Modern i\u00e7 mimarl\u0131k d\u00fcnyas\u0131nda yapay zeka entegrasyonu, tasar\u0131m s\u00fcre\u00e7lerini d\u00f6n\u00fc\u015ft\u00fcr\u00fcyor. Bu makale, bir \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 uygulamas\u0131n\u0131 Google Cloud Run \u00fczerinde nas\u0131l geli\u015ftirip k\u00fcresel \u00f6l\u00e7ekte da\u011f\u0131tabilece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131kl\u0131yor, tasar\u0131m otomasyonunda yeni ufuklar a\u00e7\u0131yor.<\/p>\n
G\u00fcn\u00fcm\u00fcz d\u00fcnyas\u0131nda ki\u015fiselle\u015ftirilmi\u015f i\u00e7 mekan tasar\u0131m\u0131 hizmetlerine olan talep s\u00fcrekli art\u0131\u015f g\u00f6sterirken, geleneksel tasar\u0131m s\u00fcre\u00e7leri \u00e7o\u011fu zaman zaman al\u0131c\u0131, maliyetli ve \u00f6l\u00e7eklenmesi zor olabilmektedir. Bir i\u00e7 mimar\u0131n bir projeyi tamamlamas\u0131 haftalar hatta aylar s\u00fcrebilirken, m\u00fc\u015fteri beklentileri her ge\u00e7en g\u00fcn daha h\u0131zl\u0131 ve daha esnek \u00e7\u00f6z\u00fcmler aray\u0131\u015f\u0131nda. Peki, bu s\u00fcreci yapay zeka ve \u00f6zellikle \u00e7oklu ajan sistemleri ile otomatize ederek, hem h\u0131z\u0131 hem de ki\u015fiselle\u015ftirme d\u00fczeyini art\u0131rmak m\u00fcmk\u00fcn m\u00fcd\u00fcr? Bu soru, “Localhost” ortam\u0131nda sadece k\u00fc\u00e7\u00fck bir demo olarak kalan bir yapay zeka uygulamas\u0131n\u0131, binlerce hatta milyonlarca kullan\u0131c\u0131ya hizmet verebilecek k\u00fcresel bir platforma d\u00f6n\u00fc\u015ft\u00fcrme potansiyelini g\u00f6zler \u00f6n\u00fcne seriyor.<\/p>\n
\u00c7oklu ajan yapay zeka sistemleri, karma\u015f\u0131k problemleri \u00e7\u00f6zmek i\u00e7in birden fazla otonom yaz\u0131l\u0131m ajan\u0131n\u0131n bir araya gelerek i\u015f birli\u011fi yapmas\u0131n\u0131 sa\u011flayan g\u00fc\u00e7l\u00fc bir paradigmaya sahiptir. \u0130\u00e7 mimarl\u0131k alan\u0131nda bu, \u00f6rne\u011fin, bir ajan\u0131n kullan\u0131c\u0131n\u0131n stil tercihlerini anlamas\u0131, di\u011fer bir ajan\u0131n mobilya yerle\u015fimini optimize etmesi ve bir ba\u015fkas\u0131n\u0131n malzeme se\u00e7imlerini yapmas\u0131 gibi g\u00f6rev b\u00f6l\u00fcmlerini m\u00fcmk\u00fcn k\u0131lar. Bu ajanlar aras\u0131ndaki koordinasyon ve ak\u0131ll\u0131 etkile\u015fim, yaln\u0131zca bireysel par\u00e7alar\u0131n toplam\u0131ndan daha fazlas\u0131n\u0131 sunan, b\u00fct\u00fcnsel ve yarat\u0131c\u0131 tasar\u0131m \u00e7\u00f6z\u00fcmleri \u00fcretebilir. Ancak, bu t\u00fcr sofistike bir sistemi s\u0131f\u0131rdan olu\u015fturmak ve daha da \u00f6nemlisi, herhangi bir anda y\u00fczlerce hatta binlerce e\u015fzamanl\u0131 tasar\u0131m iste\u011fini i\u015fleyebilecek \u015fekilde da\u011f\u0131tmak, ba\u015fl\u0131 ba\u015f\u0131na b\u00fcy\u00fck bir teknik meydan okumad\u0131r. \u0130\u015fte tam da bu noktada, Google Cloud Run gibi sunucusuz platformlar devreye girerek, geli\u015ftiricilere \u00f6l\u00e7eklenebilirlik, esneklik ve maliyet etkinli\u011fi gibi paha bi\u00e7ilmez avantajlar sunar.<\/p>\n
Bu makale boyunca, bir i\u00e7 mimarl\u0131k \u00e7oklu ajan yapay zeka uygulamas\u0131n\u0131n temel mimarisinden ba\u015flayarak, bu uygulaman\u0131n Docker konteynerleri arac\u0131l\u0131\u011f\u0131yla nas\u0131l paketlenece\u011fini ve nihayetinde Google Cloud Run’\u0131n sunucusuz g\u00fcc\u00fcn\u00fc kullanarak nas\u0131l k\u00fcresel \u00e7apta da\u011f\u0131t\u0131laca\u011f\u0131n\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Ama\u00e7, sadece teknik bir rehber sunmakla kalmay\u0131p, ayn\u0131 zamanda okuyuculara bu teknolojilerin ger\u00e7ek d\u00fcnyadaki potansiyelini g\u00f6steren pratik bilgiler ve stratejiler sunmakt\u0131r. Bu yolculuk, yerel makinenizdeki bir denemeden, milyonlarca ev ve ofise dokunabilecek bir yapay zeka g\u00fcc\u00fcne ula\u015fman\u0131n kap\u0131lar\u0131n\u0131 aralayacakt\u0131r. Dolay\u0131s\u0131yla, bu heyecan verici alandaki f\u0131rsatlar\u0131 ke\u015ffetmeye haz\u0131r olun.<\/p>\n
\u0130\u00e7 mimari tasar\u0131m s\u00fcre\u00e7lerinin otomasyonu, \u00e7a\u011f\u0131m\u0131z\u0131n dijitalle\u015fen ihtiya\u00e7lar\u0131na bir yan\u0131t olarak ortaya \u00e7\u0131km\u0131\u015ft\u0131r. Geleneksel yakla\u015f\u0131mlar, insan g\u00fcc\u00fcne ba\u011f\u0131ml\u0131l\u0131k, uzun proje s\u00fcreleri, y\u00fcksek maliyetler ve s\u0131n\u0131rl\u0131 ki\u015fiselle\u015ftirme se\u00e7enekleri gibi zorluklarla kar\u015f\u0131 kar\u015f\u0131yad\u0131r. Her m\u00fc\u015fteri i\u00e7in s\u0131f\u0131rdan bir tasar\u0131m olu\u015fturmak, tasar\u0131mc\u0131lar \u00fczerinde b\u00fcy\u00fck bir y\u00fck olu\u015ftururken, bu durum ayn\u0131 zamanda m\u00fc\u015fteri memnuniyetini de etkileyebilir. Otomasyon, bu darbo\u011fazlar\u0131 a\u015farak, daha h\u0131zl\u0131 teslim s\u00fcreleri, daha uygun maliyetli hizmetler ve geni\u015f \u00e7apta ki\u015fiselle\u015ftirilebilir se\u00e7enekler sunar. \u00d6rne\u011fin, bir emlak platformu, yeni daireler i\u00e7in an\u0131nda sanal i\u00e7 tasar\u0131m \u00f6nerileri sunarak m\u00fc\u015fterilerin karar verme s\u00fcre\u00e7lerini h\u0131zland\u0131rabilir. Benzer \u015fekilde, mobilya perakendecileri, m\u00fc\u015fterilerine kendi evlerinde \u00fcr\u00fcnlerinin nas\u0131l g\u00f6r\u00fcnece\u011fini ger\u00e7ek zamanl\u0131 olarak g\u00f6steren interaktif ara\u00e7lar sunabilirler. Bu, sadece operasyonel verimlili\u011fi art\u0131rmakla kalmaz, ayn\u0131 zamanda kullan\u0131c\u0131 deneyimini de k\u00f6kten iyile\u015ftirir.<\/p>\n
Tek bir yapay zeka modelinin t\u00fcm i\u00e7 mimari tasar\u0131m s\u00fcrecini ba\u015ftan sona y\u00f6netmesi, karma\u015f\u0131kl\u0131\u011f\u0131 nedeniyle olduk\u00e7a zordur. Tasar\u0131m sadece estetik bir alg\u0131dan ibaret de\u011fildir; ayn\u0131 zamanda fonksiyonellik, b\u00fct\u00e7e, malzeme uygunlu\u011fu, mevzuat uyumu ve m\u00fc\u015fteri tercihleri gibi bir\u00e7ok farkl\u0131 boyutu i\u00e7erir. \u0130\u015fte bu noktada \u00e7oklu ajan sistemleri devreye girer. Her bir ajan, tasar\u0131m s\u00fcrecinin belirli bir y\u00f6n\u00fcnde uzmanla\u015fm\u0131\u015f, otonom bir varl\u0131k olarak g\u00f6rev yapar. \u00d6rne\u011fin, bir “Stil Ajani” kullan\u0131c\u0131n\u0131n estetik zevklerini analiz ederken, bir “Yerle\u015fim Ajani” mobilyalar\u0131n mekana uygun ve ergonomik bir \u015fekilde yerle\u015ftirilmesini sa\u011flar. Bir “B\u00fct\u00e7e Ajani” ise t\u00fcm se\u00e7imlerin belirlenen maliyet s\u0131n\u0131rlar\u0131 i\u00e7inde kalmas\u0131n\u0131 denetler. Bu ajanlar, birbirleriyle i\u015f birli\u011fi yaparak, merkezi bir koordinasyon mekanizmas\u0131 veya do\u011frudan ileti\u015fim yoluyla bilgi al\u0131\u015fveri\u015finde bulunur ve bu sayede \u00e7ok daha kapsaml\u0131, tutarl\u0131 ve optimize edilmi\u015f tasar\u0131m \u00e7\u00f6z\u00fcmleri \u00fcretebilirler. Bu da\u011f\u0131t\u0131k problem \u00e7\u00f6zme yakla\u015f\u0131m\u0131, karma\u015f\u0131k i\u00e7 mimari g\u00f6revleri y\u00f6netilebilir par\u00e7alara ay\u0131rarak, daha esnek ve hata toleransl\u0131 sistemlerin geli\u015ftirilmesine olanak tan\u0131r.<\/p>\n
Bir yapay zeka uygulamas\u0131n\u0131 yerel makineden al\u0131p k\u00fcresel bir hizmete d\u00f6n\u00fc\u015ft\u00fcrmek, \u00f6zellikle i\u00e7 mimari gibi karma\u015f\u0131k ve \u00e7ok boyutlu bir alanda, sadece kod yazmakla bitmez. Bu s\u00fcre\u00e7te iki temel teknolojik yap\u0131 ta\u015f\u0131 kritik rol oynar: birincisi, uygulaman\u0131n kendisinin zeka ve i\u015flevselli\u011fini sa\u011flayan “\u00c7oklu Ajan Sistemleri”, ikincisi ise bu uygulaman\u0131n istikrarl\u0131, \u00f6l\u00e7eklenebilir ve maliyet etkin bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayan “Sunucusuz Mimariler”, \u00f6zelde de Google Cloud Run. Bu kavramlar\u0131 anlamak, projenin her a\u015famas\u0131nda do\u011fru kararlar alman\u0131z i\u00e7in temel bir zemin olu\u015fturur.<\/p>\n
\u00c7oklu ajan sistemleri, birbirleriyle etkile\u015fim halinde olan ba\u011f\u0131ms\u0131z yaz\u0131l\u0131m varl\u0131klar\u0131n\u0131n olu\u015fturdu\u011fu bir ekosistem olarak d\u00fc\u015f\u00fcn\u00fclebilir. Her bir ajan, belirli bir uzmanl\u0131k alan\u0131na sahip olup, kendi hedefleri do\u011frultusunda hareket eder ve di\u011fer ajanlarla bilgi payla\u015farak veya onlardan talepte bulunarak ortak bir amaca hizmet eder. Bu yakla\u015f\u0131m, \u00f6zellikle karma\u015f\u0131k ve dinamik ortamlarda, tekil bir monolitik yapay zeka modelinin \u00fcstesinden gelemeyece\u011fi problemleri \u00e7\u00f6zmek i\u00e7in idealdir. \u00d6rne\u011fin, i\u00e7 mimari tasar\u0131mda, bir ajan kullan\u0131c\u0131n\u0131n ya\u015fam tarz\u0131n\u0131 analiz ederken, ba\u015fka bir ajan mevcut mobilya envanterini tarayabilir ve \u00fc\u00e7\u00fcnc\u00fc bir ajan renk paletleri ve ayd\u0131nlatma senaryolar\u0131 \u00fczerine uzmanla\u015fabilir. Bu otonom ve i\u015fbirlik\u00e7i yap\u0131, tasar\u0131m s\u00fcrecini mod\u00fcler hale getirerek, daha esnek, \u00f6l\u00e7eklenebilir ve y\u00f6netilebilir bir sistem ortaya \u00e7\u0131kar\u0131r. Ayr\u0131ca, yeni ajanlar\u0131n eklenmesi veya mevcut ajanlar\u0131n g\u00fcncellenmesi, t\u00fcm sistemi ba\u015ftan yazmaya gerek kalmadan kolayca yap\u0131labilir, bu da \u00e7evik geli\u015ftirmeye olanak tan\u0131r.<\/p>\n
\u00d6te yandan, sunucusuz mimariler, uygulamalar\u0131 \u00e7al\u0131\u015ft\u0131rmak i\u00e7in sunucu y\u00f6netimiyle u\u011fra\u015fma y\u00fck\u00fcn\u00fc geli\u015ftiricilerin \u00fczerinden al\u0131r. Geli\u015ftiriciler sadece kodlar\u0131na odaklan\u0131r, altyap\u0131n\u0131n sa\u011flama, \u00f6l\u00e7ekleme ve bak\u0131m gibi zorlu g\u00f6revleri bulut sa\u011flay\u0131c\u0131s\u0131 taraf\u0131ndan \u00fcstlenilir. Google Cloud Run, bu sunucusuz paradigman\u0131n en g\u00fc\u00e7l\u00fc temsilcilerinden biridir. Geli\u015ftiricilerin Docker konteynerlerini do\u011frudan \u00e7al\u0131\u015ft\u0131rmas\u0131na olanak tan\u0131r, bu da uygulaman\u0131n herhangi bir dilde yaz\u0131lm\u0131\u015f olabilece\u011fi ve belirli bir \u00e7al\u0131\u015fma zaman\u0131 ortam\u0131na ba\u011fl\u0131 kalmadan da\u011f\u0131t\u0131labilece\u011fi anlam\u0131na gelir. Cloud Run’\u0131n en \u00f6nemli avantajlar\u0131 aras\u0131nda otomatik \u00f6l\u00e7eklenme yetene\u011fi bulunur; yani uygulaman\u0131z\u0131n trafi\u011fi artt\u0131\u011f\u0131nda otomatik olarak daha fazla \u00f6rnek ba\u015flat\u0131l\u0131r, trafik azald\u0131\u011f\u0131nda ise \u00f6rnekler kapat\u0131l\u0131r ve sadece kulland\u0131\u011f\u0131n\u0131z kaynaklar i\u00e7in \u00f6deme yapars\u0131n\u0131z. Bu “iste\u011fe ba\u011fl\u0131 \u00f6l\u00e7eklendirme” ve “kullan\u0131m ba\u015f\u0131na \u00f6deme” modeli, \u00f6zellikle de\u011fi\u015fken trafik paternlerine sahip uygulamalar i\u00e7in b\u00fcy\u00fck maliyet tasarrufu sa\u011flar ve k\u00fcresel eri\u015filebilirlik sunar. Dolay\u0131s\u0131yla, bir \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 gibi yo\u011fun kaynak gerektiren ancak s\u00fcrekli \u00e7al\u0131\u015fmayan bir uygulama i\u00e7in Cloud Run, ideal bir da\u011f\u0131t\u0131m platformudur.<\/p>\n
\u00c7oklu ajan sistemleri, temelde bir dizi otonom ajan\u0131n belirli bir hedefe ula\u015fmak i\u00e7in i\u015f birli\u011fi yapt\u0131\u011f\u0131 mimarilerdir. Her ajan, \u00e7evresini alg\u0131layan, bilgi i\u015fleyen, karar veren ve belirli eylemleri ger\u00e7ekle\u015ftiren bir yaz\u0131l\u0131m par\u00e7as\u0131d\u0131r. \u0130\u00e7 mimari tasar\u0131m \u00f6rne\u011fimizde, bu ajanlar farkl\u0131 rolleri \u00fcstlenir:<\/p>\n
Bu ajanlar genellikle bir “kara tahta” (blackboard) sistemi, mesaj kuyruklar\u0131 (\u00f6rne\u011fin RabbitMQ, Kafka veya daha basit bir HTTP\/WebSocket tabanl\u0131 ileti\u015fim) veya do\u011frudan API \u00e7a\u011fr\u0131lar\u0131 arac\u0131l\u0131\u011f\u0131yla etkile\u015fim kurar. \u00d6rne\u011fin, ClientAgent, stil tercihlerini bir mesaj kuyru\u011funa g\u00f6nderir, StyleAgent bu mesaj\u0131 al\u0131r, stili belirler ve sonucu tekrar kuyru\u011fa b\u0131rak\u0131r, bu da Yerle\u015fim Ajani taraf\u0131ndan al\u0131n\u0131r. Bu d\u00f6ng\u00fc, nihai tasar\u0131ma ula\u015f\u0131lana kadar devam eder. Bu mod\u00fcler yap\u0131, her ajan\u0131n ba\u011f\u0131ms\u0131z olarak geli\u015ftirilmesine, test edilmesine ve \u00f6l\u00e7eklendirilmesine olanak tan\u0131r.<\/p>\n
Google Cloud Run, sunucusuz bir platform olup, geli\u015ftiricilerin konteynerli uygulamalar\u0131n\u0131 herhangi bir sunucu y\u00f6netimi ihtiyac\u0131 olmadan \u00e7al\u0131\u015ft\u0131rmas\u0131na olanak tan\u0131r. Uygulaman\u0131z\u0131 bir Docker konteynerine paketlersiniz ve Cloud Run, bu konteyneri otomatik olarak \u00f6l\u00e7eklendirir, y\u00f6netir ve \u00e7al\u0131\u015ft\u0131r\u0131r. Peki, \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 uygulamam\u0131z i\u00e7in Cloud Run neden ideal bir se\u00e7imdir?<\/p>\n
Bu avantajlar, bir \u00e7oklu ajan yapay zeka uygulamas\u0131n\u0131 geli\u015ftirirken kar\u015f\u0131la\u015f\u0131labilecek \u00f6l\u00e7eklenebilirlik ve operasyonel zorluklar\u0131 minimize ederek, projenin daha h\u0131zl\u0131 ve g\u00fcvenilir bir \u015fekilde hayata ge\u00e7irilmesini sa\u011flar.<\/p>\n
Bir \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 projesi, yaln\u0131zca koddan ibaret de\u011fildir; ayn\u0131 zamanda ajanlar aras\u0131 etkile\u015fimi, veri ak\u0131\u015f\u0131n\u0131 ve karar alma mekanizmalar\u0131n\u0131 da kapsayan iyi d\u00fc\u015f\u00fcn\u00fclm\u00fc\u015f bir mimariye ihtiya\u00e7 duyar. Bu k\u0131s\u0131mda, b\u00f6yle bir sistemin temel bile\u015fenlerini, ajanlar\u0131n rollerini ve birbirleriyle nas\u0131l ileti\u015fim kurdu\u011funu derinlemesine inceleyece\u011fiz. Uygulaman\u0131n beyni olan bu yap\u0131, Cloud Run’\u0131n sunucusuz ortam\u0131nda sorunsuz \u00e7al\u0131\u015facak \u015fekilde tasarlanmal\u0131d\u0131r. Sistem, kullan\u0131c\u0131n\u0131n talepleriyle ba\u015flay\u0131p, nihai bir i\u00e7 tasar\u0131m \u00f6nerisiyle sonu\u00e7lanana kadar karma\u015f\u0131k bir dizi ad\u0131m\u0131 koordine etmelidir. Bu, her bir ajan\u0131n sadece kendi g\u00f6revini yerine getirmesini de\u011fil, ayn\u0131 zamanda di\u011fer ajanlarla i\u015f birli\u011fi yaparak ortak bir amaca hizmet etmesini gerektirir. Veri tutarl\u0131l\u0131\u011f\u0131, ajanlar aras\u0131 mesajla\u015fman\u0131n g\u00fcvenilirli\u011fi ve performans, bu mimarinin temel direklerini olu\u015fturur. Dolay\u0131s\u0131yla, tasar\u0131m kararlar\u0131, projenin uzun vadeli ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n
\u00c7oklu ajan sistemlerini tasarlarken, her bir ajan\u0131n spesifik bir uzmanl\u0131k alan\u0131na sahip olmas\u0131n\u0131 ve bu uzmanl\u0131k alan\u0131nda en iyi performans\u0131 sergilemesini sa\u011flamak esast\u0131r. \u00d6rne\u011fin, bir ajan yaln\u0131zca renk paletleri hakk\u0131nda bilgi sahibi olabilirken, di\u011feri mekanik m\u00fchendislik k\u0131s\u0131tlamalar\u0131n\u0131 anlayabilir. Bu ayr\u0131m, sistemi daha mod\u00fcler ve y\u00f6netilebilir k\u0131lar. Ayr\u0131ca, ajanlar aras\u0131 ileti\u015fimi ve veri payla\u015f\u0131m\u0131n\u0131 d\u00fczenleyecek merkezi bir koordinasyon mekanizmas\u0131 veya da\u011f\u0131t\u0131k bir mesajla\u015fma sistemi kurulmas\u0131 hayati \u00f6neme sahiptir. Bu sistem, ajanlar\u0131n birbirlerinin \u00e7\u0131kt\u0131lar\u0131n\u0131 girdi olarak kullanmalar\u0131n\u0131 ve \u00e7ak\u0131\u015fan g\u00f6revlerde uyum i\u00e7inde hareket etmelerini sa\u011flar. \u00d6rne\u011fin, bir mutfak tasar\u0131m\u0131 projesinde, dolap yerle\u015fimi ajan\u0131, musluk ve lavabo yerle\u015fimi ajan\u0131 ile s\u00fcrekli ileti\u015fim halinde olmal\u0131, zira bu iki bile\u015fenin birbiriyle uyumlu olmas\u0131 gerekir. Ek olarak, sistemin harici veri kaynaklar\u0131yla (\u00f6rne\u011fin mobilya kataloglar\u0131, malzeme veritabanlar\u0131, kullan\u0131c\u0131 anketleri) entegrasyonu, tasar\u0131m \u00f6nerilerinin ger\u00e7ek d\u00fcnya ile uyumlu ve g\u00fcncel olmas\u0131n\u0131 garanti eder. Bu entegrasyonlar genellikle API \u00e7a\u011fr\u0131lar\u0131 veya veritaban\u0131 sorgular\u0131 arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir. T\u00fcm bu bile\u015fenler bir araya geldi\u011finde, statik bir g\u00f6r\u00fcnt\u00fcden \u00e7ok daha fazlas\u0131n\u0131 sunan, dinamik, etkile\u015fimli ve ger\u00e7ekten “ak\u0131ll\u0131” bir i\u00e7 tasar\u0131m sistemi ortaya \u00e7\u0131kar.<\/p>\n
Bir \u00e7oklu ajan sisteminde, her ajan belirli bir sorumluluk alan\u0131na sahiptir ve bu sorumluluklar\u0131 yerine getirirken di\u011fer ajanlarla etkile\u015fimde bulunur. \u0130\u00e7 mimari tasar\u0131mc\u0131m\u0131z i\u00e7in temel ajan rolleri ve etkile\u015fim modellerini a\u015fa\u011f\u0131daki gibi d\u00fc\u015f\u00fcnebiliriz:<\/p>\n
Ajanlar aras\u0131 ileti\u015fim, genellikle merkezi bir koordinasyon mekanizmas\u0131 (\u00f6rne\u011fin bir mesaj kuyru\u011fu veya pub\/sub sistemi) \u00fczerinden ger\u00e7ekle\u015fir. Bu, ajanlar\u0131n birbirlerinin do\u011frudan \u00e7al\u0131\u015ft\u0131rma detaylar\u0131n\u0131 bilmeden asenkron olarak etkile\u015fim kurmas\u0131n\u0131 sa\u011flar. B\u00f6ylece, bir ajan ba\u015far\u0131s\u0131z olsa bile t\u00fcm sistem \u00e7\u00f6kmez ve mesajlar daha sonra i\u015flenmek \u00fczere kuyrukta kalabilir. Bu model, \u00f6zellikle sunucusuz ortamlarda da\u011f\u0131t\u0131k sistemlerin sa\u011flaml\u0131\u011f\u0131n\u0131 art\u0131r\u0131r.<\/p>\n
Veri ak\u0131\u015f\u0131 ve karar mekanizmalar\u0131, \u00e7oklu ajan sistemlerinin kalbinde yer al\u0131r. Bu, ajan\u0131n \u00e7evresinden bilgi almas\u0131n\u0131, bu bilgiyi i\u015flemesini, bir karar vermesini ve ard\u0131ndan bir eylem ger\u00e7ekle\u015ftirmesini sa\u011flayan d\u00f6ng\u00fcd\u00fcr. \u0130\u00e7 mimari tasar\u0131mc\u0131m\u0131zda bu s\u00fcre\u00e7 \u015fu ad\u0131mlar\u0131 i\u00e7erebilir:<\/p>\n
Bu sistemde, her ajan\u0131n “\u00f6zel” bir g\u00f6revi vard\u0131r, ancak sistemin b\u00fct\u00fcn\u00fc, bu g\u00f6revlerin koordinasyonu ile karma\u015f\u0131k bir problemi \u00e7\u00f6zer. Karar mekanizmalar\u0131, genellikle yapay zeka modelleri (\u00f6zellikle stil ve mobilya se\u00e7imi i\u00e7in), kural tabanl\u0131 sistemler (b\u00fct\u00e7e ve yerle\u015fim k\u0131s\u0131tlamalar\u0131 i\u00e7in) ve optimizasyon algoritmalar\u0131 (yerle\u015fim plan\u0131 i\u00e7in) birle\u015fiminden olu\u015fur. Bu yakla\u015f\u0131m, sistemin hem esnek hem de g\u00fc\u00e7l\u00fc olmas\u0131n\u0131 sa\u011flar.<\/p>\n
Yerel makinenizde kusursuz \u00e7al\u0131\u015fan bir yapay zeka uygulamas\u0131n\u0131 al\u0131p, onu Google Cloud Run gibi bulut tabanl\u0131 sunucusuz bir platformda sorunsuz bir \u015fekilde \u00e7al\u0131\u015ft\u0131rman\u0131n en etkili yolu, Docker konteynerlerini kullanmakt\u0131r. Docker, uygulaman\u0131z\u0131 t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131, k\u00fct\u00fcphaneleri ve yap\u0131land\u0131rma ayarlar\u0131yla birlikte izole edilmi\u015f, ta\u015f\u0131nabilir bir pakete d\u00f6n\u00fc\u015ft\u00fcrerek “benim makinemde \u00e7al\u0131\u015f\u0131yor ama sunucuda \u00e7al\u0131\u015fm\u0131yor” sorununu ortadan kald\u0131r\u0131r. Bu yakla\u015f\u0131m, sadece da\u011f\u0131t\u0131m s\u00fcrecini basitle\u015ftirmekle kalmaz, ayn\u0131 zamanda farkl\u0131 ortamlar aras\u0131nda tutarl\u0131l\u0131k sa\u011flar ve geli\u015ftirme, test ve \u00fcretim a\u015famalar\u0131nda \u00f6ng\u00f6r\u00fclebilirli\u011fi art\u0131r\u0131r. \u00c7oklu ajan yapay zeka i\u00e7 mimar\u0131 uygulamam\u0131zda, her bir ajan\u0131 veya t\u00fcm sistemi tek bir konteyner i\u00e7inde paketleyebiliriz. Bu, her bir ajan\u0131n kendi \u00e7al\u0131\u015fma ortam\u0131na sahip olmas\u0131n\u0131 veya t\u00fcm ajanlar\u0131n tek bir orkestrasyon motoru alt\u0131nda ayn\u0131 konteyner i\u00e7inde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar, bu da uygulaman\u0131n mod\u00fclerli\u011fini ve \u00f6l\u00e7eklenebilirli\u011fini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Bu nedenle, Docker’\u0131n nas\u0131l kullan\u0131laca\u011f\u0131n\u0131 anlamak, uygulaman\u0131z\u0131 k\u00fcresel \u00f6l\u00e7ekte da\u011f\u0131tmak i\u00e7in at\u0131lacak en kritik ad\u0131mlardan biridir.<\/p>\n
Docker, bir uygulama ve onun t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 (kod, \u00e7al\u0131\u015fma zaman\u0131, sistem ara\u00e7lar\u0131, sistem k\u00fct\u00fcphaneleri) bir “konteyner” ad\u0131 verilen hafif, ta\u015f\u0131nabilir ve kendi kendine yeten bir pakette birle\u015ftirmenize olanak tan\u0131r. Bu konteynerler, farkl\u0131 i\u015fletim sistemleri ve altyap\u0131lar aras\u0131nda tutarl\u0131 bir \u015fekilde \u00e7al\u0131\u015f\u0131r. \u0130\u00e7 mimar AI projemiz i\u00e7in Docker kullanman\u0131n temel nedenleri \u015funlard\u0131r:<\/p>\n
T\u00fcm bu avantajlar, \u00f6zellikle karma\u015f\u0131k ba\u011f\u0131ml\u0131l\u0131klara ve potansiyel olarak birden fazla bile\u015fene sahip olan \u00e7oklu ajan yapay zeka uygulamalar\u0131 i\u00e7in Docker’\u0131 vazge\u00e7ilmez bir ara\u00e7 haline getirir.<\/p>\n
Bir Dockerfile, Docker’a konteyner imaj\u0131n\u0131 nas\u0131l olu\u015fturaca\u011f\u0131n\u0131 anlatan bir talimatlar setidir. \u0130\u00e7 mimar AI uygulamam\u0131z (Python tabanl\u0131 oldu\u011funu varsayarak) i\u00e7in tipik bir Dockerfile \u015f\u00f6yle g\u00f6r\u00fcnebilir:<\/p>\n
\n# Temel imaj olarak resmi Python imaj\u0131n\u0131 kullan\u0131yoruz.\n# Daha k\u00fc\u00e7\u00fck bir imaj boyutu i\u00e7in 'alpine' s\u00fcr\u00fcm\u00fc tercih edilebilir.\nFROM python:3.9-slim-buster\n\n# Uygulaman\u0131n \u00e7al\u0131\u015fma dizinini belirliyoruz.\nWORKDIR \/app\n\n# Gerekli sistem ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 y\u00fckl\u00fcyoruz.\n# E\u011fer g\u00f6rselle\u015ftirme veya kompleks AI k\u00fct\u00fcphaneleri (\u00f6rn. TensorFlow, PyTorch)\n# kullan\u0131l\u0131yorsa daha fazla ba\u011f\u0131ml\u0131l\u0131k gerekebilir.\nRUN apt-get update && \\\n apt-get install -y --no-install-recommends \\\n build-essential \\\n && rm -rf \/var\/lib\/apt\/lists\/*\n\n# Ba\u011f\u0131ml\u0131l\u0131klar\u0131 i\u00e7eren requirements.txt dosyas\u0131n\u0131 kopyal\u0131yoruz\n# ve Python paketlerini y\u00fckl\u00fcyoruz.\nCOPY requirements.txt .\nRUN pip install --no-cache-dir -r requirements.txt\n\n# T\u00fcm uygulama kodunu konteynere kopyal\u0131yoruz.\nCOPY . .\n\n# Uygulaman\u0131n dinleyece\u011fi portu belirtiyoruz.\n# Cloud Run i\u00e7in genellikle 8080 portu kullan\u0131l\u0131r.\nEXPOSE 8080\n\n# Konteyner ba\u015flat\u0131ld\u0131\u011f\u0131nda \u00e7al\u0131\u015facak komutu belirliyoruz.\n# 'main.py' uygulaman\u0131z\u0131n ana giri\u015f noktas\u0131d\u0131r.\n# 'gunicorn' gibi bir WSGI sunucusu \u00fcretim ortamlar\u0131 i\u00e7in tercih edilir.\nCMD exec gunicorn --bind :$PORT --workers 1 --threads 8 --timeout 0 main:app\n\n <\/pre>\n<\/code><\/p>\n
Bu Dockerfile'\u0131 a\u00e7\u0131klayal\u0131m:<\/p>\n
\nFROM python:3.9-slim-buster<\/code>: Konteyner imaj\u0131n\u0131n temelini belirler. Python 3.9 s\u00fcr\u00fcm\u00fcn\u00fcn hafif (slim-buster) bir Debian tabanl\u0131 imaj\u0131n\u0131 kullan\u0131r\u0131z.<\/li>\nWORKDIR \/app<\/code>: Konteyner i\u00e7indeki \u00e7al\u0131\u015fma dizinini ayarlar. T\u00fcm sonraki komutlar bu dizin i\u00e7inde \u00e7al\u0131\u015f\u0131r.<\/li>\nRUN apt-get update && apt-get install -y --no-install-recommends build-essential<\/code>: Uygulaman\u0131n ihtiya\u00e7 duyabilece\u011fi sistem d\u00fczeyindeki ba\u011f\u0131ml\u0131l\u0131klar\u0131 (\u00f6rne\u011fin C derleyicileri gibi) y\u00fckler. build-essential<\/code>, baz\u0131 Python paketlerinin derlenmesi i\u00e7in gerekebilir.<\/li>\nCOPY requirements.txt .<\/code>: Yerel makinenizdeki requirements.txt<\/code> dosyas\u0131n\u0131 konteynerin \/app<\/code> dizinine kopyalar.<\/li>\nRUN pip install --no-cache-dir -r requirements.txt<\/code>: Kopyalanan requirements.txt<\/code> dosyas\u0131ndaki t\u00fcm Python ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 y\u00fckler. --no-cache-dir<\/code> imaj boyutunu k\u00fc\u00e7\u00fcltmeye yard\u0131mc\u0131 olur.<\/li>\nCOPY . .<\/code>: Uygulaman\u0131z\u0131n t\u00fcm di\u011fer dosyalar\u0131n\u0131 (.py<\/code> dosyalar\u0131, modeller, yap\u0131land\u0131rmalar vb.) \u00e7al\u0131\u015fma dizinine kopyalar. Bu ad\u0131m, requirements.txt<\/code>'den sonra yap\u0131l\u0131r ki ba\u011f\u0131ml\u0131l\u0131klar de\u011fi\u015fmedi\u011finde katman \u00f6nbelle\u011fi etkin bir \u015fekilde kullan\u0131labilsin.<\/li>\nEXPOSE 8080<\/code>: Uygulaman\u0131n 8080 numaral\u0131 port \u00fczerinden hizmet verece\u011fini belirtir. Cloud Run varsay\u0131lan olarak bu portu bekler.<\/li>\nCMD exec gunicorn --bind :$PORT --workers 1 --threads 8 --timeout 0 main:app<\/code>: Konteyner her ba\u015flat\u0131ld\u0131\u011f\u0131nda \u00e7al\u0131\u015facak ana komuttur. Burada, Python uygulaman\u0131z\u0131 bir WSGI sunucusu (Gunicorn) ile ba\u015flat\u0131yoruz. $PORT<\/code> ortam de\u011fi\u015fkeni, Cloud Run taraf\u0131ndan otomatik olarak ayarlan\u0131r ve uygulaman\u0131z\u0131n dinlemesi gereken portu belirtir (genellikle 8080). main:app<\/code>, Gunicorn'\u0131n uygulaman\u0131z\u0131 (app<\/code> objesi) main.py<\/code> dosyas\u0131nda bulaca\u011f\u0131n\u0131 g\u00f6sterir.<\/li>\n<\/ul>\nBu Dockerfile, \u00e7oklu ajan sisteminizin merkezi koordinasyon veya API hizmetini \u00e7al\u0131\u015ft\u0131racak tek bir konteyner i\u00e7in bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r. E\u011fer her ajan\u0131 ayr\u0131 bir konteynerde \u00e7al\u0131\u015ft\u0131rmay\u0131 planl\u0131yorsan\u0131z (daha karma\u015f\u0131k bir senaryo), her ajan i\u00e7in benzer ancak kendi ba\u011f\u0131ml\u0131l\u0131klar\u0131na ve ba\u015flang\u0131\u00e7 komutlar\u0131na \u00f6zel Dockerfile'lar olu\u015fturman\u0131z gerekecektir.<\/p>\n
\nUzman \u0130pucu:<\/strong> Dockerfile'\u0131n\u0131z\u0131 optimize ederken 'Multi-stage builds' kullanarak hem derleme ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 (build-time dependencies) hem de \u00e7al\u0131\u015fma zaman\u0131 ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 (runtime dependencies) ay\u0131rabilir, b\u00f6ylece son imaj boyutunu \u00f6nemli \u00f6l\u00e7\u00fcde k\u00fc\u00e7\u00fcltebilirsiniz. Ayr\u0131ca, .dockerignore dosyas\u0131 ile konteynere gereksiz dosyalar\u0131n kopyalanmas\u0131n\u0131 engelleyin.<\/p>\n<\/p><\/div>\nK\u00fcresel \u00d6l\u00e7e\u011fe \u00c7\u0131k\u0131\u015f: Google Cloud Run \u00dczerinde Da\u011f\u0131t\u0131m Ad\u0131mlar\u0131<\/h2>\n
Uygulamam\u0131z\u0131 Docker konteynerine ba\u015far\u0131yla paketledikten sonra, art\u0131k onu k\u00fcresel \u00f6l\u00e7ekte ula\u015f\u0131labilir ve y\u00fcksek performansl\u0131 bir hizmete d\u00f6n\u00fc\u015ft\u00fcrme zaman\u0131 geldi. Google Cloud Run, bu d\u00f6n\u00fc\u015f\u00fcm\u00fc sa\u011flaman\u0131n en basit ve maliyet etkin yollar\u0131ndan biridir. Sunucusuz yap\u0131s\u0131 sayesinde, altyap\u0131 y\u00f6netimi endi\u015fesi duymadan uygulaman\u0131z\u0131n trafi\u011fe g\u00f6re otomatik olarak \u00f6l\u00e7eklenmesini sa\u011flayabilirsiniz. Bu b\u00f6l\u00fcmde, Docker imaj\u0131m\u0131z\u0131 Google Cloud Platform'a nas\u0131l y\u00fckleyece\u011fimizi, Cloud Build kullanarak CI\/CD s\u00fcre\u00e7lerini nas\u0131l otomatikle\u015ftirece\u011fimizi ve son olarak \u00e7oklu ajan AI i\u00e7 mimar\u0131 uygulamam\u0131z\u0131 Cloud Run \u00fczerinde nas\u0131l yap\u0131land\u0131r\u0131p da\u011f\u0131taca\u011f\u0131m\u0131z\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Bu ad\u0131mlar, uygulaman\u0131z\u0131n yerel makinenizin s\u0131n\u0131rlar\u0131ndan kurtularak d\u00fcnya \u00e7ap\u0131ndaki kullan\u0131c\u0131lara hizmet verebilmesini sa\u011flayacak, ayn\u0131 zamanda operasyonel y\u00fck\u00fc minimuma indirecektir. Haz\u0131rlan\u0131n, \u00e7\u00fcnk\u00fc yapay zekan\u0131z \u015fimdi ger\u00e7ekten k\u00fcresel bir etki yaratmaya ba\u015flayacak!<\/p>\n
Cloud Build \u0130le Konteyneri Nas\u0131l Olu\u015fturur ve Yay\u0131mlars\u0131n\u0131z?<\/h3>\n
Google Cloud Build, kaynak kodunuzdan konteyner imajlar\u0131 olu\u015fturmak, ba\u011f\u0131ml\u0131l\u0131klar\u0131 test etmek ve bu imajlar\u0131 Google Container Registry (GCR) veya Artifact Registry gibi bir kay\u0131t defterine g\u00f6ndermek i\u00e7in kullan\u0131lan, tam olarak y\u00f6netilen bir s\u00fcrekli entegrasyon hizmetidir. Bu, geli\u015ftirme s\u00fcrecinizi otomatikle\u015ftirmenin ve hatalar\u0131 azaltman\u0131n harika bir yoludur. \u0130\u015fte ad\u0131mlar:<\/p>\n
\n- Google Cloud SDK Kurulumu:<\/strong> \u0130lk olarak, yerel makinenizde Google Cloud SDK'n\u0131n y\u00fckl\u00fc oldu\u011fundan emin olun ve Google Cloud hesab\u0131n\u0131za giri\u015f yap\u0131n:\n
\ngcloud auth login\ngcloud config set project [PROJEKT_ID]\n <\/pre>\n<\/code><\/p>\n
[PROJEKT_ID]<\/code> yerine kendi Google Cloud projenizin ID'sini yaz\u0131n.<\/p>\n<\/li>\n- Dockerfile ve Kodunuzu Haz\u0131rlay\u0131n:<\/strong> Uygulaman\u0131z\u0131n k\u00f6k dizininde yukar\u0131da \u00f6rnekledi\u011fimiz gibi bir
Dockerfile<\/code> ve gerekli t\u00fcm kod dosyalar\u0131 (main.py<\/code>, requirements.txt<\/code> vb.) oldu\u011fundan emin olun.<\/li>\n- Konteyner \u0130maj\u0131n\u0131 Olu\u015fturma ve GCR\/Artifact Registry'ye Y\u00fckleme:<\/strong> Cloud Build'\u0131 kullanarak Docker imaj\u0131n\u0131z\u0131 do\u011frudan komut sat\u0131r\u0131ndan olu\u015fturabilir ve yay\u0131mlayabilirsiniz. Varsay\u0131lan olarak, Google Cloud, Docker imajlar\u0131n\u0131z\u0131 saklamak i\u00e7in Artifact Registry'yi (eski ad\u0131yla Container Registry) kullan\u0131r.\n
\n# Artifact Registry i\u00e7in (\u00f6nerilen)\ngcloud builds submit --tag gcr.io\/[PROJEKT_ID]\/ai-interior-designer\n\n# veya eski Container Registry i\u00e7in\n# gcloud builds submit --tag gcr.io\/[PROJEKT_ID]\/ai-interior-designer\n <\/pre>\n<\/code><\/p>\n
Bu komut, ge\u00e7erli dizindeki Dockerfile<\/code>'\u0131 kullanarak bir Docker imaj\u0131 olu\u015fturur, bunu gcr.io\/[PROJEKT_ID]\/ai-interior-designer<\/code> ad\u0131yla etiketler ve Artifact Registry'ye y\u00fckler. [PROJEKT_ID]<\/code> yerine kendi projenizin ID'sini ve ai-interior-designer<\/code> yerine uygulaman\u0131z\u0131n ad\u0131n\u0131 yaz\u0131n.<\/p>\n\nUzman \u0130pucu:<\/strong> \u00dcretim ortamlar\u0131nda, '--tag' parametresine 'latest' yerine s\u00fcr\u00fcm numaralar\u0131 (\u00f6rn. v1.0.0) ekleyerek imajlar\u0131n\u0131z\u0131 daha iyi y\u00f6netebilir ve geri alma i\u015flemlerini kolayla\u015ft\u0131rabilirsiniz.<\/p>\n<\/p><\/div>\n<\/li>\n- Cloudbuild.yaml \u0130le Otomasyon (Opsiyonel ama \u00d6nerilen):<\/strong> Daha karma\u015f\u0131k CI\/CD senaryolar\u0131 i\u00e7in, Cloud Build ad\u0131mlar\u0131n\u0131 bir
cloudbuild.yaml<\/code> dosyas\u0131yla tan\u0131mlayabilirsiniz. Bu dosya, genellikle bir Git deposunda (\u00f6rn. Cloud Source Repositories, GitHub) depolan\u0131r ve kodunuz her push edildi\u011finde otomatik olarak tetiklenebilir.\n\n# cloudbuild.yaml \u00f6rne\u011fi\nsteps:\n - name: 'gcr.io\/cloud-builders\/docker'\n args: ['build', '-t', 'gcr.io\/$PROJECT_ID\/ai-interior-designer', '.']\n - name: 'gcr.io\/cloud-builders\/docker'\n args: ['push', 'gcr.io\/$PROJECT_ID\/ai-interior-designer']\nimages:\n - 'gcr.io\/$PROJECT_ID\/ai-interior-designer'\n <\/pre>\n<\/code><\/p>\n
Bu cloudbuild.yaml<\/code> dosyas\u0131, \u00f6nce Docker imaj\u0131n\u0131 olu\u015fturur ve sonra onu Artifact Registry'ye y\u00fckler. Daha sonra Cloud Build tetikleyicilerini ayarlayarak, Git deponuzda her de\u011fi\u015fiklik oldu\u011funda bu s\u00fcrecin otomatik olarak \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayabilirsiniz.<\/p>\n<\/li>\n<\/ol>\nBu ad\u0131mlarla, uygulaman\u0131z\u0131n konteyner imaj\u0131 bulut kay\u0131t defterinize g\u00fcvenli bir \u015fekilde y\u00fcklenmi\u015f olur ve Cloud Run taraf\u0131ndan kullan\u0131lmaya haz\u0131r hale gelir.<\/p>\n
Cloud Run Servisi Nas\u0131l Konfig\u00fcre Edilir? (Komut \u00d6rnekleri)<\/h3>\n
Konteyner imaj\u0131m\u0131z haz\u0131r oldu\u011funa g\u00f6re, art\u0131k onu Google Cloud Run \u00fczerinde bir servis olarak da\u011f\u0131tabiliriz. Cloud Run servisini da\u011f\u0131tmak ve yap\u0131land\u0131rmak i\u00e7in gcloud run deploy<\/code> komutunu kullanaca\u011f\u0131z:<\/p>\n\n- Servisi Da\u011f\u0131tma:<\/strong>\n
\ngcloud run deploy ai-interior-designer \\\n --image gcr.io\/[PROJEKT_ID]\/ai-interior-designer \\\n --platform managed \\\n --region europe-west1 \\\n --allow-unauthenticated \\\n --memory 2Gi \\\n --cpu 2 \\\n --concurrency 80 \\\n --min-instances 0 \\\n --max-instances 10 \\\n --timeout 300\n <\/pre>\n<\/code><\/p>\n
Bu komutun parametreleri \u015funlar\u0131 ifade eder:<\/p>\n
\nai-interior-designer<\/code>: Cloud Run servisinizin ad\u0131d\u0131r.<\/li>\n--image gcr.io\/[PROJEKT_ID]\/ai-interior-designer<\/code>: Da\u011f\u0131t\u0131lacak Docker imaj\u0131n\u0131n yoludur. Kendi proje ID'niz ve imaj ad\u0131n\u0131zla de\u011fi\u015ftirin.<\/li>\n--platform managed<\/code>: Cloud Run'\u0131n tam olarak y\u00f6netilen ortam\u0131n\u0131 kullanaca\u011f\u0131m\u0131z\u0131 belirtir.<\/li>\n--region europe-west1<\/code>: Servisin da\u011f\u0131t\u0131laca\u011f\u0131 Google Cloud b\u00f6lgesini belirtir. Kullan\u0131c\u0131lar\u0131n\u0131za en yak\u0131n b\u00f6lgeyi se\u00e7melisiniz (\u00f6rn. us-central1<\/code>, asia-east1<\/code>).<\/li>\n--allow-unauthenticated<\/code>: Servisin herkese a\u00e7\u0131k olmas\u0131n\u0131 sa\u011flar. E\u011fer bir API anahtar\u0131 veya IAM ile kimlik do\u011frulama gerekiyorsa bu parametreyi kullanmay\u0131n.<\/li>\n--memory 2Gi<\/code>: Her konteyner \u00f6rne\u011fi i\u00e7in tahsis edilecek bellek miktar\u0131n\u0131 belirler (2 Gigabyte). AI modelleri belle\u011fi yo\u011fun kullanabilece\u011finden, uygulaman\u0131z\u0131n ihtiya\u00e7lar\u0131na g\u00f6re ayarlay\u0131n.<\/li>\n--cpu 2<\/code>: Her konteyner \u00f6rne\u011fi i\u00e7in tahsis edilecek CPU miktar\u0131n\u0131 belirler (2 sanal CPU).<\/li>\n--concurrency 80<\/code>: Bir konteyner \u00f6rne\u011finin ayn\u0131 anda ka\u00e7 e\u015fzamanl\u0131 iste\u011fi i\u015fleyebilece\u011fini belirtir. Bu, uygulaman\u0131z\u0131n ne kadar paralel \u00e7al\u0131\u015fabilece\u011fine ba\u011fl\u0131d\u0131r. AI i\u015flemleri yo\u011fun olabilece\u011fi i\u00e7in daha d\u00fc\u015f\u00fck bir de\u011ferle ba\u015flay\u0131p test edebilirsiniz.<\/li>\n--min-instances 0<\/code>: Minimum \u00e7al\u0131\u015f\u0131r durumda olacak \u00f6rnek say\u0131s\u0131n\u0131 belirler. 0, uygulaman\u0131z\u0131n trafik olmad\u0131\u011f\u0131nda tamamen kapanmas\u0131n\u0131 (scale-to-zero) sa\u011flar, bu da maliyetleri d\u00fc\u015f\u00fcr\u00fcr.<\/li>\n--max-instances 10<\/code>: Maksimum \u00e7al\u0131\u015fabilecek \u00f6rnek say\u0131s\u0131n\u0131 belirler. Bu, uygulaman\u0131z\u0131n kald\u0131rabilece\u011fi trafik miktar\u0131n\u0131 ve b\u00fct\u00e7enizi kontrol etmek i\u00e7in \u00f6nemlidir.<\/li>\n--timeout 300<\/code>: Bir iste\u011fin zaman a\u015f\u0131m\u0131na u\u011framadan \u00f6nce beklenecek maksimum s\u00fcreyi saniye cinsinden belirtir (300 saniye = 5 dakika). AI tasar\u0131m s\u00fcreci uzun s\u00fcrebilece\u011finden bu de\u011feri yeterince y\u00fcksek tutmak \u00f6nemlidir.<\/li>\n<\/ul>\n<\/li>\n- Ortam De\u011fi\u015fkenleri Ekleme (Opsiyonel):<\/strong> Veritaban\u0131 ba\u011flant\u0131 dizeleri, API anahtarlar\u0131 gibi hassas bilgileri veya yap\u0131land\u0131rma ayarlar\u0131n\u0131 ortam de\u011fi\u015fkenleri olarak ge\u00e7irebilirsiniz.\n
\ngcloud run deploy ai-interior-designer \\\n --image gcr.io\/[PROJEKT_ID]\/ai-interior-designer \\\n --platform managed \\\n --region europe-west1 \\\n --allow-unauthenticated \\\n --set-env-vars DATABASE_URL='your-db-connection-string',API_KEY='your-api-key'\n <\/pre>\n<\/code><\/p>\n
Ortam de\u011fi\u015fkenlerini y\u00f6netmek i\u00e7in Cloud Secret Manager'\u0131 kullanmak daha g\u00fcvenli bir yakla\u015f\u0131md\u0131r. Daha fazla bilgi i\u00e7in Google Cloud belgelerine bakabilirsiniz.<\/p>\n<\/li>\n
- Da\u011f\u0131t\u0131m\u0131n Onaylanmas\u0131 ve URL:<\/strong> Komutu \u00e7al\u0131\u015ft\u0131rd\u0131ktan sonra, Cloud Run da\u011f\u0131t\u0131m s\u00fcrecini ba\u015flat\u0131r ve ba\u015far\u0131l\u0131 oldu\u011funda size uygulaman\u0131z\u0131n eri\u015filebilece\u011fi bir URL verir.\n
\nService 'ai-interior-designer' deployed to region europe-west1.\nService URL: https:\/\/ai-interior-designer-xxxxxxx-ew.a.run.app\n <\/pre>\n<\/code><\/p>\n
Bu URL \u00fczerinden \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 uygulaman\u0131za eri\u015febilirsiniz.<\/p>\n<\/li>\n<\/ol>\n
Bu ad\u0131mlarla, \"localhost\" \u00fczerinde \u00e7al\u0131\u015fan uygulaman\u0131z art\u0131k k\u00fcresel \u00e7apta eri\u015filebilir ve Google Cloud'un g\u00fc\u00e7l\u00fc altyap\u0131s\u0131 sayesinde otomatik olarak \u00f6l\u00e7eklenebilir bir servise d\u00f6n\u00fc\u015fm\u00fc\u015f oldu.<\/p>\n
Ger\u00e7ek D\u00fcnya Senaryolar\u0131 ve \u0130leri D\u00fczey Optimizasyonlar<\/h2>\n
Uygulamam\u0131z\u0131 Cloud Run'a da\u011f\u0131tt\u0131k, peki \u015fimdi ne olacak? Bir sonraki ad\u0131m, bu \u00e7oklu ajan yapay zeka i\u00e7 mimar\u0131 uygulamas\u0131n\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l kullan\u0131labilece\u011fini anlamak ve performans\u0131n\u0131, maliyetini ve g\u00fcvenilirli\u011fini art\u0131rmak i\u00e7in ileri d\u00fczey optimizasyon stratejileri uygulamakt\u0131r. Sadece bir \u00fcr\u00fcn yaratmakla kalmay\u0131p, ayn\u0131 zamanda onu s\u00fcrd\u00fcr\u00fclebilir ve verimli k\u0131lmak, uzun vadeli ba\u015far\u0131 i\u00e7in kritik \u00f6neme sahiptir. \u00d6zellikle y\u00fcksek trafik beklentisi olan veya karma\u015f\u0131k AI modelleri kullanan uygulamalar i\u00e7in, varsay\u0131lan Cloud Run konfig\u00fcrasyonlar\u0131n\u0131n \u00f6tesine ge\u00e7mek ve sistemi ince ayar yapmak gerekebilir. Bu b\u00f6l\u00fcmde, uygulaman\u0131z\u0131n ger\u00e7ek i\u015f y\u00fckleri alt\u0131nda nas\u0131l performans g\u00f6sterece\u011fine dair vaka analizleri sunacak, ayn\u0131 zamanda maliyetleri d\u00fc\u015f\u00fcrmek ve kullan\u0131c\u0131 deneyimini iyile\u015ftirmek i\u00e7in kullanabilece\u011finiz pratik ipu\u00e7lar\u0131n\u0131 ve p\u00fcf noktalar\u0131n\u0131 payla\u015faca\u011f\u0131z. Bu sayede, AI i\u00e7 mimar\u0131n\u0131z sadece bir teknoloji harikas\u0131 olmakla kalmayacak, ayn\u0131 zamanda ticari olarak da ba\u015far\u0131l\u0131 bir \u00fcr\u00fcn haline gelecektir.<\/p>\n
Y\u00fcksek Trafikte \u00d6l\u00e7eklenebilirlik Nas\u0131l Sa\u011flan\u0131r? (Vaka Analizi)<\/h3>\n
\u00c7oklu ajan AI i\u00e7 mimar\u0131 gibi bir uygulama, \u00f6zellikle bir e-ticaret sitesi veya emlak portal\u0131na entegre edildi\u011finde, ani ve yo\u011fun trafik art\u0131\u015flar\u0131yla kar\u015f\u0131la\u015fabilir. \u0130\u015fte Cloud Run'\u0131n \u00f6l\u00e7eklenebilirlik \u00f6zellikleri ve ger\u00e7ek d\u00fcnya senaryolar\u0131nda bunlar\u0131 nas\u0131l kullanabilece\u011finize dair bir vaka analizi:<\/p>\n
Vaka Analizi: Emlak Portal\u0131 Entegrasyonu<\/h4>\n
Bir emlak \u015firketi, potansiyel al\u0131c\u0131lara evlerin sanal i\u00e7 tasar\u0131m\u0131n\u0131 sunan bir \u00f6zellik eklemek istiyor. \u015eirket, yeni bir evin listelendi\u011finde veya bir kullan\u0131c\u0131 bir evin tasar\u0131m\u0131n\u0131 \u00f6zelle\u015ftirmek istedi\u011finde, AI i\u00e7 mimar uygulamas\u0131n\u0131n h\u0131zl\u0131ca bir veya birden fazla tasar\u0131m \u00f6nerisi olu\u015fturmas\u0131n\u0131 bekliyor. Bu, \u00f6zellikle yeni listelemelerin yo\u011fun oldu\u011fu veya belirli kampanyalar\u0131n y\u00fcr\u00fct\u00fcld\u00fc\u011f\u00fc d\u00f6nemlerde binlerce e\u015fzamanl\u0131 iste\u011fe yol a\u00e7abilir.<\/p>\n
\u00c7\u00f6z\u00fcm: Google Cloud Run ile Dinamik \u00d6l\u00e7ekleme<\/strong><\/p>\n\n- Otomatik \u00d6l\u00e7eklendirme (Auto-scaling):<\/strong>\n
\n- Cloud Run, varsay\u0131lan olarak gelen isteklere g\u00f6re otomatik \u00f6l\u00e7eklenir. Emlak \u015firketinin yo\u011fun zamanlar\u0131nda, Cloud Run otomatik olarak daha fazla konteyner \u00f6rne\u011fi ba\u015flatarak t\u00fcm istekleri kar\u015f\u0131lar. Trafik azald\u0131\u011f\u0131nda ise \u00f6rnekleri s\u0131f\u0131ra kadar indirerek maliyetleri minimize eder. Bu, \u015firket i\u00e7in sabit bir altyap\u0131 maliyeti yerine, sadece kulland\u0131\u011f\u0131 kadar \u00f6deme yapma avantaj\u0131 sunar.<\/li>\n
--max-instances<\/code> parametresi (\u00f6rne\u011fin --max-instances 100<\/code>) ile maksimum \u00f6rnek say\u0131s\u0131 belirlenerek, maliyet kontrol\u00fc ve a\u015f\u0131r\u0131 kaynak t\u00fcketiminin \u00f6n\u00fcne ge\u00e7ilir.<\/li>\n<\/ul>\n<\/li>\n- E\u015fzamanl\u0131l\u0131k (Concurrency):<\/strong>\n
\n- AI tasar\u0131m s\u00fcreci bazen CPU ve bellek yo\u011fun olabilir. Her bir iste\u011fin ne kadar kaynak t\u00fcketti\u011fini analiz ederek,
--concurrency<\/code> de\u011ferini optimize etmek \u00f6nemlidir. E\u011fer bir tasar\u0131m iste\u011fi uzun s\u00fcr\u00fcyorsa ve \u00e7ok kaynak kullan\u0131yorsa, daha d\u00fc\u015f\u00fck bir e\u015fzamanl\u0131l\u0131k de\u011feri (\u00f6rn. 10-20) se\u00e7mek, her iste\u011fin daha kararl\u0131 bir \u015fekilde i\u015flenmesini sa\u011flar. Emlak \u015firketinin ilk testlerinde concurrency 80<\/code> olarak belirlenmi\u015f, ancak baz\u0131 karma\u015f\u0131k tasar\u0131mlarda gecikmeler ya\u015fan\u0131nca bu de\u011fer 30<\/code>'a d\u00fc\u015f\u00fcr\u00fclm\u00fc\u015ft\u00fcr. Bu, daha fazla \u00f6rnek ba\u015flat\u0131lmas\u0131na neden olsa da, her iste\u011fin daha h\u0131zl\u0131 ve g\u00fcvenilir bir \u015fekilde tamamlanmas\u0131n\u0131 sa\u011flam\u0131\u015ft\u0131r.<\/li>\n<\/ul>\n<\/li>\n- Asenkron \u0130\u015fleme (Asynchronous Processing):<\/strong>\n
\n- Baz\u0131 tasar\u0131m i\u015flemleri (\u00f6zellikle 3D renderlar) birka\u00e7 dakikay\u0131 bulabilir. Do\u011frudan bir HTTP iste\u011fiyle bu kadar uzun s\u00fcre beklemek iyi bir kullan\u0131c\u0131 deneyimi de\u011fildir. Emlak \u015firketi, uzun s\u00fcren i\u015flemler i\u00e7in Cloud Pub\/Sub ve Cloud Tasks entegrasyonu kulland\u0131. Bir kullan\u0131c\u0131 bir tasar\u0131m ba\u015flatt\u0131\u011f\u0131nda, AI tasar\u0131mc\u0131s\u0131 iste\u011fi Pub\/Sub'a g\u00f6nderir, kullan\u0131c\u0131ya an\u0131nda bir \"tasar\u0131m\u0131n\u0131z i\u015fleniyor\" mesaj\u0131 d\u00f6ner. Arka planda ba\u015fka bir Cloud Run servisi (veya Cloud Functions) Pub\/Sub'dan bu mesaj\u0131 al\u0131r ve ger\u00e7ek tasar\u0131m\u0131 olu\u015fturur. Tamamland\u0131\u011f\u0131nda, sonucu Cloud Storage'a kaydeder ve kullan\u0131c\u0131ya bir bildirim g\u00f6nderir. Bu, kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fcn h\u0131zl\u0131 kalmas\u0131n\u0131 sa\u011flarken, a\u011f\u0131r i\u015f y\u00fcklerinin ba\u011f\u0131ms\u0131z olarak i\u015flenmesine olanak tan\u0131r.<\/li>\n
- Bu y\u00f6ntemle, Render Ajani gibi a\u011f\u0131r i\u015f yapan ajanlar, asenkron olarak \u00e7al\u0131\u015ft\u0131r\u0131larak ana istek ak\u0131\u015f\u0131n\u0131n t\u0131kanmas\u0131 engellenir.<\/li>\n<\/ul>\n<\/li>\n
- Kaynak Optimizasyonu (Resource Optimization):<\/strong>\n
\n--memory<\/code> ve --cpu<\/code> parametreleri, her \u00f6rnek i\u00e7in ayr\u0131lan kaynaklar\u0131 belirler. Emlak \u015firketinin AI modelleri \u00e7ok b\u00fcy\u00fck oldu\u011fundan, ba\u015flang\u0131\u00e7ta 2Gi bellek<\/code> ve 2 CPU<\/code> ile ba\u015flanm\u0131\u015f, ancak daha sonra 4Gi bellek<\/code> ve 4 CPU<\/code>'ya \u00e7\u0131kar\u0131larak daha karma\u015f\u0131k modellerin daha h\u0131zl\u0131 \u00e7al\u0131\u015fmas\u0131 sa\u011flanm\u0131\u015ft\u0131r. Bu art\u0131\u015f, performans gecikmelerini \u00f6nemli \u00f6l\u00e7\u00fcde azaltm\u0131\u015ft\u0131r.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\nBu vaka analizi, Cloud Run'\u0131n otomatik \u00f6l\u00e7eklenebilirlik, e\u015fzamanl\u0131l\u0131k kontrol\u00fc ve asenkron i\u015fleme yeteneklerinin, y\u00fcksek trafikli bir \u00e7oklu ajan yapay zeka uygulamas\u0131 i\u00e7in nas\u0131l kritik \u00f6neme sahip oldu\u011funu g\u00f6stermektedir. Do\u011fru yap\u0131land\u0131rma ile, uygulaman\u0131z milyonlarca kullan\u0131c\u0131ya kesintisiz hizmet verebilir.<\/p>\n
Maliyet Optimizasyonu \u0130\u00e7in \u0130pu\u00e7lar\u0131 Nelerdir?<\/h3>\n
Cloud Run'\u0131n kullan\u0131m ba\u015f\u0131na \u00f6deme modeli, maliyet etkinli\u011fi sunsa da, baz\u0131 optimizasyonlarla daha da tasarruf edebilirsiniz:<\/p>\n
\n- Scale-to-Zero Kullan\u0131n:<\/strong>
--min-instances 0<\/code> parametresi, uygulaman\u0131z\u0131n trafik almad\u0131\u011f\u0131nda tamamen kapanmas\u0131n\u0131 sa\u011flar ve b\u00f6ylece bo\u015fta duran sunucular i\u00e7in \u00f6deme yapmazs\u0131n\u0131z. Ancak, bu durum ilk iste\u011fin biraz daha uzun s\u00fcrmesine neden olabilir (\"cold start\").<\/li>\n- Do\u011fru Bellek ve CPU Ayarlar\u0131n\u0131 Belirleyin:<\/strong> Uygulaman\u0131z\u0131n performans izlemesini yaparak (Cloud Monitoring) ger\u00e7ekte ne kadar bellek ve CPU kulland\u0131\u011f\u0131n\u0131 anlay\u0131n. Gere\u011finden fazla kaynak tahsis etmek, gereksiz maliyetlere yol a\u00e7ar. \u00d6rne\u011fin, e\u011fer AI modelleriniz genellikle 1.5GB bellek kullan\u0131yorsa, 2Gi yerine 1.75Gi (varsa) veya en yak\u0131n uygun de\u011feri se\u00e7erek tasarruf edebilirsiniz.<\/li>\n