\u00dcretim ortam\u0131nda yapay zeka modellerini ba\u015far\u0131l\u0131 bir \u015fekilde da\u011f\u0131tmak ve y\u00f6netmek, sa\u011flam bir AI y\u0131\u011f\u0131n\u0131 gerektirir. Bu makale, kulland\u0131\u011f\u0131m\u0131z g\u00fcvenilir ara\u00e7lar\u0131, \u00e7er\u00e7eveleri ve en iyi uygulamalar\u0131 derinlemesine inceliyor, b\u00f6ylece siz de kendi AI yolculu\u011funuzda sa\u011flam ad\u0131mlar atabilirsiniz.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn rekabet\u00e7i d\u00fcnyas\u0131nda, yapay zeka (AI) ve makine \u00f6\u011frenimi (ML) \u00e7\u00f6z\u00fcmleri, \u015firketler i\u00e7in vazge\u00e7ilmez bir rekabet avantaj\u0131 haline gelmi\u015ftir. Ancak, bir AI modelini laboratuvar ortam\u0131nda geli\u015ftirmek ile onu ger\u00e7ek d\u00fcnya senaryolar\u0131nda, s\u00fcrekli \u00e7al\u0131\u015fan, \u00f6l\u00e7eklenebilir ve g\u00fcvenilir bir sistem olarak \u00fcretim ortam\u0131na ta\u015f\u0131mak aras\u0131nda devasa bir fark vard\u0131r. \u0130\u015fte tam da bu noktada \u201cg\u00fcvenilir bir AI y\u0131\u011f\u0131n\u0131\u201d kavram\u0131 devreye girer. Peki, bu neden bu kadar kritik? Basit\u00e7e s\u00f6ylemek gerekirse, ba\u015far\u0131l\u0131 bir AI uygulamas\u0131 sadece iyi bir modelden ibaret de\u011fildir; ayn\u0131 zamanda veri toplama, i\u015fleme, model e\u011fitimi, da\u011f\u0131t\u0131m\u0131, izlenmesi ve s\u00fcrekli bak\u0131m\u0131 gibi bir\u00e7ok karma\u015f\u0131k a\u015famay\u0131 kapsar. Bu s\u00fcre\u00e7lerin her biri i\u00e7in do\u011fru ara\u00e7lar\u0131n, \u00e7er\u00e7evelerin ve uygulamalar\u0131n se\u00e7ilmesi, projenin ba\u015far\u0131s\u0131n\u0131 do\u011frudan etkiler.<\/p>\n
\u00dcretim ortam\u0131ndaki AI sistemleri, sadece do\u011fru tahminler yapmakla kalmamal\u0131, ayn\u0131 zamanda y\u00fcksek hacimli verileri ger\u00e7ek zamanl\u0131 olarak i\u015fleyebilmeli, beklenmedik veri kaymalar\u0131na veya model d\u00fc\u015f\u00fc\u015flerine kar\u015f\u0131 dayan\u0131kl\u0131 olmal\u0131 ve kolayca g\u00fcncellenebilir bir yap\u0131ya sahip olmal\u0131d\u0131r. G\u00fcvenilir bir AI y\u0131\u011f\u0131n\u0131, bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in bir yol haritas\u0131 sunar. Yanl\u0131\u015f ara\u00e7 se\u00e7imi, zaman kayb\u0131na, y\u00fcksek maliyetlere, model performans d\u00fc\u015f\u00fc\u015flerine ve hatta sistemin tamamen \u00e7\u00f6kmesine neden olabilir. Bu nedenle, ilk g\u00fcnden itibaren do\u011fru ve entegre bir teknoloji y\u0131\u011f\u0131n\u0131 se\u00e7mek, uzun vadede s\u00fcrd\u00fcr\u00fclebilir ve ba\u015far\u0131l\u0131 AI projeleri i\u00e7in temel bir \u00f6n ko\u015fuldur. Bu makalede, bu yolculukta bize g\u00fcven veren, kan\u0131tlanm\u0131\u015f ara\u00e7lar\u0131, pratikleri ve stratejileri ad\u0131m ad\u0131m inceleyece\u011fiz. Her \u015feyden \u00f6nemlisi, bu bilgileri ger\u00e7ek d\u00fcnya senaryolar\u0131yla harmanlayarak, teoriden prati\u011fe ge\u00e7i\u015finizi kolayla\u015ft\u0131rmay\u0131 hedefliyoruz. Unutmayal\u0131m ki, yapay zeka, sadece algoritmalar ve koddan ibaret de\u011fildir; ayn\u0131 zamanda verimli ve g\u00fcvenilir bir altyap\u0131 \u00fczerinde y\u00fckselen ya\u015fayan bir organizmad\u0131r.<\/p>\n
Pek \u00e7ok geli\u015ftirici ve m\u00fchendis, model geli\u015ftirme k\u0131sm\u0131na a\u015f\u0131r\u0131 odaklan\u0131rken, modelin \u00fcretim ortam\u0131nda nas\u0131l ya\u015fayaca\u011f\u0131, nas\u0131l y\u00f6netilece\u011fi ve s\u00fcrd\u00fcr\u00fclebilir k\u0131l\u0131naca\u011f\u0131 gibi konularda yetersiz kalabiliyor. Bu durum, “Model Cehennemi” olarak adland\u0131r\u0131lan bir senaryoya yol a\u00e7abilir; yani geli\u015ftirilen onlarca modelin hi\u00e7biri ger\u00e7ekten \u00fcretime ge\u00e7emez ya da ge\u00e7se bile beklenen fayday\u0131 sa\u011flayamaz. Bu nedenle, kapsaml\u0131 bir AI y\u0131\u011f\u0131n\u0131 yakla\u015f\u0131m\u0131, bu tuzaklardan ka\u00e7\u0131nmak ve projelerin ger\u00e7ek de\u011fer yaratmas\u0131n\u0131 sa\u011flamak i\u00e7in hayati \u00f6nem ta\u015f\u0131r. Bu makale, bu bo\u015flu\u011fu doldurarak, AI modellerini sadece geli\u015ftirmekle kalmay\u0131p, onlar\u0131 g\u00fcvenle ve verimli bir \u015fekilde \u00e7al\u0131\u015f\u0131r durumda tutmak i\u00e7in gerekli bilgi ve becerileri sizlere sunmay\u0131 ama\u00e7lamaktad\u0131r.<\/p>\n
AI Stack, bir yapay zeka veya makine \u00f6\u011frenimi uygulamas\u0131n\u0131 ba\u015ftan sona geli\u015ftirmek, da\u011f\u0131tmak ve y\u00f6netmek i\u00e7in kullan\u0131lan teknoloji setinin b\u00fct\u00fcn\u00fcd\u00fcr. Bu terim, genellikle bir web uygulamas\u0131n\u0131n LAMP veya MERN stack’i gibi belirli bir uygulama t\u00fcr\u00fc i\u00e7in kullan\u0131lan ara\u00e7 ve teknolojilerin bir araya gelmesiyle olu\u015fan bir “y\u0131\u011f\u0131n”a benzer. Ancak AI stack, veri bilimi, makine \u00f6\u011frenimi ve DevOps prensiplerini harmanlayarak \u00e7ok daha karma\u015f\u0131k bir yap\u0131ya sahiptir. Temel olarak, bir AI stack’i birbiriyle entegre \u00e7al\u0131\u015fan d\u00f6rt ana bile\u015fenden olu\u015fur:<\/p>\n
Bu bile\u015fenlerin her biri, AI projesinin ya\u015fam d\u00f6ng\u00fcs\u00fcnde kritik bir rol oynar ve do\u011fru ara\u00e7lar\u0131n se\u00e7ilmesi, sistemin genel verimlili\u011fini, g\u00fcvenilirli\u011fini ve s\u00fcrd\u00fcr\u00fclebilirli\u011fini do\u011frudan etkiler. \u00d6rne\u011fin, bir e-ticaret platformunda ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri sunan bir AI modeli ele alal\u0131m. Bu modelin arkas\u0131ndaki AI stack \u015funlar\u0131 i\u00e7erebilir:<\/p>\n
Her bir bile\u015fen, di\u011ferleriyle uyumlu \u00e7al\u0131\u015facak \u015fekilde se\u00e7ilmeli ve entegre edilmelidir. Bu entegrasyon, geli\u015ftiricilerin ve operasyon ekiplerinin i\u015fbirli\u011fini gerektiren MLOps (Makine \u00d6\u011frenimi Operasyonlar\u0131) disiplininin temelini olu\u015fturur. MLOps, AI modellerinin ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc otomatikle\u015ftirmeyi ve standartla\u015ft\u0131rmay\u0131 ama\u00e7lar, b\u00f6ylece modellerin daha h\u0131zl\u0131, daha g\u00fcvenilir ve daha s\u0131k bir \u015fekilde \u00fcretime al\u0131nmas\u0131 sa\u011flan\u0131r. AI stack’in do\u011fru bir \u015fekilde in\u015fa edilmesi, AI yat\u0131r\u0131mlar\u0131ndan maksimum de\u011feri elde etmek i\u00e7in kritik bir ad\u0131md\u0131r.<\/p>\n
Her yapay zeka modelinin kalbinde veriler yatar. \u00dcretim seviyesi bir AI sistemi kurarken, verinin do\u011fru, temiz, eri\u015filebilir ve g\u00fcncel olmas\u0131n\u0131 sa\u011flamak, modelin ba\u015far\u0131s\u0131 i\u00e7in en kritik ad\u0131mlardan biridir. Veri y\u00f6netimi ve i\u015fleme a\u015famas\u0131, ham verinin toplanmas\u0131ndan, depolanmas\u0131na, temizlenmesine ve nihayetinde modelin t\u00fcketebilece\u011fi formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesine kadar uzanan geni\u015f bir s\u00fcreci kapsar. Bu s\u00fcre\u00e7te kulland\u0131\u011f\u0131m\u0131z temel ta\u015flar ve yakla\u015f\u0131mlar \u015funlard\u0131r:<\/p>\n
Parquet<\/code> gibi s\u00fctunsal depolama formatlar\u0131 kullan\u0131r\u0131z. Parquet, s\u0131k\u0131\u015ft\u0131rma ve sorgu performans\u0131nda \u00fcst\u00fcnl\u00fck sa\u011flar. Ancak, veri versiyonlama, ACID i\u015flemleri ve metadata y\u00f6netimi gibi geleneksel veri ambar\u0131 \u00f6zelliklerini bu depolama katman\u0131na getirmek i\u00e7in Delta Lake<\/code> kullan\u0131yoruz. Delta Lake, veri g\u00f6llerini g\u00fcvenilir “veri g\u00f6l\u00fc evlerine” d\u00f6n\u00fc\u015ft\u00fcrerek, veri tutarl\u0131l\u0131\u011f\u0131 ve kalitesi a\u00e7\u0131s\u0131ndan \u00f6nemli avantajlar sa\u011flar.<\/li>\n- Veri D\u00f6n\u00fc\u015ft\u00fcrme ve Haz\u0131rl\u0131k: Apache Spark, dbt<\/strong>
\n Ham veriler, do\u011frudan AI modelleri i\u00e7in uygun de\u011fildir. Temizleme, zenginle\u015ftirme, \u00f6zellik m\u00fchendisli\u011fi (feature engineering) ve toplama (aggregation) gibi ad\u0131mlar gereklidir. B\u00fcy\u00fck veri k\u00fcmeleri i\u00e7in Apache Spark<\/code>, da\u011f\u0131t\u0131k ve \u00f6l\u00e7eklenebilir veri i\u015fleme yetenekleriyle \u00f6ne \u00e7\u0131kar. PySpark API’sini kullanarak karma\u015f\u0131k veri d\u00f6n\u00fc\u015f\u00fcmlerini kolayca tan\u0131mlar\u0131z. Veri d\u00f6n\u00fc\u015f\u00fcm s\u00fcre\u00e7lerinin daha organize ve versiyonlanabilir olmas\u0131n\u0131 sa\u011flamak i\u00e7in dbt (data build tool)<\/code> kullan\u0131yoruz. dbt, SQL tabanl\u0131 d\u00f6n\u00fc\u015f\u00fcmleri mod\u00fcler, test edilebilir ve dok\u00fcmante edilebilir bir \u015fekilde y\u00f6netmemizi sa\u011flar, b\u00f6ylece veri m\u00fchendisli\u011fi boru hatlar\u0131m\u0131z bir yaz\u0131l\u0131m projesi gibi s\u00fcrd\u00fcr\u00fclebilir hale gelir.<\/li>\n<\/ol>\n\n# \u00d6rnek bir PySpark ile veri temizleme ve \u00f6zellik m\u00fchendisli\u011fi ad\u0131m\u0131\nfrom pyspark.sql import SparkSession\nfrom pyspark.sql.functions import col, when, avg\n\nspark = SparkSession.builder.appName(\"DataPreprocessing\").getOrCreate()\n\n# Delta Lake'ten veri okuma\ndf = spark.read.format(\"delta\").load(\"\/mnt\/deltalake\/raw_user_data\")\n\n# Eksik de\u011ferleri doldurma\ndf_cleaned = df.withColumn(\"age\", when(col(\"age\").isNull(), avg(\"age\").over(Window.partitionBy(\"country\"))).otherwise(col(\"age\")))\n\n# Kategorik \u00f6zellikleri one-hot encode etme (basit \u00f6rnek)\nfrom pyspark.ml.feature import OneHotEncoder, StringIndexer\n\nindexer = StringIndexer(inputCol=\"gender\", outputCol=\"gender_indexed\")\ndf_indexed = indexer.fit(df_cleaned).transform(df_cleaned)\n\nencoder = OneHotEncoder(inputCol=\"gender_indexed\", outputCol=\"gender_encoded\")\ndf_final = encoder.fit(df_indexed).transform(df_indexed)\n\n# Temizlenmi\u015f ve i\u015flenmi\u015f veriyi Delta Lake'e yazma\ndf_final.write.format(\"delta\").mode(\"overwrite\").save(\"\/mnt\/deltalake\/processed_user_features\")\n<\/pre>\n<\/code><\/p>\n
Vaka Analizi: E-ticaret \u00d6neri Sistemi Veri Boru Hatt\u0131<\/strong><\/p>\nB\u00fcy\u00fck bir e-ticaret \u015firketi i\u00e7in ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri sunan bir AI sisteminin veri altyap\u0131s\u0131n\u0131 kurarken, yukar\u0131daki yakla\u015f\u0131mlar\u0131 uygulad\u0131k. Kullan\u0131c\u0131lar\u0131n web sitesindeki her t\u0131klamas\u0131, \u00fcr\u00fcn g\u00f6r\u00fcnt\u00fclemesi ve sepete eklemesi, Apache Kafka \u00fczerinden anl\u0131k olarak bir veri ak\u0131\u015f\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fc. Bu ham etkinlik verileri, buluttaki S3'e ve Delta Lake format\u0131nda kaydedildi. G\u00fcnl\u00fck bazda \u00e7al\u0131\u015fan bir Apache Spark i\u015fi, bu ham verileri Delta Lake'ten okudu, anormallikleri tespit edip temizledi, eksik de\u011ferleri doldurdu ve kullan\u0131c\u0131lar\u0131n son 30 g\u00fcnl\u00fck ortalama harcama tutar\u0131, en \u00e7ok g\u00f6r\u00fcnt\u00fcledi\u011fi kategori gibi \u00f6zellikler (features) \u00e7\u0131kard\u0131. Bu i\u015flenmi\u015f \u00f6zellikler, ba\u015fka bir Delta Lake tablosuna yaz\u0131ld\u0131 ve \u00f6neri modelinin e\u011fitimi i\u00e7in haz\u0131r hale getirildi. Bu yakla\u015f\u0131m sayesinde, model her zaman g\u00fcncel ve temiz verilerle e\u011fitilebildi, bu da \u00f6neri do\u011frulu\u011funda %15'lik bir art\u0131\u015f sa\u011flad\u0131.<\/p>\n
Sonu\u00e7 olarak, sa\u011flam bir veri y\u00f6netim ve i\u015fleme stratejisi, AI modellerinin \u00fcretim ortam\u0131nda ba\u015far\u0131l\u0131 olmas\u0131n\u0131n anahtar\u0131d\u0131r. Do\u011fru ara\u00e7lar\u0131 se\u00e7mek, veri kalitesini ve tutarl\u0131l\u0131\u011f\u0131n\u0131 garanti etmek ve veri boru hatlar\u0131n\u0131 otomatikle\u015ftirmek, AI projesinin genel s\u00fcrd\u00fcr\u00fclebilirli\u011fini ve g\u00fcvenilirli\u011fini art\u0131r\u0131r.<\/p>\n
Model Geli\u015ftirme ve E\u011fitim S\u00fcrecinde Hangi \u00c7er\u00e7eveler \u0130\u015fimize Yar\u0131yor?<\/h2>\n
Veri haz\u0131rland\u0131ktan sonra s\u0131ra, makine \u00f6\u011frenimi modellerinin geli\u015ftirilmesi ve e\u011fitilmesine gelir. Bu a\u015fama, bir veri bilimcisinin veya ML m\u00fchendisinin en \u00e7ok zaman ge\u00e7irdi\u011fi b\u00f6l\u00fcmlerden biridir. Do\u011fru ara\u00e7lar ve \u00e7er\u00e7eveler se\u00e7mek, hem geli\u015ftirme s\u00fcrecini h\u0131zland\u0131r\u0131r hem de modellerin performans\u0131n\u0131, yeniden \u00fcretilebilirli\u011fini ve \u00fcretim ortam\u0131na uygunlu\u011funu art\u0131r\u0131r. Bizim g\u00fcvendi\u011fimiz ba\u015fl\u0131ca \u00e7er\u00e7eveler ve yakla\u015f\u0131mlar \u015funlard\u0131r:<\/p>\n
\n- Derin \u00d6\u011frenme \u00c7er\u00e7eveleri: TensorFlow ve PyTorch<\/strong>
\n Karma\u015f\u0131k g\u00f6revler, \u00f6zellikle g\u00f6r\u00fcnt\u00fc i\u015fleme, do\u011fal dil i\u015fleme ve s\u0131ral\u0131 veri analizi i\u00e7in derin \u00f6\u011frenme modelleri kullan\u0131r\u0131z. Bu alanda TensorFlow<\/code> ve PyTorch<\/code> iki bask\u0131n \u00e7er\u00e7evedir.<\/p>\n\n- TensorFlow:<\/strong> Google taraf\u0131ndan geli\u015ftirilen TensorFlow, b\u00fcy\u00fck \u00f6l\u00e7ekli \u00fcretim ortamlar\u0131 i\u00e7in sa\u011flam bir ekosistem sunar. TensorFlow Extended (TFX) gibi ara\u00e7larla model ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fcn her a\u015famas\u0131n\u0131 (veri validasyonu, \u00f6zellik m\u00fchendisli\u011fi, e\u011fitim, da\u011f\u0131t\u0131m) entegre bir \u015fekilde y\u00f6netmeyi sa\u011flar. \u00d6zellikle da\u011f\u0131t\u0131k e\u011fitim ve mobil\/edge cihazlara da\u011f\u0131t\u0131m konular\u0131nda g\u00fc\u00e7l\u00fcd\u00fcr.<\/li>\n
- PyTorch:<\/strong> Facebook AI Research (FAIR) taraf\u0131ndan geli\u015ftirilen PyTorch, esnekli\u011fi ve \"Pythonic\" aray\u00fcz\u00fc sayesinde ara\u015ft\u0131rma ve h\u0131zl\u0131 prototipleme i\u00e7in \u00e7ok pop\u00fclerdir. Dinamik hesaplama grafikleri, hata ay\u0131klamay\u0131 kolayla\u015ft\u0131r\u0131r. Son y\u0131llarda \u00fcretim seviyesinde de yayg\u0131nla\u015fm\u0131\u015f ve bir\u00e7ok b\u00fcy\u00fck \u015firketin tercihi olmu\u015ftur.<\/li>\n<\/ul>\n
Hangi \u00e7er\u00e7evenin se\u00e7ilece\u011fi, projenin \u00f6zel gereksinimlerine, ekibin deneyimine ve hedef da\u011f\u0131t\u0131m ortam\u0131na ba\u011fl\u0131d\u0131r. Genellikle, h\u0131zl\u0131 prototipleme i\u00e7in PyTorch'u tercih ederken, b\u00fcy\u00fck \u00f6l\u00e7ekli ve entegre \u00fcretim boru hatlar\u0131 i\u00e7in TensorFlow'un yeteneklerinden faydalan\u0131r\u0131z.<\/li>\n
- Geleneksel ML K\u00fct\u00fcphaneleri: Scikit-learn<\/strong>
\n Her problem derin \u00f6\u011frenme gerektirmez. Regresyon, s\u0131n\u0131fland\u0131rma, k\u00fcmeleme ve boyut indirgeme gibi bir\u00e7ok geleneksel makine \u00f6\u011frenimi g\u00f6revi i\u00e7in Scikit-learn<\/code> vazge\u00e7ilmez bir ara\u00e7t\u0131r. Basitli\u011fi, kapsaml\u0131 belgeleri ve geni\u015f algoritma yelpazesi sayesinde h\u0131zl\u0131 ve etkili \u00e7\u00f6z\u00fcmler sunar. \u00d6zellikle yap\u0131land\u0131r\u0131lm\u0131\u015f verilerle \u00e7al\u0131\u015f\u0131rken ve interpretability'nin (yorumlanabilirlik) \u00f6nemli oldu\u011fu durumlarda ilk tercihimizdir.<\/li>\n- Deneme Takibi ve Model Versiyonlama: MLflow<\/strong>
\n Makine \u00f6\u011frenimi projelerinde say\u0131s\u0131z deneme yap\u0131l\u0131r: farkl\u0131 algoritmalar, farkl\u0131 hiperparametreler, farkl\u0131 veri setleri... Bu denemeleri ve sonu\u00e7lar\u0131n\u0131 takip etmek, yeniden \u00fcretilebilirli\u011fi sa\u011flamak ve en iyi modeli se\u00e7mek b\u00fcy\u00fck bir zorluktur. MLflow<\/code>, bu sorunu \u00e7\u00f6zmek i\u00e7in m\u00fckemmel bir ara\u00e7t\u0131r.<\/p>\n\n- MLflow Tracking:<\/strong> E\u011fitim parametrelerini, metrikleri (do\u011fruluk, kesinlik, geri \u00e7a\u011f\u0131rma), model a\u011f\u0131rl\u0131klar\u0131n\u0131 ve di\u011fer deneme \u00e7\u0131kt\u0131lar\u0131n\u0131 loglamam\u0131z\u0131 sa\u011flar.<\/li>\n
- MLflow Models:<\/strong> Modelleri farkl\u0131 ortamlara (\u00f6rne\u011fin, Docker, Spark UDF, SageMaker) kolayca da\u011f\u0131t\u0131labilir formatlarda paketler.<\/li>\n
- MLflow Registry:<\/strong> Model ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc (Staging, Production) y\u00f6netmek ve modelleri versiyonlamak i\u00e7in merkezi bir depo sunar.<\/li>\n<\/ul>\n
Bu, model geli\u015ftirme s\u00fcrecini \u015feffaf, i\u015fbirli\u011fine a\u00e7\u0131k ve yeniden \u00fcretilebilir hale getirir.<\/li>\n<\/ol>\n
\n# Basit bir PyTorch model e\u011fitimi ve MLflow ile loglama \u00f6rne\u011fi\nimport torch\nimport torch.nn as nn\nimport torch.optim as optim\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.datasets import make_classification\nimport mlflow\nimport mlflow.pytorch\n\n# Rastgele veri \u00fcretme\nX, y = make_classification(n_samples=1000, n_features=20, random_state=42)\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nX_train_tensor = torch.tensor(X_train, dtype=torch.float32)\ny_train_tensor = torch.tensor(y_train, dtype=torch.float32).view(-1, 1)\n\n# Basit bir sinir a\u011f\u0131 modeli\nclass SimpleNN(nn.Module):\n def __init__(self, input_dim):\n super(SimpleNN, self).__init__()\n self.fc1 = nn.Linear(input_dim, 64)\n self.relu = nn.ReLU()\n self.fc2 = nn.Linear(64, 1)\n self.sigmoid = nn.Sigmoid()\n\n def forward(self, x):\n return self.sigmoid(self.fc2(self.relu(self.fc1(x))))\n\n# MLflow ile deneme ba\u015flatma\nwith mlflow.start_run():\n # Hiperparametreler\n learning_rate = 0.01\n epochs = 10\n input_dim = X_train.shape[1]\n\n # Modeli ve optimizat\u00f6r\u00fc tan\u0131mla\n model = SimpleNN(input_dim)\n criterion = nn.BCELoss()\n optimizer = optim.Adam(model.parameters(), lr=learning_rate)\n\n # Hiperparametreleri logla\n mlflow.log_param(\"learning_rate\", learning_rate)\n mlflow.log_param(\"epochs\", epochs)\n mlflow.log_param(\"input_dim\", input_dim)\n\n # Model e\u011fitimi\n for epoch in range(epochs):\n optimizer.zero_grad()\n outputs = model(X_train_tensor)\n loss = criterion(outputs, y_train_tensor)\n loss.backward()\n optimizer.step()\n mlflow.log_metric(\"train_loss\", loss.item(), step=epoch)\n\n # Modeli kaydet\n mlflow.pytorch.log_model(model, \"model\")\n\n print(f\"E\u011fitim tamamland\u0131. Loss: {loss.item()}\")\n<\/pre>\n<\/code><\/p>\n
Bu \u00e7er\u00e7evelerin ve ara\u00e7lar\u0131n entegre bir \u015fekilde kullan\u0131lmas\u0131, AI model geli\u015ftirme s\u00fcrecini daha verimli, \u015feffaf ve \u00fcretim ortam\u0131na haz\u0131r hale getirir. Modelin e\u011fitimi s\u0131ras\u0131nda ya\u015fanan her denemenin kaydedilmesi ve en iyi performans g\u00f6steren modellerin versiyonlanmas\u0131, MLOps d\u00f6ng\u00fcs\u00fcn\u00fcn temelini olu\u015fturur ve s\u00fcrekli iyile\u015ftirme i\u00e7in zemin haz\u0131rlar.<\/p>\n
\u00dcretim Ortam\u0131na Model Da\u011f\u0131t\u0131m\u0131 Nas\u0131l Sorunsuz Hale Getirilir?<\/h2>\n
Bir makine \u00f6\u011frenimi modelini ba\u015far\u0131yla e\u011fitmek i\u015fin sadece yar\u0131s\u0131d\u0131r. Ger\u00e7ek de\u011fer yaratmas\u0131 i\u00e7in modelin \u00fcretim ortam\u0131na da\u011f\u0131t\u0131lmas\u0131 ve kullan\u0131c\u0131lar\u0131n eri\u015fimine sunulmas\u0131 gerekir. Bu a\u015fama, genellikle ML m\u00fchendisli\u011finin en karma\u015f\u0131k k\u0131s\u0131mlar\u0131ndan biridir ve \u00f6l\u00e7eklenebilirlik, d\u00fc\u015f\u00fck gecikme, hata tolerans\u0131 ve kolay y\u00f6netim gibi bir\u00e7ok operasyonel zorlu\u011fu beraberinde getirir. Bizim \u00fcretimde kulland\u0131\u011f\u0131m\u0131z ba\u015fl\u0131ca ara\u00e7lar ve yakla\u015f\u0131mlar \u015funlard\u0131r:<\/p>\n
\n- API \u00c7er\u00e7eveleri: FastAPI ve Flask<\/strong>
\n E\u011fitilmi\u015f modelleri HTTP API'leri arac\u0131l\u0131\u011f\u0131yla d\u0131\u015f d\u00fcnyaya sunmak en yayg\u0131n y\u00f6ntemdir. Bu ama\u00e7la FastAPI<\/code> ve Flask<\/code> gibi Python web \u00e7er\u00e7evelerini kullan\u0131r\u0131z.<\/p>\n\n- FastAPI:<\/strong> Modern, y\u00fcksek performansl\u0131 ve asenkron bir web \u00e7er\u00e7evesidir. Otomatik interaktif API belgeleri (Swagger UI ve ReDoc) olu\u015fturmas\u0131, veri do\u011frulama (Pydantic ile) ve ba\u011f\u0131ml\u0131l\u0131k enjeksiyonu gibi \u00f6zellikleri sayesinde API geli\u015ftirmeyi inan\u0131lmaz derecede h\u0131zland\u0131r\u0131r ve hatalar\u0131 azalt\u0131r. D\u00fc\u015f\u00fck gecikmeli ve y\u00fcksek trafikli AI servisleri i\u00e7in ilk tercihimizdir.<\/li>\n
- Flask:<\/strong> Daha hafif ve esnek bir mikro web \u00e7er\u00e7evesidir. Daha basit servisler veya h\u0131zl\u0131 prototipleme i\u00e7in uygun olabilir. Ancak b\u00fcy\u00fck \u00f6l\u00e7ekli ve y\u00fcksek performansl\u0131 uygulamalar i\u00e7in FastAPI'nin sundu\u011fu avantajlar daha belirgindir.<\/li>\n<\/ul>\n
Bu \u00e7er\u00e7evelerle, modelin tahmin fonksiyonunu bir RESTful API endpoint'i olarak a\u00e7ar\u0131z, b\u00f6ylece di\u011fer uygulamalar (mobil, web veya arka u\u00e7 servisleri) modelden kolayca tahmin alabilir.<\/li>\n
- Konteynerizasyon: Docker<\/strong>
\n Modellerin ve ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131n farkl\u0131 ortamlarda (geli\u015ftirme, test, \u00fcretim) tutarl\u0131 bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flamak i\u00e7in Docker<\/code> kullan\u0131r\u0131z. Bir model genellikle Python, belirli k\u00fct\u00fcphane versiyonlar\u0131, model a\u011f\u0131rl\u0131klar\u0131 ve bir API \u00e7er\u00e7evesi gerektirir. Docker, t\u00fcm bu ba\u011f\u0131ml\u0131l\u0131klar\u0131 tek bir izole edilmi\u015f, ta\u015f\u0131nabilir \"konteyner\" i\u00e7inde paketlememizi sa\u011flar. Bu sayede \"benim makinemde \u00e7al\u0131\u015f\u0131yordu\" sorunlar\u0131 ortadan kalkar ve da\u011f\u0131t\u0131m s\u00fcreci b\u00fcy\u00fck \u00f6l\u00e7\u00fcde basitle\u015fir.<\/li>\n- Orkestrasyon: Kubernetes ve Kubeflow<\/strong>
\n Tek bir konteyner da\u011f\u0131tmak kolayd\u0131r, ancak y\u00fczlerce model konteynerini y\u00f6netmek, \u00f6l\u00e7eklendirmek, izlemek ve otomatik olarak hata toleransl\u0131 hale getirmek i\u00e7in Kubernetes<\/code> devreye girer. Kubernetes, konteynerize edilmi\u015f uygulamalar\u0131 otomatik olarak da\u011f\u0131tan, \u00f6l\u00e7eklendiren ve y\u00f6neten a\u00e7\u0131k kaynakl\u0131 bir platformdur.<\/p>\n\n- Kubernetes:<\/strong> Y\u00fcksek kullan\u0131labilirlik, otomatik \u00f6l\u00e7eklendirme (hem yatay hem dikey), otomatik iyile\u015fme ve y\u00fck dengeleme gibi kritik yetenekler sunar. Model servislerini Kubernetes pod'lar\u0131 olarak \u00e7al\u0131\u015ft\u0131r\u0131r\u0131z ve ihtiyaca g\u00f6re otomatik olarak yeni pod'lar olu\u015fturmas\u0131n\u0131 sa\u011flar\u0131z.<\/li>\n
- Kubeflow:<\/strong> Kubernetes \u00fczerinde makine \u00f6\u011frenimi i\u015f y\u00fcklerini \u00e7al\u0131\u015ft\u0131rmak i\u00e7in tasarlanm\u0131\u015f bir platformdur. Kubeflow Pipelines ile ML i\u015f ak\u0131\u015flar\u0131n\u0131 (veri haz\u0131rl\u0131\u011f\u0131, model e\u011fitimi, model da\u011f\u0131t\u0131m\u0131) orkestra edebiliriz. Ayr\u0131ca KFServing gibi bile\u015fenlerle model servislerini daha geli\u015fmi\u015f \u00f6zelliklerle (A\/B testi, kanarya da\u011f\u0131t\u0131m\u0131) y\u00f6netebiliriz.<\/li>\n<\/ul>\n
Bu kombinasyon, \u00fcretim seviyesi AI sistemlerimiz i\u00e7in sa\u011flam, \u00f6l\u00e7eklenebilir ve y\u00f6netilebilir bir altyap\u0131 olu\u015fturur.<\/li>\n<\/ol>\n
\n# Basit bir FastAPI ile model servis etme \u00f6rne\u011fi\nfrom fastapi import FastAPI\nfrom pydantic import BaseModel\nimport numpy as np\nimport joblib # veya torch.load \/ tf.keras.models.load_model\n\n# Modeli y\u00fckleme (\u00f6rnek olarak sklearn modeli)\n# Ger\u00e7ek senaryoda bu, modelin MLflow'dan \u00e7ekilmesiyle yap\u0131l\u0131r\ntry:\n model = joblib.load(\"model.pkl\") # E\u011fitilmi\u015f modelinizin yolu\nexcept FileNotFoundError:\n print(\"Model.pkl bulunamad\u0131. L\u00fctfen bir model e\u011fitin ve kaydedin.\")\n # Dummy bir model olu\u015ftur, sadece \u00f6rnek olmas\u0131 i\u00e7in\n from sklearn.linear_model import LogisticRegression\n model = LogisticRegression()\n # model.fit(np.random.rand(10, 5), np.random.randint(0, 2, 10)) # Bir veri ile fit et\n # joblib.dump(model, \"model.pkl\")\n\napp = FastAPI()\n\nclass PredictionRequest(BaseModel):\n features: list[float] # \u00d6zelliklerin listesi\n\nclass PredictionResponse(BaseModel):\n prediction: float\n\n@app.post(\"\/predict\", response_model=PredictionResponse)\nasync def predict(request: PredictionRequest):\n input_data = np.array(request.features).reshape(1, -1)\n prediction = model.predict_proba(input_data)[0][1] # S\u0131n\u0131fland\u0131rma i\u00e7in olas\u0131l\u0131k\n\n return {\"prediction\": prediction}\n\n# Uygulamay\u0131 \u00e7al\u0131\u015ft\u0131rmak i\u00e7in: uvicorn main:app --reload\n# Dockerfile \u00f6rne\u011fi:\n# FROM python:3.9-slim-buster\n# WORKDIR \/app\n# COPY requirements.txt .\n# RUN pip install --no-cache-dir -r requirements.txt\n# COPY . .\n# CMD [\"uvicorn\", \"main:app\", \"--host\", \"0.0.0.0\", \"--port\", \"80\"]\n<\/pre>\n<\/code><\/p>\n
Vaka Analizi: Doland\u0131r\u0131c\u0131l\u0131k Tespit Sistemi Da\u011f\u0131t\u0131m\u0131<\/strong><\/p>\nB\u00fcy\u00fck bir finans kurulu\u015funda, ger\u00e7ek zamanl\u0131 doland\u0131r\u0131c\u0131l\u0131k tespiti i\u00e7in bir makine \u00f6\u011frenimi modeli geli\u015ftirdik. Bu modeli \u00fcretime al\u0131rken a\u015fa\u011f\u0131daki ad\u0131mlar\u0131 izledik: E\u011fitilmi\u015f XGBoost modelini FastAPI kullanarak bir API servisi olarak yazd\u0131k. Bu FastAPI uygulamas\u0131n\u0131, t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131yla birlikte bir Docker konteynerine paketledik. Docker konteynerini Kubernetes k\u00fcmesine da\u011f\u0131tt\u0131k. Kubernetes, uygulaman\u0131n y\u00fcksek kullan\u0131labilirlik ve otomatik \u00f6l\u00e7eklendirme \u00f6zelliklerini sa\u011flad\u0131. Ayr\u0131ca, Kubeflow'un KFServing bile\u015fenini kullanarak modelin A\/B testi ve kanarya da\u011f\u0131t\u0131m\u0131 gibi geli\u015fmi\u015f da\u011f\u0131t\u0131m stratejilerini uygulad\u0131k. Bu sayede, yeni model versiyonlar\u0131n\u0131 risk almadan, kontroll\u00fc bir \u015fekilde canl\u0131ya alabildik ve performans\u0131n\u0131 s\u00fcrekli izleyebildik. Bu entegre yakla\u015f\u0131m, saniyede binlerce i\u015flemi analiz eden, d\u00fc\u015f\u00fck gecikmeli ve y\u00fcksek g\u00fcvenilirli\u011fe sahip bir doland\u0131r\u0131c\u0131l\u0131k tespit sistemi kurmam\u0131z\u0131 sa\u011flad\u0131.<\/p>\n
Da\u011f\u0131t\u0131lan Modellerin Performans\u0131 Nas\u0131l Takip Edilir ve Y\u00f6netilir?<\/h2>\n
Modeli \u00fcretime almak, i\u015fin bitti\u011fi anlam\u0131na gelmez; aksine, s\u00fcrekli bir izleme ve bak\u0131m d\u00f6ng\u00fcs\u00fcn\u00fcn ba\u015flang\u0131c\u0131d\u0131r. \u00dcretim ortam\u0131nda \u00e7al\u0131\u015fan AI modelleri, zamanla performans kayb\u0131 ya\u015fayabilir veya beklenmedik davran\u0131\u015flar sergileyebilir. Bu durumlar genellikle veri kaymas\u0131 (data drift), model kaymas\u0131 (model drift) veya beklenmedik performans d\u00fc\u015f\u00fc\u015fleri \u015feklinde ortaya \u00e7\u0131kar. Bu sorunlar\u0131 erken tespit etmek ve proaktif bir \u015fekilde y\u00f6netmek i\u00e7in sa\u011flam izleme ve y\u00f6netim ara\u00e7lar\u0131na ihtiya\u00e7 duyar\u0131z. G\u00fcvendi\u011fimiz ba\u015fl\u0131ca ara\u00e7lar ve yakla\u015f\u0131mlar \u015funlard\u0131r:<\/p>\n
\n- Metrik Toplama ve G\u00f6rselle\u015ftirme: Prometheus ve Grafana<\/strong>
\n Sistem ve model seviyesindeki temel metrikleri toplamak ve g\u00f6rselle\u015ftirmek i\u00e7in Prometheus<\/code> ve Grafana<\/code> kombinasyonunu kullan\u0131r\u0131z.<\/p>\n\n- Prometheus:<\/strong> Model servislerinden (FastAPI uygulamalar\u0131 gibi) veya Kubernetes k\u00fcmesinden CPU kullan\u0131m\u0131, bellek, gecikme, istek say\u0131s\u0131, hata oran\u0131 gibi operasyonel metrikleri toplar. Modelin tahmin s\u00fcresi, bir s\u0131n\u0131f\u0131n tahmin edilme s\u0131kl\u0131\u011f\u0131 gibi \u00f6zel model metriklerini de Exporter'lar arac\u0131l\u0131\u011f\u0131yla toplayabiliriz.<\/li>\n
- Grafana:<\/strong> Prometheus'tan toplad\u0131\u011f\u0131m\u0131z bu metrikleri g\u00f6rselle\u015ftirmek i\u00e7in kullan\u0131l\u0131r. \u00d6zelle\u015ftirilebilir panolar arac\u0131l\u0131\u011f\u0131yla modelin anl\u0131k performans\u0131n\u0131, sistem sa\u011fl\u0131\u011f\u0131n\u0131 ve potansiyel sorunlar\u0131 kolayca takip edebiliriz. Kritik e\u015fik de\u011ferleri i\u00e7in uyar\u0131lar (alerting) ayarlayarak, anormallik durumunda ilgili ekiplere bildirim gitmesini sa\u011flar\u0131z.<\/li>\n<\/ul>\n
Bu ara\u00e7lar, modelin sa\u011fl\u0131kl\u0131 bir \u015fekilde \u00e7al\u0131\u015ft\u0131\u011f\u0131ndan emin olmak i\u00e7in temel bir g\u00f6r\u00fcn\u00fcrl\u00fck sa\u011flar.<\/li>\n
- Model ve Veri Kalitesi \u0130zleme: Evidently AI, WhyLabs<\/strong>
\n Sadece operasyonel metrikler yeterli de\u011fildir. AI modelleri i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015f ara\u00e7larla modelin ve girdilerinin kalitesini de izlememiz gerekir.<\/p>\n\n- Evidently AI:<\/strong> A\u00e7\u0131k kaynakl\u0131 bir ara\u00e7 olup, model performans\u0131n\u0131, veri kalitesini, veri kaymas\u0131n\u0131, model kaymas\u0131n\u0131 ve \u00f6zellik \u00f6nemini (feature importance) izlemek i\u00e7in interaktif raporlar ve panolar sa\u011flar. \u00d6zellikle yeni gelen \u00fcretim verilerinin, modelin e\u011fitildi\u011fi verilerden ne kadar farkl\u0131la\u015ft\u0131\u011f\u0131n\u0131 (data drift) ve bunun model \u00e7\u0131kt\u0131s\u0131n\u0131 nas\u0131l etkiledi\u011fini analiz etmek i\u00e7in \u00e7ok kullan\u0131\u015fl\u0131d\u0131r.<\/li>\n
- WhyLabs (WhyLogs):<\/strong> Veri profilleme ve g\u00f6zlemlenebilirlik platformudur. Gelen verilerin istatistiksel da\u011f\u0131l\u0131mlar\u0131n\u0131 yakalar ve zaman i\u00e7indeki de\u011fi\u015fiklikleri izler. Veri kaymas\u0131, veri kalitesi sorunlar\u0131 (eksik de\u011ferler, ayk\u0131r\u0131 de\u011ferler) gibi potansiyel sorunlar\u0131 proaktif olarak tespit eder. Genellikle \u00fcretim veri boru hatlar\u0131n\u0131n ba\u015f\u0131na entegre edilir.<\/li>\n<\/ul>\n
Bu ara\u00e7lar, modelin \"black box\" olmaktan \u00e7\u0131kmas\u0131na ve karar alma s\u00fcre\u00e7lerinin \u015feffafla\u015fmas\u0131na yard\u0131mc\u0131 olur.<\/li>\n
- Otomatik Yeniden E\u011fitim ve Model G\u00fcncelleme Boru Hatlar\u0131<\/strong>
\n Model performans\u0131nda d\u00fc\u015f\u00fc\u015f tespit edildi\u011finde veya yeni veri geldi\u011finde, modelin yeniden e\u011fitilmesi ve g\u00fcncellenmesi gerekir. Bu s\u00fcreci manuel olarak yapmak yerine, MLOps boru hatlar\u0131 (\u00f6rne\u011fin, Kubeflow Pipelines veya Azure ML Pipelines ile olu\u015fturulmu\u015f) arac\u0131l\u0131\u011f\u0131yla otomatikle\u015ftiririz.<\/p>\n\n- Performans d\u00fc\u015f\u00fc\u015f\u00fc veya veri kaymas\u0131 tespit edildi\u011finde otomatik olarak bir yeniden e\u011fitim tetiklenir.<\/li>\n
- Yeniden e\u011fitilen model, bir test ortam\u0131nda mevcut modelle kar\u015f\u0131la\u015ft\u0131r\u0131l\u0131r (A\/B testi veya kanarya da\u011f\u0131t\u0131m\u0131).<\/li>\n
- Yeni modelin performans\u0131 daha iyiyse, otomatik olarak MLflow Model Registry'de yeni versiyon olarak kaydedilir ve \u00fcretime da\u011f\u0131t\u0131l\u0131r.<\/li>\n<\/ol>\n
Bu d\u00f6ng\u00fc, AI sistemlerinin s\u00fcrekli olarak adapte olmas\u0131n\u0131 ve zamanla performans\u0131n\u0131 korumas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ol>\n
\n Uzman \u0130pucu: Model izleme panolar\u0131nda sadece model performans metriklerini de\u011fil, ayn\u0131 zamanda i\u015f metriklerini (\u00f6rne\u011fin, \u00f6neri sisteminin d\u00f6n\u00fc\u015f\u00fcm oran\u0131, doland\u0131r\u0131c\u0131l\u0131k tespit sisteminin yakalanan doland\u0131r\u0131c\u0131l\u0131k miktar\u0131) de takip edin. Bu, AI'\u0131n i\u015f \u00fczerindeki ger\u00e7ek etkisini g\u00f6rmenizi sa\u011flar.\n<\/div>\nVaka Analizi: Ak\u0131ll\u0131 Pazarlama Platformu \u0130\u00e7in Yapay Zeka Y\u0131\u011f\u0131n\u0131 ve \u0130zleme<\/strong><\/p>\nBir ak\u0131ll\u0131 pazarlama platformunda, kullan\u0131c\u0131 segmentasyonu ve reklam hedefleme i\u00e7in bir ML modelini kulland\u0131k. Bu model, zamanla kullan\u0131c\u0131 davran\u0131\u015flar\u0131ndaki de\u011fi\u015fiklikler nedeniyle veri kaymas\u0131na maruz kalma e\u011filimindeydi. Prometheus ve Grafana kullanarak modelin API \u00e7a\u011fr\u0131s\u0131 gecikmelerini ve hata oranlar\u0131n\u0131 izledik. Daha \u00f6nemlisi, Evidently AI'\u0131 devreye sokarak, haftal\u0131k olarak gelen yeni kullan\u0131c\u0131 verilerinin, modelin e\u011fitildi\u011fi verilerden ne kadar farkl\u0131la\u015ft\u0131\u011f\u0131n\u0131 analiz ettik. \u00d6zellikle, kullan\u0131c\u0131lar\u0131n demografik bilgilerindeki ve \u00fcr\u00fcn ilgi alanlar\u0131ndaki kaymalar\u0131 tespit ettik. Bir veri kaymas\u0131 e\u015fi\u011fi a\u015f\u0131ld\u0131\u011f\u0131nda, otomatik bir uyar\u0131 tetiklendi ve bu, Kubeflow Pipelines \u00fczerindeki yeniden e\u011fitim i\u015fini ba\u015flatt\u0131. Yeniden e\u011fitilen model, eski modelle bir hafta boyunca kanarya da\u011f\u0131t\u0131m\u0131 ile test edildi. Performans metriklerinde %3'l\u00fck bir art\u0131\u015f g\u00f6r\u00fcld\u00fc\u011f\u00fcnde, yeni model otomatik olarak tam \u00fcretime al\u0131nd\u0131. Bu s\u00fcrekli izleme ve otomatik yeniden e\u011fitim d\u00f6ng\u00fcs\u00fc, pazarlama kampanyalar\u0131n\u0131n etkinli\u011fini s\u00fcrekli olarak optimize etmemizi sa\u011flad\u0131.<\/p>\n
Bu b\u00fct\u00fcnsel izleme ve y\u00f6netim yakla\u015f\u0131m\u0131, AI modellerinin sadece da\u011f\u0131t\u0131lm\u0131\u015f olmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda canl\u0131 ortamda g\u00fcvenilir, verimli ve uzun \u00f6m\u00fcrl\u00fc olmas\u0131n\u0131 garanti eder.<\/p>\n
\u00dcretim Seviyesi Yapay Zeka Sistemlerinde \u0130leri D\u00fczey Uygulamalar Nelerdir?<\/h2>\n
AI y\u0131\u011f\u0131n\u0131 temel bile\u015fenlerini anlad\u0131ktan sonra, \u00fcretim seviyesi sistemlerin performans\u0131n\u0131, g\u00fcvenilirli\u011fini ve s\u00fcrd\u00fcr\u00fclebilirli\u011fini daha da art\u0131rmak i\u00e7in uygulad\u0131\u011f\u0131m\u0131z baz\u0131 ileri d\u00fczey teknikler ve pratikler vard\u0131r. Bu uygulamalar, \u00f6zellikle b\u00fcy\u00fck ve karma\u015f\u0131k AI projelerinde fark yarat\u0131r.<\/p>\n
\n- CI\/CD (S\u00fcrekli Entegrasyon\/S\u00fcrekli Teslimat) ve MLOps Boru Hatlar\u0131<\/strong>
\n Geleneksel yaz\u0131l\u0131m geli\u015ftirmede CI\/CD, kod de\u011fi\u015fikliklerinin otomatik olarak test edilmesini ve da\u011f\u0131t\u0131lmas\u0131n\u0131 sa\u011flar. MLOps ba\u011flam\u0131nda, bu kavram veri, kod ve model ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc kapsayacak \u015fekilde geni\u015fler.<\/p>\n\n- S\u00fcrekli Entegrasyon (CI):<\/strong> Her kod de\u011fi\u015fikli\u011finde (veri i\u015fleme betikleri, model e\u011fitimi kodu, da\u011f\u0131t\u0131m API'si) otomatik testler (birim testleri, entegrasyon testleri) ve kod kalitesi kontrolleri \u00e7al\u0131\u015ft\u0131r\u0131l\u0131r. Ayr\u0131ca, veri do\u011frulama ve temel model performans testleri de bu a\u015famaya dahil edilebilir.<\/li>\n
- S\u00fcrekli Teslimat\/Da\u011f\u0131t\u0131m (CD):<\/strong> Testlerden ge\u00e7en modellerin ve ilgili kodun otomatik olarak bir test veya \u00fcretim ortam\u0131na da\u011f\u0131t\u0131lmas\u0131d\u0131r. Bu, model versiyonlama, model kay\u0131t defteri g\u00fcncellemeleri ve API servislerinin g\u00fcncellenmesini i\u00e7erebilir. Kubeflow Pipelines, Apache Airflow veya Azure ML Pipelines gibi ara\u00e7lar, bu karma\u015f\u0131k MLOps boru hatlar\u0131n\u0131 olu\u015fturmak ve y\u00f6netmek i\u00e7in kullan\u0131l\u0131r.<\/li>\n<\/ul>\n
Bu otomasyon, manuel hatalar\u0131 azalt\u0131r, da\u011f\u0131t\u0131m s\u00fcrelerini k\u0131salt\u0131r ve AI modellerinin daha s\u0131k ve g\u00fcvenilir bir \u015fekilde g\u00fcncellenmesini sa\u011flar.<\/li>\n
- \u00d6zellik Depolar\u0131 (Feature Stores)<\/strong>
\n B\u00fcy\u00fck \u00f6l\u00e7ekli AI sistemlerinde, ayn\u0131 \u00f6zelliklerin (features) hem model e\u011fitimi hem de ger\u00e7ek zamanl\u0131 tahminler i\u00e7in tutarl\u0131 bir \u015fekilde kullan\u0131lmas\u0131 kritik \u00f6neme sahiptir. \u00d6zellik Depolar\u0131 (Feature Stores)<\/code>, bu sorunu \u00e7\u00f6zmek i\u00e7in tasarlanm\u0131\u015f \u00f6zel bir veri katman\u0131d\u0131r.<\/p>\n\n- Tutarl\u0131l\u0131k:<\/strong> E\u011fitim ve servis zaman\u0131 aras\u0131ndaki \u00f6zellik uyu\u015fmazl\u0131\u011f\u0131n\u0131 (training-serving skew) ortadan kald\u0131r\u0131r.<\/li>\n
- Yeniden Kullan\u0131labilirlik:<\/strong> Farkl\u0131 modellerin ayn\u0131 \u00f6nceden hesaplanm\u0131\u015f \u00f6zellikleri kullanmas\u0131na olanak tan\u0131r, b\u00f6ylece veri m\u00fchendisli\u011fi \u00e7abalar\u0131 optimize edilir.<\/li>\n
- Ger\u00e7ek Zamanl\u0131 Servis:<\/strong> D\u00fc\u015f\u00fck gecikmeli \u00f6zellik sunumu i\u00e7in tasarlanm\u0131\u015ft\u0131r, bu da ger\u00e7ek zamanl\u0131 tahmin sistemleri i\u00e7in idealdir.<\/li>\n<\/ul>\n
Feast veya Hopsworks gibi a\u00e7\u0131k kaynakl\u0131 veya bulut tabanl\u0131 (AWS Feature Store) \u00e7\u00f6z\u00fcmler, \u00f6zelliklerin tan\u0131mlanmas\u0131, depolanmas\u0131, versiyonlanmas\u0131 ve hem \u00e7evrimi\u00e7i hem de \u00e7evrimd\u0131\u015f\u0131 ortamlarda sunulmas\u0131 i\u00e7in kullan\u0131l\u0131r. Bu, \u00f6zellikle birden fazla ML modelinin ayn\u0131 \u00f6zellik setlerini kulland\u0131\u011f\u0131 durumlarda b\u00fcy\u00fck \u00f6l\u00e7ekte fayda sa\u011flar.<\/li>\n
- A\u00e7\u0131klanabilir Yapay Zeka (Explainable AI - XAI)<\/strong>
\n Baz\u0131 sekt\u00f6rlerde (finans, sa\u011fl\u0131k), bir AI modelinin neden belirli bir tahmin veya karar verdi\u011fini anlamak yasal veya etik gereklilikler nedeniyle hayati \u00f6neme sahiptir. A\u00e7\u0131klanabilir Yapay Zeka (XAI)<\/code> teknikleri, modellerin kararlar\u0131n\u0131 insanlar i\u00e7in anla\u015f\u0131l\u0131r hale getirmeyi ama\u00e7lar.<\/p>\n\n- SHAP (SHapley Additive exPlanations):<\/strong> Bir tahminin her bir \u00f6zelli\u011fin katk\u0131s\u0131n\u0131 belirlemek i\u00e7in oyun teorisine dayal\u0131 bir y\u00f6ntemdir. Hem global (modelin genel davran\u0131\u015f\u0131) hem de lokal (tek bir tahminin nedenleri) a\u00e7\u0131klamalar sa\u011flayabilir.<\/li>\n
- LIME (Local Interpretable Model-agnostic Explanations):<\/strong> Herhangi bir makine \u00f6\u011frenimi modelinin tek bir tahminini, yerel olarak yorumlanabilir bir model (\u00f6rne\u011fin, do\u011frusal bir model) kullanarak a\u00e7\u0131klar.<\/li>\n<\/ul>\n
Bu ara\u00e7lar\u0131 kullanarak, model tahminlerinin arkas\u0131ndaki nedenleri anlayabilir, modeldeki potansiyel yanl\u0131l\u0131klar\u0131 (bias) tespit edebilir ve payda\u015flara g\u00fcvenilir a\u00e7\u0131klamalar sunabiliriz.<\/li>\n<\/ol>\n
\n# Basit bir CI\/CD a\u015famas\u0131 \u00f6rne\u011fi - GitHub Actions ile model e\u011fitimi tetikleme\n# .github\/workflows\/ml_pipeline.yml\nname: ML Model Training and Deployment\n\non:\n push:\n branches:\n - main\n paths:\n - 'src\/model_training.py' # Model e\u011fitim kodu de\u011fi\u015fti\u011finde tetikle\n\njobs:\n train_and_deploy:\n runs-on: ubuntu-latest\n steps:\n - name: Checkout code\n uses: actions\/checkout@v2\n\n - name: Set up Python\n uses: actions\/setup-python@v2\n with:\n python-version: '3.9'\n\n - name: Install dependencies\n run: |\n pip install -r requirements.txt\n pip install mlflow boto3 # MLflow ve S3 i\u00e7in\n\n - name: Train model\n run: |\n python src\/model_training.py # MLflow ile model e\u011fitimi ve kayd\u0131\n\n - name: Deploy model (\u00f6rnek - sadece bir \u00e7\u0131kt\u0131)\n run: |\n echo \"Model e\u011fitim pipeline'\u0131 tamamland\u0131. Model versiyonlama ve da\u011f\u0131t\u0131m ad\u0131mlar\u0131 burada ger\u00e7ekle\u015ftirilebilir.\"\n # Ger\u00e7ek bir CD a\u015famas\u0131:\n # - MLflow Model Registry'ye kaydet\n # - Kubeflow Pipelines'\u0131 tetikle\n # - Kubernetes'e yeni Docker imaj\u0131n\u0131 da\u011f\u0131t\n<\/pre>\n<\/code><\/p>\n
Bu ileri d\u00fczey uygulamalar, AI sistemlerinin sadece \u00e7al\u0131\u015fmas\u0131n\u0131 de\u011fil, ayn\u0131 zamanda g\u00fcvenli, adil, \u015feffaf ve y\u00f6netilebilir olmas\u0131n\u0131 sa\u011flar. MLOps'un olgunluk seviyesi artt\u0131k\u00e7a, bu t\u00fcr uygulamalar AI \u00fcr\u00fcnlerinin ba\u015far\u0131s\u0131 i\u00e7in standart haline gelmektedir. \u00d6zellikle d\u00fczenlemelerin artt\u0131\u011f\u0131 ve AI eti\u011finin daha fazla \u00f6nem kazand\u0131\u011f\u0131 bir d\u00f6nemde, XAI gibi yakla\u015f\u0131mlar vazge\u00e7ilmez bir hale gelmektedir.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryosu: Ak\u0131ll\u0131 \u0130\u00e7erik \u00d6neri Sistemi \u0130\u00e7in AI Y\u0131\u011f\u0131n\u0131 Nas\u0131l Kurulur?<\/h2>\n
\u015eimdiye kadar ele ald\u0131\u011f\u0131m\u0131z t\u00fcm ara\u00e7lar\u0131 ve pratikleri bir araya getirerek, ger\u00e7ek bir senaryoda nas\u0131l bir AI y\u0131\u011f\u0131n\u0131 kurdu\u011fumuzu inceleyelim: B\u00fcy\u00fck bir medya platformu i\u00e7in kullan\u0131c\u0131lar\u0131n ilgi alanlar\u0131na g\u00f6re ki\u015fiselle\u015ftirilmi\u015f i\u00e7erik (makale, video) \u00f6nerileri sunan ak\u0131ll\u0131 bir sistem.<\/p>\n
Problem ve Ama\u00e7<\/h3>\n
Kullan\u0131c\u0131lar\u0131n platformda ge\u00e7irdi\u011fi s\u00fcreyi ve etkile\u015fim oranlar\u0131n\u0131 art\u0131rmak. Mevcut kural tabanl\u0131 \u00f6neri sistemi yetersiz kal\u0131yor, kullan\u0131c\u0131lar\u0131n ki\u015fiselle\u015ftirilmi\u015f deneyim talebini kar\u015f\u0131lam\u0131yor.<\/p>\n
Uygulanan AI Y\u0131\u011f\u0131n\u0131<\/h3>\n\n- Veri Altyap\u0131s\u0131 ve Y\u00f6netimi:<\/strong>\n
\n- Veri Toplama:<\/strong> Kullan\u0131c\u0131lar\u0131n web sitesi ve mobil uygulamadaki her t\u0131klamas\u0131, g\u00f6r\u00fcnt\u00fclemesi, be\u011fenisi, yorumu ve okuma s\u00fcresi gibi etkile\u015fim verileri
Apache Kafka<\/code> \u00fczerinden ger\u00e7ek zamanl\u0131 olarak toplan\u0131r. \u0130\u00e7erik meta verileri (kategori, etiketler, yazar, yay\u0131n tarihi) periyodik olarak bir veritaban\u0131ndan \u00e7ekilir.<\/li>\n- Depolama:<\/strong> Ham etkinlik verileri
Amazon S3<\/code> \u00fczerinde Delta Lake<\/code> format\u0131nda depolan\u0131r. \u0130\u00e7erik meta verileri, h\u0131zl\u0131 eri\u015fim i\u00e7in bir PostgreSQL veritaban\u0131nda saklan\u0131r.<\/li>\n- \u0130\u015fleme ve \u00d6zellik M\u00fchendisli\u011fi:<\/strong> G\u00fcnl\u00fck olarak \u00e7al\u0131\u015fan
Apache Spark<\/code> (PySpark<\/code> ile) i\u015fleri, Delta Lake'ten ham kullan\u0131c\u0131 verilerini okur. Bu veriler temizlenir, eksik de\u011ferler doldurulur ve kullan\u0131c\u0131lar\u0131n son 7 g\u00fcnl\u00fck okuma ge\u00e7mi\u015fi, en \u00e7ok etkile\u015fimde bulundu\u011fu kategoriler, toplam okuma s\u00fcresi gibi \u00f6zellikler \u00e7\u0131kar\u0131l\u0131r. \u0130\u00e7erik verileri i\u00e7in TF-IDF veya kelime g\u00f6mme (Word2Vec) gibi tekniklerle i\u00e7erik vekt\u00f6rleri olu\u015fturulur. T\u00fcm bu i\u015flenmi\u015f \u00f6zellikler, bir Feast Feature Store<\/code>'a hem \u00e7evrimi\u00e7i (Redis\/DynamoDB) hem de \u00e7evrimd\u0131\u015f\u0131 (Parquet\/Delta Lake) modda yaz\u0131l\u0131r. dbt<\/code> kullan\u0131larak Spark i\u015fleri organize ve test edilebilir hale getirilir.<\/li>\n<\/ul>\n<\/li>\n- Model Geli\u015ftirme ve E\u011fitim:<\/strong>\n
\n- Model Se\u00e7imi:<\/strong> Kullan\u0131c\u0131 ve i\u00e7erik \u00f6zelliklerini birle\u015ftiren derin \u00f6\u011frenme tabanl\u0131 bir s\u0131ralama modeli (\u00f6rne\u011fin, bir Two-Tower Neural Network)
PyTorch<\/code> ile geli\u015ftirilir. Daha basit senaryolar i\u00e7in Scikit-learn tabanl\u0131 modeller (\u00f6rne\u011fin, i\u00e7erik tabanl\u0131 \u00f6neriler) de kullan\u0131l\u0131r.<\/li>\n- Deneme Takibi:<\/strong> T\u00fcm model e\u011fitim denemeleri (hiperparametreler, metrikler, model a\u011f\u0131rl\u0131klar\u0131)
MLflow Tracking<\/code> ile kaydedilir. En iyi performans g\u00f6steren modeller, MLflow Model Registry<\/code>'ye versiyonlanarak kaydedilir ve \"Staging\" veya \"Production\" a\u015famalar\u0131na ta\u015f\u0131n\u0131r.<\/li>\n- E\u011fitim Altyap\u0131s\u0131:<\/strong> E\u011fitim, bulut sa\u011flay\u0131c\u0131s\u0131n\u0131n GPU destekli sanal makinelerinde veya
Kubeflow Training Operator<\/code> kullan\u0131larak Kubernetes k\u00fcmesi \u00fczerinde da\u011f\u0131t\u0131k olarak ger\u00e7ekle\u015ftirilir.<\/li>\n<\/ul>\n<\/li>\n- Model Da\u011f\u0131t\u0131m\u0131 ve Servis:<\/strong>\n
\n- API Servisi:<\/strong> E\u011fitilmi\u015f PyTorch modelleri,
FastAPI<\/code> kullan\u0131larak d\u00fc\u015f\u00fck gecikmeli bir \u00f6neri mikro servisi olarak sunulur. Bu servis, Feast Feature Store'dan ger\u00e7ek zamanl\u0131 kullan\u0131c\u0131 \u00f6zelliklerini \u00e7ekerek tahminde bulunur.<\/li>\n- Konteynerizasyon:<\/strong> FastAPI uygulamas\u0131 ve PyTorch modeli, t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131yla birlikte bir
Docker<\/code> konteynerine paketlenir.<\/li>\n- Orkestrasyon:<\/strong> Docker konteynerleri,
Kubernetes<\/code> k\u00fcmesi \u00fczerinde da\u011f\u0131t\u0131l\u0131r ve y\u00f6netilir. KFServing<\/code> kullan\u0131larak A\/B testi, kanarya da\u011f\u0131t\u0131m\u0131 ve otomatik \u00f6l\u00e7eklendirme gibi geli\u015fmi\u015f da\u011f\u0131t\u0131m stratejileri uygulan\u0131r.<\/li>\n<\/ul>\n<\/li>\n- Model \u0130zleme ve Bak\u0131m:<\/strong>\n
\n- Operasyonel \u0130zleme:<\/strong> \u00d6neri servisinin gecikmesi, hata oran\u0131, CPU\/bellek kullan\u0131m\u0131 gibi metrikler
Prometheus<\/code> taraf\u0131ndan toplan\u0131r ve Grafana<\/code> panolar\u0131nda g\u00f6rselle\u015ftirilir. Kritik e\u015fikler a\u015f\u0131ld\u0131\u011f\u0131nda Slack<\/code> veya e-posta arac\u0131l\u0131\u011f\u0131yla uyar\u0131lar g\u00f6nderilir.<\/li>\n- Model ve Veri Kalitesi \u0130zleme:<\/strong>
Evidently AI<\/code> kullan\u0131larak modelin tahmin do\u011frulu\u011fu, hassasiyeti ve geri \u00e7a\u011f\u0131rma gibi performans metrikleri ile gelen kullan\u0131c\u0131 etkile\u015fim verilerindeki olas\u0131 kaymalar (data drift) haftal\u0131k olarak izlenir. WhyLabs<\/code>, Feature Store'a giren verilerin profilini \u00e7\u0131kararak veri kalitesi sorunlar\u0131n\u0131 proaktif olarak tespit eder.<\/li>\n- Otomatik Yeniden E\u011fitim:<\/strong> Veri kaymas\u0131 veya model performans d\u00fc\u015f\u00fc\u015f\u00fc tespit edildi\u011finde (Evidently AI uyar\u0131lar\u0131 veya i\u015f metrikleri arac\u0131l\u0131\u011f\u0131yla),
Kubeflow Pipelines<\/code> \u00fczerinde tan\u0131mlanm\u0131\u015f bir yeniden e\u011fitim i\u015fi otomatik olarak tetiklenir. Yeni model e\u011fitilir, test edilir ve ba\u015far\u0131l\u0131 olursa MLflow Model Registry \u00fczerinden \u00fcretime al\u0131n\u0131r.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\nSonu\u00e7lar ve Kazan\u0131mlar<\/h3>\n
Bu AI y\u0131\u011f\u0131n\u0131 sayesinde medya platformu, kullan\u0131c\u0131lar\u0131na \u00e7ok daha ki\u015fiselle\u015ftirilmi\u015f bir deneyim sunabildi. \u00d6nceden sadece 5-10 i\u00e7erik \u00f6nerisi sunabilen sistem, \u015fimdi kullan\u0131c\u0131lar\u0131n ge\u00e7mi\u015f etkile\u015fimlerine ve anl\u0131k ba\u011flama g\u00f6re dinamik olarak y\u00fczlerce potansiyel i\u00e7erik aras\u0131ndan en alakal\u0131 olanlar\u0131 s\u0131ralayabiliyor. Bu da:<\/p>\n
\n- Kullan\u0131c\u0131lar\u0131n platformda ge\u00e7irdi\u011fi ortalama s\u00fcrede %20 art\u0131\u015f,<\/li>\n
- \u0130\u00e7erik t\u0131klama oranlar\u0131nda (CTR) %18 iyile\u015fme,<\/li>\n
- Abonelik d\u00f6n\u00fc\u015f\u00fcm oranlar\u0131nda %5 art\u0131\u015f ile sonu\u00e7land\u0131.<\/li>\n<\/ul>\n
En \u00f6nemlisi, bu sistem, s\u00fcrekli veri ak\u0131\u015f\u0131na ve de\u011fi\u015fen kullan\u0131c\u0131 davran\u0131\u015flar\u0131na adapte olabilen, \u00f6l\u00e7eklenebilir ve g\u00fcvenilir bir altyap\u0131 \u00fczerinde \u00e7al\u0131\u015f\u0131yor. Bu vaka analizi, do\u011fru AI y\u0131\u011f\u0131n\u0131 se\u00e7imi ve MLOps pratiklerinin, ger\u00e7ek i\u015f de\u011ferini nas\u0131l d\u00f6n\u00fc\u015ft\u00fcrd\u00fc\u011f\u00fcn\u00fc a\u00e7\u0131k\u00e7a g\u00f6stermektedir.<\/p>\n
\n Uzman \u0130pucu: Mobil cihazlarda bu t\u00fcr i\u00e7erik \u00f6nerilerinin h\u0131zl\u0131 y\u00fcklenmesi i\u00e7in, API yan\u0131tlar\u0131n\u0131 s\u0131k\u0131\u015ft\u0131rabilir (gzip) ve istemci taraf\u0131nda ak\u0131ll\u0131 \u00f6nbellekleme stratejileri (service workers) uygulayarak kullan\u0131c\u0131 deneyimini iyile\u015ftirebilirsiniz.\n<\/div>\n\n\n