeddings) ve Anlamsal Arama (Semantic Search)

Metinleri sayısal vektörlere dönüştürerek, anlamsal olarak benzer belgeleri bulma, öneri sistemleri oluşturma veya içerik kümeleme gibi görevleri gerçekleştirebilirsiniz. Spring AI'ın EmbeddingClient arayüzü bu işlemi kolaylaştırır.

import org.springframework.ai.embedding.EmbeddingClient;
import org.springframework.ai.embedding.EmbeddingResponse;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.web.bind.annotation.GetMapping;
import org.springframework.web.bind.annotation.RequestParam;
import org.springframework.web.bind.annotation.RestController;

import java.util.List;

@RestController
public class EmbeddingController {

    private final EmbeddingClient embeddingClient;

    @Autowired
    public EmbeddingController(EmbeddingClient embeddingClient) {
        this.embeddingClient = embeddingClient;
    }

    @GetMapping("/embed")
    public List embed(@RequestParam(value = "text", defaultValue = "Yapay zeka teknolojileri") String text) {
        EmbeddingResponse embeddingResponse = this.embeddingClient.embedForResponse(List.of(text));
        return embeddingResponse.getResults().get(0).getOutput();
    }
}

Bu vektörler daha sonra bir vektör veritabanında saklanarak anlamsal arama için kullanılabilir.

RAG (Retrieval Augmented Generation) Yaklaşımı

RAG, LLM'lerin bilgi tabanını genişletmek için harici veri kaynaklarından (belgeler, veritabanları vb.) bilgi alıp, bu bilgiyi LLM'e bağlam olarak sunma tekniğidir. Bu, modellerin güncel ve spesifik bilgilere erişmesini sağlayarak halüsinasyonları azaltır ve daha doğru yanıtlar üretir. Spring AI, vektör veritabanı entegrasyonları ve VectorStoreRetriever gibi bileşenlerle RAG uygulamalarını destekler.

RAG Akışı:

1. Kullanıcı bir soru sorar.
2. Soru, embedding modeline gönderilerek bir vektöre dönüştürülür.
3. Bu vektör, vektör veritabanında depolanan belgelerin vektörleriyle karşılaştırılarak en alakalı belgeler bulunur.
4. Bulunan belgeler, kullanıcının sorusuyla birlikte LLM'e bir prompt olarak gönderilir.
5. LLM, bu bağlamı kullanarak daha doğru ve ilgili bir yanıt üretir.

Gelişmiş Konular ve En İyi Uygulamalar

Yapay zeka uygulamaları geliştirirken sadece temel entegrasyon yeterli değildir. Performans, maliyet, güvenlik ve doğruluk gibi faktörleri göz önünde bulundurmak kritik öneme sahiptir.

Prompt Mühendisliği (Prompt Engineering) Teknikleri

LLM'lerden en iyi sonuçları almak için doğru prompt'ları (istekleri) tasarlamak bir sanattır. İyi bir prompt:

• Açık ve spesifiktir.
• İstenen çıktının formatını belirtir (JSON, liste vb.).
• Örnekler (few-shot prompting) içerebilir.
• Modelin bir persona (kişilik) benimsemesini isteyebilir.
• Zincirleme prompt'lar veya araç çağrıları (tool calling) kullanabilir.

Spring AI, PromptTemplate ve ChatClient'ın akıcı API'si ile prompt mühendisliğini kolaylaştırır.

Maliyet Yönetimi ve Performans Optimizasyonu

LLM çağrıları maliyetli olabilir. Maliyetleri yönetmek için:

• Model Seçimi: Görev için en uygun (ve genellikle daha ucuz) modeli kullanın (örn. basit görevler için GPT-3.5 yerine GPT-4 kullanmaktan kaçının).
• Token Kullanımı: Prompt'ları ve yanıtları mümkün olduğunca kısa tutun.
• Önbellekleme: Sıkça sorulan soruların veya tekrarlayan yanıtların önbelleğe alınması.
• Asenkron İşleme: Uzun süren LLM çağrılarını asenkron olarak işleyerek kullanıcı deneyimini iyileştirin.

Spring AI, asenkron çağrılar için reaktif API'ler sunar.

Güvenlik ve Veri Gizliliği

Azure OpenAI, kurumsal düzeyde güvenlik sunsa da, uygulama katmanında da dikkatli olmak gerekir:

• Hassas Veri Filtreleme: Kullanıcı girişlerindeki veya model yanıtlarındaki hassas kişisel verileri (PII) tanımlayın ve filtreleyin.
• Giriş Doğrulama: Kötü niyetli veya aşırı uzun prompt'ları engelleyin.
• Erişim Kontrolü: Yapay zeka hizmetlerine erişimi en az ayrıcalık ilkesine göre yönetin.
• Model Güvenliği: Azure OpenAI'ın yerleşik içerik filtreleme özelliklerini etkinleştirin.

Hata Yönetimi ve İzleme

Yapay zeka uygulamalarında hatalar (API limitleri, model yanıt süreleri, içerik filtreleme) yaygındır. Uygulamanızın bu hataları düzgün bir şekilde ele alması ve izlemesi önemlidir:

• Retry Mekanizmaları: Geçici hatalar için otomatik tekrar deneme mantığı uygulayın.
• Logging: LLM çağrılarını, prompt'ları ve yanıtları (hassas verileri maskeleyerek) loglayın.
• Metrikler: API çağrı sayıları, gecikme süreleri ve hata oranları gibi metrikleri izleyin.

Spring Boot Actuator ve Micrometer gibi araçlar, bu tür izleme ve metrik toplama işlemlerini kolaylaştırır.

Sonuç

Spring AI ve Azure OpenAI, Java geliştiricileri için yapay zeka uygulamaları geliştirme sürecini önemli ölçüde basitleştiren güçlü bir kombinasyon sunar. Spring AI'ın tutarlı API'si ve Spring Boot ile entegrasyonu, geliştiricilerin farklı LLM sağlayıcıları arasında kolayca geçiş yapmasına olanak tanırken, Azure OpenAI'ın kurumsal düzeydeki güvenlik, ölçeklenebilirlik ve model çeşitliliği, işletmelerin güvenle yapay zeka çözümlerini benimsemesini sağlar.

Bu makalede ele alınan temel entegrasyon adımları, kod örnekleri ve en iyi uygulamalar sayesinde, siz de kendi akıllı uygulamalarınızı oluşturmaya başlayabilir, metin üretimi, sohbet botları, anlamsal arama ve RAG gibi senaryolarla iş süreçlerinizi dönüştürebilirsiniz. Yapay zeka dünyasındaki bu hızlı evrimde, Spring AI ve Azure OpenAI ile geleceğin uygulamalarını inşa etmek artık çok daha erişilebilir.

SSS (Sık Sorulan Sorular)

Spring AI ücretsiz mi?

Evet, Spring AI projesi açık kaynaklıdır ve kullanımı ücretsizdir. Ancak, entegre ettiğiniz yapay zeka sağlayıcılarının (örn. Azure OpenAI) kendi kullanım ücretleri bulunmaktadır.

Azure OpenAI'ı kullanmak pahalı mı?

Azure OpenAI'ın maliyetleri kullanılan modelin türüne, çağrı sayısına ve token miktarına göre değişiklik gösterir. Azure'ın fiyatlandırma sayfasını kontrol ederek detaylı bilgi alabilirsiniz. Genellikle küçük ölçekli kullanımlar uygun maliyetli olabilirken, büyük ölçekli kurumsal kullanımlar için maliyet optimizasyonu önemlidir.

Spring AI sadece Azure ile mi çalışır?

Hayır, Spring AI birden fazla yapay zeka sağlayıcısını destekler. Azure OpenAI'ın yanı sıra OpenAI, Google Gemini, Hugging Face, Amazon Bedrock gibi diğer popüler sağlayıcılarla da entegre edilebilir. Bu esneklik, geliştiricilere model ve sağlayıcı seçimi konusunda büyük özgürlük sunar.

Hangi Java versiyonu gerekli?

Spring AI genellikle Java 17 veya üzeri versiyonları gerektirir.