Yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinde Pull Request (PR) incelemeleri, kod kalitesini art\u0131rmak, hatalar\u0131 erken yakalamak ve bilgi payla\u015f\u0131m\u0131n\u0131 sa\u011flamak a\u00e7\u0131s\u0131ndan kritik \u00f6neme sahiptir. Ancak \u00e7o\u011fu zaman yo\u011funluk, zaman k\u0131s\u0131tlamalar\u0131 veya ekip \u00fcyelerinin farkl\u0131 odak noktalar\u0131 nedeniyle PR’lar yeterince h\u0131zl\u0131 veya detayl\u0131 incelenemez. Bu durum, projenin ilerleyi\u015fini yava\u015flatan ve potansiyel hatalar\u0131n \u00fcretim ortam\u0131na s\u0131zmas\u0131na yol a\u00e7an ciddi bir darbo\u011faz olu\u015fturabilir. Peki ya her bir PR’\u0131n\u0131z\u0131, sanki deneyimli bir ekip \u00fcyesi taraf\u0131ndan inceleniyormu\u015f gibi, otomatik olarak g\u00f6zden ge\u00e7iren bir yapay zeka yard\u0131mc\u0131n\u0131z olsayd\u0131? \u0130\u015fte bu makalede, tam da bu ihtiyaca y\u00f6nelik, benim de kendi deneyimlerimden yola \u00e7\u0131karak geli\u015ftirdi\u011fim yapay zeka tabanl\u0131 otomatik PR inceleme sisteminin nas\u0131l in\u015fa edildi\u011fini ve geli\u015ftirme s\u00fcre\u00e7lerinizi nas\u0131l d\u00f6n\u00fc\u015ft\u00fcrebilece\u011fini detayl\u0131 bir \u015fekilde ele alaca\u011f\u0131z.<\/p>\n
Yaz\u0131l\u0131m geli\u015ftirme d\u00fcnyas\u0131nda, \u00f6zellikle h\u0131zl\u0131 tempolu ve s\u00fcrekli entegrasyon\/s\u00fcrekli da\u011f\u0131t\u0131m (CI\/CD) d\u00f6ng\u00fclerinin yayg\u0131n oldu\u011fu projelerde, kod incelemesi (code review) vazge\u00e7ilmez bir ad\u0131md\u0131r. Ancak bu ad\u0131m, \u00e7o\u011fu zaman geli\u015ftirme s\u00fcrecinin en yava\u015f halkalar\u0131ndan biri haline gelebilir. Bir geli\u015ftirici olarak kendi kodunuzun incelenmesini beklemek, bazen saatler hatta g\u00fcnler s\u00fcrebilir. Bu bekleme s\u00fcresi, hem geli\u015ftiricinin motivasyonunu d\u00fc\u015f\u00fcr\u00fcr hem de projenin genel ilerleyi\u015fini sekteye u\u011frat\u0131r. Ekip \u00fcyeleri, kendi g\u00f6revleri, toplant\u0131lar ve acil i\u015fler aras\u0131nda bo\u011fu\u015furken, ba\u015fka birinin PR’\u0131n\u0131 incelemeye ay\u0131racak yeterli zaman\u0131 bulamayabilir. Dahas\u0131, insan fakt\u00f6r\u00fcnden kaynaklanan yorgunluk, dikkat da\u011f\u0131n\u0131kl\u0131\u011f\u0131 veya bilgi eksikli\u011fi gibi nedenlerle baz\u0131 hatalar g\u00f6zden ka\u00e7abilir. Bu t\u00fcr durumlar, projenin genel kalitesini ve teslimat h\u0131z\u0131n\u0131 olumsuz etkileyebilir.<\/p>\n
Bu sorunlar, \u00f6zellikle b\u00fcy\u00fck ve da\u011f\u0131n\u0131k ekiplerde veya a\u00e7\u0131k kaynak projelerde daha da belirginle\u015fir. Her geli\u015ftiricinin kod yazma stili, hata yapma e\u011filimleri ve en iyi uygulamalar konusundaki bilgisi farkl\u0131d\u0131r. Bu \u00e7e\u015fitlilik, kod taban\u0131nda tutars\u0131zl\u0131klara ve zamanla teknik borcun (technical debt) birikmesine yol a\u00e7abilir. Otomatik PR inceleme sistemleri, bu tutars\u0131zl\u0131klar\u0131 ve potansiyel sorunlar\u0131 daha insan g\u00f6z\u00fcnden daha h\u0131zl\u0131 ve tutarl\u0131 bir \u015fekilde tespit ederek, bu zorluklar\u0131n \u00fcstesinden gelmemize yard\u0131mc\u0131 olur. B\u00f6yle bir sistem, sadece yaz\u0131m hatalar\u0131n\u0131 veya basit sentaks hatalar\u0131n\u0131 de\u011fil, ayn\u0131 zamanda daha karma\u015f\u0131k mant\u0131ksal hatalar\u0131, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 veya performans sorunlar\u0131n\u0131 da belirleyebilir. Geli\u015ftiriciler, manuel inceleme i\u00e7in harcad\u0131klar\u0131 zaman\u0131, daha karma\u015f\u0131k mimari kararlar almaya veya yeni \u00f6zellikler geli\u015ftirmeye ay\u0131rabilirler. Bu, genel olarak ekibin verimlili\u011fini art\u0131r\u0131rken, kod kalitesini de istikrarl\u0131 bir \u015fekilde y\u00fcksek tutar. Dolay\u0131s\u0131yla, otomatik PR incelemesi, ekiplerin daha stratejik g\u00f6revlere odaklanmas\u0131n\u0131 sa\u011flayarak, genel proje ba\u015far\u0131s\u0131na do\u011frudan katk\u0131da bulunur.<\/p>\n
\u00d6rne\u011fin, bir e-ticaret platformu geli\u015ftiren bir ekip d\u00fc\u015f\u00fcnelim. Her g\u00fcn onlarca Pull Request a\u00e7\u0131l\u0131yor. Her bir PR’\u0131n manuel olarak incelenmesi, deneyimli bir geli\u015ftiricinin g\u00fcn\u00fcn\u00fcn \u00f6nemli bir k\u0131sm\u0131n\u0131 alabilir. Bu durum, yeni \u00f6zelliklerin piyasaya s\u00fcr\u00fclme h\u0131z\u0131n\u0131 yava\u015flat\u0131r ve rekabet avantaj\u0131n\u0131 azalt\u0131r. \u0130\u015fte tam da bu noktada, yapay zeka destekli bir otomatik inceleme sistemi devreye girerek, geli\u015ftiricilere an\u0131nda geri bildirim sa\u011flar. B\u00f6ylece, hem inceleme s\u00fcresi k\u0131sal\u0131r hem de insan hatas\u0131 riski minimize edilir. Bu sistemler, sadece kodun kendisini de\u011fil, ayn\u0131 zamanda dok\u00fcmantasyon eksikliklerini, test kapsam\u0131 sorunlar\u0131n\u0131 ve hatta commit mesajlar\u0131n\u0131n kalitesini bile de\u011ferlendirebilir. Bu sayede, t\u00fcm geli\u015ftirme s\u00fcreci daha \u015feffaf, daha h\u0131zl\u0131 ve daha g\u00fcvenilir hale gelir. K\u0131sacas\u0131, otomatik PR incelemesi, modern yaz\u0131l\u0131m geli\u015ftirme metodolojilerinin vazge\u00e7ilmez bir par\u00e7as\u0131 olmaya adayd\u0131r ve ekiplerin daha verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayarak, projelerin ba\u015far\u0131 oran\u0131n\u0131 art\u0131r\u0131r. Ayr\u0131ca, bu sistemler, yeni ba\u015flayan geli\u015ftiricilere s\u00fcrekli ve tutarl\u0131 geri bildirim sa\u011flayarak onlar\u0131n \u00f6\u011frenme s\u00fcre\u00e7lerini de h\u0131zland\u0131rabilir.<\/p>\n
Bir yapay zeka destekli otomatik PR inceleme sistemi in\u015fa etmek, sadece bir kod par\u00e7ac\u0131\u011f\u0131 yazmaktan \u00e7ok daha fazlas\u0131n\u0131 gerektirir. Bu s\u00fcre\u00e7, temelde d\u00f6rt ana bile\u015fenin bir araya getirilmesiyle olu\u015fur: veri toplama ve \u00f6n i\u015fleme, model se\u00e7imi ve e\u011fitimi, entegrasyon ve geri bildirim mekanizmas\u0131. Her bir bile\u015fen, sistemin genel ba\u015far\u0131s\u0131 ve do\u011frulu\u011fu i\u00e7in kritik \u00f6neme sahiptir. Gelin, bu temel kavramlar\u0131 daha yak\u0131ndan inceleyelim ve her birinin neden bu kadar \u00f6nemli oldu\u011funu detayland\u0131ral\u0131m.<\/p>\n
\u00d6ncelikle, veri toplama ve \u00f6n i\u015fleme<\/strong> a\u015famas\u0131 gelir. Bir yapay zeka modelinin “ak\u0131ll\u0131” kararlar verebilmesi i\u00e7in, ge\u00e7mi\u015fteki PR’lardan ve bunlara yap\u0131lan incelemelerden \u00f6\u011frenmesi gerekir. Bu veriler, kod de\u011fi\u015fikliklerini (diff), commit mesajlar\u0131n\u0131, yap\u0131lan yorumlar\u0131, onaylar\u0131, retleri ve hatta ilgili hata kay\u0131tlar\u0131n\u0131 i\u00e7erebilir. Verilerin kalitesi ve \u00e7e\u015fitlili\u011fi, modelin \u00f6\u011frenme yetene\u011fini do\u011frudan etkiler. \u00d6rne\u011fin, sadece sentaks hatalar\u0131n\u0131 i\u00e7eren bir veri k\u00fcmesiyle e\u011fitilen bir model, g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 tespit etme konusunda yetersiz kalacakt\u0131r. Toplanan bu ham veriler, modelin anlayabilece\u011fi bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmelidir. Bu genellikle kodun soyut s\u00f6zdizimi a\u011fa\u00e7lar\u0131na (Abstract Syntax Trees – AST) d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi, do\u011fal dil i\u015fleme (Natural Language Processing – NLP) teknikleriyle yorumlar\u0131n ve commit mesajlar\u0131n\u0131n anlamland\u0131r\u0131lmas\u0131 gibi ad\u0131mlar\u0131 i\u00e7erir. Bu \u00f6n i\u015fleme ad\u0131m\u0131, modelin g\u00fcr\u00fclt\u00fcl\u00fc verilerle e\u011fitilmesini engelleyerek daha do\u011fru tahminler yapmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, kodun farkl\u0131 b\u00f6l\u00fcmlerini (fonksiyonlar, s\u0131n\u0131flar, de\u011fi\u015fkenler) etiketlemek, modelin daha ba\u011flamsal analizler yapmas\u0131na olanak tan\u0131r.<\/p>\n \u0130kinci olarak, model se\u00e7imi ve e\u011fitimi<\/strong> a\u015famas\u0131 vard\u0131r. PR incelemesi gibi karma\u015f\u0131k bir g\u00f6rev i\u00e7in genellikle birden fazla yapay zeka tekni\u011fi bir arada kullan\u0131l\u0131r. Statik kod analizi ara\u00e7lar\u0131, \u00f6nceden tan\u0131mlanm\u0131\u015f kurallara g\u00f6re potansiyel hatalar\u0131 ve kod standard\u0131 ihlallerini tespit ederken, makine \u00f6\u011frenimi (Machine Learning) modelleri daha karma\u015f\u0131k desenleri ve anormallikleri \u00f6\u011frenir. \u00d6zellikle B\u00fcy\u00fck Dil Modelleri (Large Language Models – LLM), kodun ba\u011flam\u0131n\u0131 anlama, potansiyel iyile\u015ftirmeler \u00f6nerme ve hatta kodun amac\u0131n\u0131 sorgulama konusunda olduk\u00e7a ba\u015far\u0131l\u0131d\u0131r. Model e\u011fitimi, toplanan ve \u00f6n i\u015flenmi\u015f veriler \u00fczerinde ger\u00e7ekle\u015ftirilir. Bu s\u00fcre\u00e7te, modelin istenen davran\u0131\u015flar\u0131 sergilemesi i\u00e7in binlerce hatta milyonlarca \u00f6rnekle beslenmesi gerekebilir. \u00d6rne\u011fin, bir modelin “performans iyile\u015ftirmesi” \u00f6nerileri yapabilmesi i\u00e7in, ge\u00e7mi\u015fte performans\u0131 iyile\u015ftiren veya k\u00f6t\u00fcle\u015ftiren kod de\u011fi\u015fikliklerini ve bunlara yap\u0131lan yorumlar\u0131 g\u00f6rmesi gerekir. Modelin a\u015f\u0131r\u0131 \u00f6\u011frenmesini (overfitting) \u00f6nlemek i\u00e7in \u00e7apraz do\u011frulama (cross-validation) gibi teknikler kullanmak da \u00f6nemlidir.<\/p>\n \u00dc\u00e7\u00fcnc\u00fc olarak, entegrasyon<\/strong> b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Harika bir yapay zeka modeli geli\u015ftirmi\u015f olsan\u0131z bile, bu model geli\u015ftiricilerin g\u00fcnl\u00fck i\u015f ak\u0131\u015f\u0131na sorunsuz bir \u015fekilde entegre edilmedi\u011fi s\u00fcrece etkin olamaz. Entegrasyon, genellikle s\u00fcr\u00fcm kontrol sistemleri (Git, GitHub, GitLab, Bitbucket) ve CI\/CD (S\u00fcrekli Entegrasyon\/S\u00fcrekli Da\u011f\u0131t\u0131m) pipeline’lar\u0131 arac\u0131l\u0131\u011f\u0131yla ger\u00e7ekle\u015ftirilir. Bir geli\u015ftirici bir PR a\u00e7t\u0131\u011f\u0131nda veya mevcut bir PR’a yeni bir commit att\u0131\u011f\u0131nda, yapay zeka sistemi otomatik olarak tetiklenmeli ve inceleme sonu\u00e7lar\u0131n\u0131 do\u011frudan PR aray\u00fcz\u00fcne yorum olarak eklemelidir. Bu, geli\u015ftiricinin h\u0131zl\u0131 bir \u015fekilde geri bildirim almas\u0131n\u0131 ve potansiyel sorunlar\u0131 daha kodun birle\u015ftirilmeden \u00f6nce d\u00fczeltmesini sa\u011flar. \u00d6rne\u011fin, GitHub Actions veya GitLab CI gibi ara\u00e7lar, bu t\u00fcr otomasyonlar\u0131 kurmak i\u00e7in g\u00fc\u00e7l\u00fc platformlar sunar. Entegrasyonun kullan\u0131c\u0131 dostu olmas\u0131, geli\u015ftiricilerin botu benimsemesi ve etkin bir \u015fekilde kullanmas\u0131 i\u00e7in kritik bir fakt\u00f6rd\u00fcr.<\/p>\n Son olarak, geri bildirim mekanizmas\u0131<\/strong> sistemin s\u00fcrekli \u00f6\u011frenmesi ve geli\u015fmesi i\u00e7in hayati \u00f6neme sahiptir. Yapay zeka modeli ba\u015flang\u0131\u00e7ta m\u00fckemmel olmayacakt\u0131r. Geli\u015ftiricilerin modelin \u00f6nerilerine nas\u0131l tepki verdi\u011fi (kabul etme, reddetme, d\u00fczeltme), modelin performans\u0131n\u0131 art\u0131rmak i\u00e7in de\u011ferli bir geri bildirim d\u00f6ng\u00fcs\u00fc olu\u015fturur. Bu geri bildirimler, modelin daha do\u011fru tahminler yapmas\u0131 i\u00e7in yeniden e\u011fitilmesinde (fine-tuning) kullan\u0131labilir. Bu s\u00fcrekli \u00f6\u011frenme d\u00f6ng\u00fcs\u00fc, yapay zeka sisteminin zamanla daha ak\u0131ll\u0131 ve ekibin \u00f6zel ihtiya\u00e7lar\u0131na daha uygun hale gelmesini sa\u011flar. Geri bildirimlerin toplanmas\u0131 ve i\u015flenmesi i\u00e7in basit bir oylama sistemi (\u00f6rne\u011fin, “bu yorum faydal\u0131 m\u0131yd\u0131?”) veya daha detayl\u0131 serbest metin alanlar\u0131 kullan\u0131labilir. Bu d\u00f6rt temel bile\u015fen, bir araya geldi\u011finde, yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinde devrim yaratabilecek g\u00fc\u00e7l\u00fc bir otomatik PR inceleme sistemi olu\u015fturur ve s\u00fcrekli olarak kendini iyile\u015ftirebilir.<\/p>\n Kendi yapay zeka destekli PR inceleme botunuzu olu\u015fturmak, ilk ba\u015fta karma\u015f\u0131k g\u00f6r\u00fcnse de, do\u011fru ad\u0131mlar\u0131 takip ederek olduk\u00e7a y\u00f6netilebilir bir s\u00fcre\u00e7tir. Bu b\u00f6l\u00fcmde, s\u00fcreci ad\u0131m ad\u0131m a\u00e7\u0131klayacak ve her a\u015famada dikkat etmeniz gereken noktalar\u0131 ve kullanabilece\u011finiz teknolojileri payla\u015faca\u011f\u0131m. Amac\u0131m\u0131z, s\u0131f\u0131rdan ba\u015flayarak \u00e7al\u0131\u015fan bir prototip olu\u015fturman\u0131za yard\u0131mc\u0131 olmakt\u0131r. Her bir ad\u0131m, sisteminizin sa\u011flam temeller \u00fczerine kurulmas\u0131n\u0131 sa\u011flayacak ve gelecekteki geli\u015ftirmelere zemin haz\u0131rlayacakt\u0131r.<\/p>\n Yapay zeka modelinizin ne kadar iyi performans g\u00f6sterece\u011fi, ona sa\u011flad\u0131\u011f\u0131n\u0131z verinin kalitesine do\u011frudan ba\u011fl\u0131d\u0131r. Bu a\u015famada, ge\u00e7mi\u015f PR’lar\u0131n\u0131zdan ve kod taban\u0131n\u0131zdan zengin ve \u00e7e\u015fitli veri setleri toplaman\u0131z gerekir. Neleri toplamal\u0131s\u0131n\u0131z?<\/p>\n Bu verileri toplamak i\u00e7in GitHub API, GitLab API veya Bitbucket API gibi s\u00fcr\u00fcm kontrol sistemlerinin API’lerini kullanabilirsiniz. \u00d6rne\u011fin, GitHub API ile belirli bir depodaki t\u00fcm PR’lar\u0131 ve yorumlar\u0131n\u0131 \u00e7ekmek i\u00e7in Python’da a\u015fa\u011f\u0131daki gibi bir kod par\u00e7ac\u0131\u011f\u0131 kullanabilirsiniz:<\/p>\n Verileri toplad\u0131ktan sonra, onlar\u0131 temizlemeniz ve yap\u0131land\u0131rman\u0131z gerekir. Bu, gereksiz karakterleri kald\u0131rma, kodun belirli b\u00f6l\u00fcmlerini etiketleme (\u00f6rne\u011fin, “g\u00fcvenlik a\u00e7\u0131\u011f\u0131”, “performans”, “kod standard\u0131” gibi), ve yorumlar\u0131 kategorize etme gibi i\u015flemleri i\u00e7erir. Bu a\u015fama, modelin daha anlaml\u0131 \u00f6\u011frenmesini sa\u011flar. \u00d6rne\u011fin, bir yorumun “stil \u00f6nerisi” mi yoksa “mant\u0131k hatas\u0131” m\u0131 oldu\u011funu etiketlemek, modelin farkl\u0131 t\u00fcrde geri bildirimler \u00fcretmesini kolayla\u015ft\u0131r\u0131r. Veri temizli\u011fi, modelin “\u00e7\u00f6p” verilerden \u00f6\u011frenmesini engelleyerek do\u011frulu\u011funu art\u0131r\u0131r.<\/p>\n Bu a\u015fama, toplad\u0131\u011f\u0131n\u0131z verileri kullanarak yapay zeka modelinizi olu\u015fturdu\u011funuz k\u0131s\u0131md\u0131r. Birden fazla yakla\u015f\u0131m mevcuttur ve se\u00e7iminiz, projenizin ihtiya\u00e7lar\u0131na ve elinizdeki kaynaklara ba\u011fl\u0131 olacakt\u0131r:<\/p>\n Benim geli\u015ftirdi\u011fim sistemde, \u00f6zellikle kodun ba\u011flam\u0131n\u0131 ve potansiyel g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 daha iyi anlamak i\u00e7in LLM’leri tercih ettim. LLM’ler, sadece sentaks\u0131 de\u011fil, kodun davran\u0131\u015f\u0131n\u0131 ve olas\u0131 yan etkilerini de yorumlayabilir. E\u011fitimin temel mant\u0131\u011f\u0131, modelin belirli bir kod de\u011fi\u015fikli\u011fi (diff) verildi\u011finde, buna kar\u015f\u0131l\u0131k gelebilecek potansiyel inceleme yorumlar\u0131n\u0131 veya \u00f6nerilerini \u00fcretmesini sa\u011flamakt\u0131r. Bu, denetimli \u00f6\u011frenme (supervised learning) yakla\u015f\u0131m\u0131yla yap\u0131l\u0131r; yani model, girdi (kod diff) ve beklenen \u00e7\u0131kt\u0131 (inceleme yorumu) \u00e7iftleriyle e\u011fitilir. Bu sayede model, ge\u00e7mi\u015f deneyimlerden \u00f6\u011frenerek yeni PR’lar i\u00e7in alakal\u0131 geri bildirimler \u00fcretebilir.<\/p>\n \u00d6rne\u011fin, bir LLM’i fine-tune etmek i\u00e7in, her bir PR diff’ini girdi olarak, ilgili inceleme yorumlar\u0131n\u0131 da \u00e7\u0131kt\u0131 olarak kullanabilirsiniz. Bu, modelin “bu t\u00fcr bir kod de\u011fi\u015fikli\u011fi genellikle \u015fu t\u00fcr bir geri bildirim al\u0131r” kal\u0131b\u0131n\u0131 \u00f6\u011frenmesini sa\u011flar. Python’da Hugging Face Transformers k\u00fct\u00fcphanesini kullanarak bir LLM’i fine-tune etmek i\u00e7in temel bir yap\u0131 \u015f\u00f6yle olabilir:<\/p>\n Bu kod, genel bir LLM’i sizin \u00f6zel veri setinizle nas\u0131l fine-tune edebilece\u011finize dair bir ba\u015flang\u0131\u00e7 noktas\u0131 sunar. Ger\u00e7ek bir senaryoda, veri setinizin boyutu ve kalitesi kritik olacakt\u0131r. Ayr\u0131ca, e\u011fitim i\u00e7in yeterli hesaplama kayna\u011f\u0131na (GPU gibi) ihtiyac\u0131n\u0131z olaca\u011f\u0131n\u0131 unutmay\u0131n.<\/p>\n Modeliniz haz\u0131r oldu\u011funda, onu geli\u015ftirme i\u015f ak\u0131\u015f\u0131n\u0131za entegre etmeniz gerekir. Bu, genellikle s\u00fcr\u00fcm kontrol sisteminizle (GitHub, GitLab vb.) ve CI\/CD pipeline’\u0131n\u0131zla birle\u015fmeyi i\u00e7erir. En pop\u00fcler y\u00f6ntemler \u015funlard\u0131r:<\/p>\n \u00d6rne\u011fin, bir GitHub Actions i\u015f ak\u0131\u015f\u0131 (workflow) kullanarak her yeni PR a\u00e7\u0131ld\u0131\u011f\u0131nda yapay zeka botunuzu \u00e7al\u0131\u015ft\u0131rmak i\u00e7in Yapay zeka botunuzu devreye ald\u0131ktan sonra i\u015finiz bitmez. Modelin zamanla daha iyi hale gelmesi i\u00e7in s\u00fcrekli bir geri bildirim d\u00f6ng\u00fcs\u00fcne ihtiyac\u0131n\u0131z vard\u0131r. Geli\u015ftiriciler, botun yapt\u0131\u011f\u0131 yorumlar\u0131 kabul edebilir, reddedebilir veya \u00fczerlerinde de\u011fi\u015fiklik yapabilir. Bu etkile\u015fimler, modelin gelecekteki tahminlerini iyile\u015ftirmek i\u00e7in de\u011ferli veriler sa\u011flar. Bu d\u00f6ng\u00fc, sistemin “canl\u0131” kalmas\u0131n\u0131 ve ekibin de\u011fi\u015fen ihtiya\u00e7lar\u0131na uyum sa\u011flamas\u0131n\u0131 garantiler.<\/p>\n Bu s\u00fcrekli iyile\u015ftirme d\u00f6ng\u00fcs\u00fc, yapay zeka botunuzun sadece bir ara\u00e7 olmaktan \u00e7\u0131k\u0131p, ekibinizin bir par\u00e7as\u0131 haline gelmesini sa\u011flar. Ba\u015flang\u0131\u00e7ta botun hatal\u0131 \u00f6neriler yapmas\u0131 normaldir; \u00f6nemli olan, bu hatalardan \u00f6\u011frenmesini sa\u011flayacak bir mekanizma kurmakt\u0131r. Bu sayede, zamanla daha do\u011fru, daha alakal\u0131 ve daha faydal\u0131 geri bildirimler sunan bir sistem elde edersiniz. Bu ad\u0131mlar\u0131 takip ederek, kendi otomatik PR inceleme botunuzu ba\u015far\u0131yla olu\u015fturabilir ve geli\u015ftirme s\u00fcre\u00e7lerinizi \u00f6nemli \u00f6l\u00e7\u00fcde h\u0131zland\u0131rabilirsiniz. Unutmay\u0131n, bir yapay zeka sistemi bir kez kurup b\u0131rak\u0131lacak bir \u015fey de\u011fildir; ya\u015fayan ve s\u00fcrekli beslenmesi gereken bir varl\u0131kt\u0131r.<\/p>\n Temel bir otomatik PR inceleme botu olu\u015fturduktan sonra, sisteminizi daha da g\u00fc\u00e7lendirmek ve karma\u015f\u0131k senaryolara uyarlamak i\u00e7in baz\u0131 geli\u015fmi\u015f teknikleri uygulayabilirsiniz. Bu ipu\u00e7lar\u0131, botunuzun sadece basit hatalar\u0131 yakalamakla kalmay\u0131p, ayn\u0131 zamanda daha derinlemesine analizler yapmas\u0131n\u0131 ve daha de\u011ferli i\u00e7g\u00f6r\u00fcler sunmas\u0131n\u0131 sa\u011flayacakt\u0131r. Bu sayede, botunuz ekibinizin en g\u00fcvendi\u011fi kalite g\u00fcvence asistanlar\u0131ndan biri haline gelebilir.<\/p>\n S\u0131radan bir kod inceleme botu genellikle sentaks hatalar\u0131 veya stil uyumsuzluklar\u0131 gibi y\u00fczeysel konulara odaklan\u0131r. Ancak, yapay zeka modelinizi g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 (\u00f6rne\u011fin, SQL enjeksiyonu, XSS) veya performans darbo\u011fazlar\u0131n\u0131 tespit etme konusunda e\u011fitebilirsiniz. Bunun i\u00e7in, modelinize ge\u00e7mi\u015f g\u00fcvenlik a\u00e7\u0131\u011f\u0131 raporlar\u0131n\u0131, performans test sonu\u00e7lar\u0131n\u0131 ve bu sorunlara yol a\u00e7an kod kal\u0131plar\u0131n\u0131 i\u00e7eren etiketli veri setleri sa\u011flaman\u0131z gerekir. \u00d6rne\u011fin, OWASP Top 10 gibi bilinen g\u00fcvenlik zafiyetlerini hedefleyen \u00f6zel bir s\u0131n\u0131fland\u0131rma katman\u0131 ekleyebilir veya performans metriklerini analiz eden bir mod\u00fcl entegre edebilirsiniz. Bu t\u00fcr \u00f6zel veri setleri, modelin belirli risk alanlar\u0131na odaklanmas\u0131n\u0131 sa\u011flar.<\/p>\n LLM’ler, g\u00fcvenlik a\u00e7\u0131\u011f\u0131 tespiti konusunda \u00f6zellikle faydal\u0131d\u0131r \u00e7\u00fcnk\u00fc kodun sadece yap\u0131s\u0131n\u0131 de\u011fil, ayn\u0131 zamanda olas\u0131 k\u00f6t\u00fcye kullan\u0131m senaryolar\u0131n\u0131 da anlayabilirler. \u00d6rne\u011fin, bir kullan\u0131c\u0131dan al\u0131nan verinin do\u011frudan bir veritaban\u0131 sorgusuna dahil edildi\u011fini fark edip, potansiyel bir SQL enjeksiyonu zafiyeti konusunda uyar\u0131da bulunabilirler. Benzer \u015fekilde, bir d\u00f6ng\u00fc i\u00e7inde gereksiz yere yo\u011fun kaynak t\u00fcketen bir i\u015flem oldu\u011funu tespit ederek performans iyile\u015ftirme \u00f6nerileri sunabilirler. Bu, botunuzun sadece “nas\u0131l” kodland\u0131\u011f\u0131na de\u011fil, ayn\u0131 zamanda “ne kadar g\u00fcvenli” ve “ne kadar verimli” oldu\u011funa dair de geri bildirim vermesini sa\u011flar. Bu t\u00fcr analizler, \u00f6zellikle b\u00fcy\u00fck ve karma\u015f\u0131k sistemlerde, manuel olarak g\u00f6zden ka\u00e7abilecek kritik sorunlar\u0131 erken a\u015famada yakalayarak b\u00fcy\u00fck maliyetlerden kurtarabilir. Ayr\u0131ca, bu \u00f6zellik, DevOps ve DevSecOps k\u00fclt\u00fcrlerinin benimsenmesine de katk\u0131da bulunur.<\/p>\n \u00c7o\u011fu yaz\u0131l\u0131m projesi tek bir programlama diliyle s\u0131n\u0131rl\u0131 de\u011fildir. Botunuzun birden fazla programlama dilini (Python, Java, JavaScript, C#, Go vb.) anlayabilmesi, onu \u00e7ok daha kullan\u0131\u015fl\u0131 hale getirir. Bu, genellikle her dil i\u00e7in ayr\u0131 bir model e\u011fitmek veya dil ba\u011f\u0131ms\u0131z kod temsilleri (\u00f6rne\u011fin, evrensel soyut s\u00f6zdizimi a\u011fa\u00e7lar\u0131) kullanmak suretiyle ba\u015far\u0131l\u0131r. E\u011fer LLM kullan\u0131yorsan\u0131z, \u00e7o\u011fu modern LLM zaten birden fazla dili anlama yetene\u011fine sahiptir, ancak spesifik dil kal\u0131plar\u0131 i\u00e7in fine-tuning yine de faydal\u0131 olacakt\u0131r. Bu, modelin farkl\u0131 dillerin n\u00fcanslar\u0131n\u0131 daha iyi anlamas\u0131n\u0131 sa\u011flar.<\/p>\n Dil ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131na ula\u015fmak, modelin temel kodlama prensiplerini ve desenlerini \u00f6\u011frenmesini sa\u011flar, b\u00f6ylece yeni bir dil eklendi\u011finde s\u0131f\u0131rdan ba\u015flamak yerine mevcut bilgisini transfer edebilir. \u00d6rne\u011fin, “ge\u00e7ersiz girdi do\u011frulama” prensibi, dilden ba\u011f\u0131ms\u0131z olarak uygulanabilir bir g\u00fcvenlik ilkesidir ve botunuzun bu ilkeyi farkl\u0131 dillerdeki kodlarda tan\u0131mas\u0131n\u0131 sa\u011flamak, geli\u015ftirme maliyetlerini d\u00fc\u015f\u00fcr\u00fcr ve sistemin esnekli\u011fini art\u0131r\u0131r. Bu, \u00f6zellikle farkl\u0131 dillerde mod\u00fcller veya mikroservisler kullanan b\u00fcy\u00fck ekipler i\u00e7in vazge\u00e7ilmez bir \u00f6zelliktir. Botunuzun t\u00fcm projenin kod kalitesini tutarl\u0131 bir \u015fekilde denetlemesini sa\u011flar ve farkl\u0131 teknoloji y\u0131\u011f\u0131nlar\u0131na sahip projelerde tek bir inceleme arac\u0131 olarak i\u015flev g\u00f6rebilir.<\/p>\n Yapay zeka botunuzun bir \u00f6neride bulundu\u011funda, bu \u00f6nerinin neden yap\u0131ld\u0131\u011f\u0131n\u0131 a\u00e7\u0131klayabilmesi, geli\u015ftiricilerin bota olan g\u00fcvenini art\u0131r\u0131r. “Bu kod sat\u0131r\u0131 bir g\u00fcvenlik a\u00e7\u0131\u011f\u0131na yol a\u00e7abilir” demek yerine, “Bu kod sat\u0131r\u0131, kullan\u0131c\u0131 girdisini do\u011frudan SQL sorgusuna ekledi\u011fi i\u00e7in potansiyel bir SQL enjeksiyonu zafiyeti i\u00e7eriyor. L\u00fctfen parametreli sorgular kullan\u0131n veya girdiyi sanitize edin.” gibi daha a\u00e7\u0131klay\u0131c\u0131 bir geri bildirim sunmak, geli\u015ftiricinin sorunu daha h\u0131zl\u0131 anlamas\u0131na ve \u00e7\u00f6zmesine yard\u0131mc\u0131 olur. Bu, botun sadece bir uyar\u0131c\u0131 olmaktan \u00e7\u0131k\u0131p, ayn\u0131 zamanda bir e\u011fitim arac\u0131 haline gelmesini sa\u011flar.<\/p>\n XAI teknikleri (\u00f6rne\u011fin, LIME, SHAP), modelin belirli bir \u00e7\u0131kt\u0131ya nas\u0131l ula\u015ft\u0131\u011f\u0131n\u0131 anlamam\u0131za yard\u0131mc\u0131 olabilir. Bu teknikleri botunuza entegre ederek, yapt\u0131\u011f\u0131 yorumlar\u0131n arkas\u0131ndaki mant\u0131\u011f\u0131 a\u00e7\u0131klayan ek bilgiler sunabilirsiniz. Bu, botun sadece bir “kara kutu” olmaktan \u00e7\u0131k\u0131p, e\u011fitici ve a\u00e7\u0131klay\u0131c\u0131 bir mentor haline gelmesini sa\u011flar. Geli\u015ftiriciler, botun neden belirli bir de\u011fi\u015fiklik \u00f6nerdi\u011fini veya bir hatay\u0131 nas\u0131l tespit etti\u011fini anlayarak, kendi kodlama al\u0131\u015fkanl\u0131klar\u0131n\u0131 da geli\u015ftirebilirler. Bu, uzun vadede ekibin genel kod kalitesi bilgisini art\u0131r\u0131r ve daha az hata yap\u0131lmas\u0131n\u0131 sa\u011flar. XAI, yapay zeka sistemlerinin benimsenmesinde ve g\u00fcvenilirli\u011finde kilit bir rol oynar, \u00e7\u00fcnk\u00fc kullan\u0131c\u0131lar\u0131n sisteme olan g\u00fcvenini art\u0131r\u0131r ve \u015feffafl\u0131k sa\u011flar.<\/p>\n Bir PR’\u0131n sadece kod kalitesini de\u011fil, ayn\u0131 zamanda test kapsam\u0131n\u0131 da incelemesi \u00e7ok de\u011ferlidir. Botunuz, de\u011fi\u015ftirilen kod sat\u0131rlar\u0131n\u0131n yeterince test edilip edilmedi\u011fini analiz edebilir ve hatta eksik test senaryolar\u0131 i\u00e7in \u00f6nerilerde bulunabilir. Bunun i\u00e7in, kod kapsam\u0131 raporlar\u0131n\u0131 (code coverage reports) modelinize girdi olarak sa\u011flayabilirsiniz. Model, belirli bir kod de\u011fi\u015fikli\u011finin mevcut testler taraf\u0131ndan ne kadar\u0131n\u0131n kapsand\u0131\u011f\u0131n\u0131 de\u011ferlendirebilir ve “Bu yeni fonksiyon i\u00e7in birim test yaz\u0131lmam\u0131\u015f gibi g\u00f6r\u00fcn\u00fcyor.” veya “Bu hata senaryosu i\u00e7in bir entegrasyon testi eklemeyi d\u00fc\u015f\u00fcnebilirsiniz.” gibi geri bildirimler sunabilir. Bu, test g\u00fcd\u00fcml\u00fc geli\u015ftirme (TDD) yakla\u015f\u0131mlar\u0131n\u0131 benimseyen ekipler i\u00e7in \u00f6zellikle faydal\u0131d\u0131r.<\/p>\n Bu yetenek, \u00f6zellikle test yazma disiplininin zaman zaman g\u00f6z ard\u0131 edildi\u011fi projelerde b\u00fcy\u00fck fayda sa\u011flar. Bot, geli\u015ftiricilerin test yazma al\u0131\u015fkanl\u0131klar\u0131n\u0131 iyile\u015ftirmelerine yard\u0131mc\u0131 olur ve kod taban\u0131n\u0131n genel test kalitesini art\u0131r\u0131r. Otomatik test \u00f6nerileri, geli\u015ftiricilerin zaman kazanmas\u0131n\u0131 ve daha g\u00fcvenilir yaz\u0131l\u0131mlar \u00fcretmesini sa\u011flar. Bu, botunuzun sadece kodun kendisini de\u011fil, ayn\u0131 zamanda geli\u015ftirme s\u00fcrecinin \u00f6nemli bir par\u00e7as\u0131 olan test a\u015famas\u0131n\u0131 da iyile\u015ftirmesine olanak tan\u0131r. Y\u00fcksek test kapsam\u0131, yaz\u0131l\u0131m\u0131n daha kararl\u0131 ve bak\u0131m\u0131 daha kolay olmas\u0131n\u0131 sa\u011flar, bu da uzun vadede proje maliyetlerini d\u00fc\u015f\u00fcr\u00fcr.<\/p>\n Bu geli\u015fmi\u015f uygulamalar ve ipu\u00e7lar\u0131, yapay zeka PR inceleme botunuzu daha kapsaml\u0131, daha ak\u0131ll\u0131 ve ekibiniz i\u00e7in daha vazge\u00e7ilmez bir ara\u00e7 haline getirecektir. Unutmay\u0131n, bir yapay zeka sistemi s\u00fcrekli \u00f6\u011frenen ve geli\u015fen bir varl\u0131kt\u0131r. D\u00fczenli g\u00fcncellemeler ve geri bildirim d\u00f6ng\u00fcleri ile potansiyelini en \u00fcst d\u00fczeye \u00e7\u0131karabilirsiniz. Bu, botunuzun sadece bug\u00fcnk\u00fc de\u011fil, gelecekteki ihtiya\u00e7lara da cevap verebilmesini sa\u011flayacakt\u0131r.<\/p>\n Bir\u00e7o\u011fumuz, yaz\u0131l\u0131m geli\u015ftirme ekiplerinde PR incelemelerinin ne kadar kritik ancak bir o kadar da yava\u015flat\u0131c\u0131 olabilece\u011fini deneyimlemi\u015fizdir. T\u00fcrkiye’de faaliyet g\u00f6steren orta \u00f6l\u00e7ekli bir yaz\u0131l\u0131m \u015firketi olan “Ak\u0131ll\u0131 \u00c7\u00f6z\u00fcmler A.\u015e.”, bu sorunu bizzat ya\u015fayan \u015firketlerden biriydi. Yakla\u015f\u0131k 30 geli\u015ftiriciden olu\u015fan ekibiyle, \u00f6zellikle e-devlet projeleri ve \u00f6zel sekt\u00f6r i\u00e7in kurumsal uygulamalar geli\u015ftirmekteydiler. Her g\u00fcn ortalama 40-50 Pull Request a\u00e7\u0131l\u0131yor, ancak bu PR’lar\u0131n incelenme s\u00fcresi ortalama 2-3 g\u00fcn\u00fc buluyordu. Bu durum, \u00f6zellikle teslim tarihlerinin s\u0131k\u0131\u015f\u0131k oldu\u011fu projelerde ciddi aksakl\u0131klara ve geli\u015ftiriciler aras\u0131nda motivasyon d\u00fc\u015f\u00fckl\u00fc\u011f\u00fcne neden oluyordu. Bu gecikmeler, m\u00fc\u015fteri memnuniyetini de olumsuz etkileyebiliyordu.<\/p>\n \u015eirketin CTO’su Ay\u015fe Han\u0131m, bu darbo\u011faz\u0131 a\u015fmak i\u00e7in bir \u00e7\u00f6z\u00fcm aray\u0131\u015f\u0131ndayd\u0131. Ekibin deneyimli \u00fcyeleri, s\u00fcrekli olarak PR incelemelerine zaman ay\u0131rmak zorunda kald\u0131klar\u0131 i\u00e7in kendi ana g\u00f6revlerine odaklanam\u0131yor, bu da genel verimlili\u011fi d\u00fc\u015f\u00fcr\u00fcyordu. Ay\u015fe Han\u0131m, otomatik kod analiz ara\u00e7lar\u0131n\u0131 denemi\u015fti, ancak bu ara\u00e7lar sadece y\u00fczeysel sentaks hatalar\u0131n\u0131 veya basit kod standard\u0131 ihlallerini yakalayabiliyordu. Daha derinlemesine, mant\u0131ksal veya g\u00fcvenlik odakl\u0131 incelemeler i\u00e7in insan m\u00fcdahalesi \u015fartt\u0131. Bu nedenle, daha ak\u0131ll\u0131 ve ba\u011flamsal bir \u00e7\u00f6z\u00fcm aray\u0131\u015f\u0131 i\u00e7ine girdiler.<\/p>\n Bu noktada, Ay\u015fe Han\u0131m’\u0131n ekibi, bu makalede anlatt\u0131\u011f\u0131m prensiplere dayal\u0131, yapay zeka destekli bir otomatik PR inceleme botu geli\u015ftirmeye karar verdi. Projenin ilk a\u015famas\u0131nda, \u015firketin son iki y\u0131ldaki t\u00fcm PR ge\u00e7mi\u015fi (yakla\u015f\u0131k 15.000 PR), ilgili kod de\u011fi\u015fiklikleri, inceleme yorumlar\u0131 ve onay\/ret durumlar\u0131 topland\u0131. Bu veri seti, Python ve Java dillerindeki kodlar\u0131 i\u00e7eriyordu. Veriler temizlendikten ve etiketlendikten sonra, a\u00e7\u0131k kaynakl\u0131 bir B\u00fcy\u00fck Dil Modeli (LLM) temel al\u0131narak, \u015firketin kendi kodlama standartlar\u0131na ve ge\u00e7mi\u015fteki hatalar\u0131na g\u00f6re fine-tune edildi. Bu fine-tuning s\u00fcreci, modelin \u015firketin \u00f6zel ihtiya\u00e7lar\u0131na g\u00f6re optimize edilmesini sa\u011flad\u0131.<\/p>\n Bot, ba\u015flang\u0131\u00e7ta sadece basit kod stili ihlallerini ve potansiyel bo\u015f referans hatalar\u0131n\u0131 (null pointer exceptions) tespit etmek \u00fczere e\u011fitildi. \u0130lk entegrasyon GitHub Enterprise ile yap\u0131ld\u0131. Her yeni PR a\u00e7\u0131ld\u0131\u011f\u0131nda, bot otomatik olarak \u00e7al\u0131\u015f\u0131yor ve 5-10 dakika i\u00e7inde ilk yorumlar\u0131n\u0131 yap\u0131yordu. Ba\u015flang\u0131\u00e7ta, botun yapt\u0131\u011f\u0131 yorumlar\u0131n yakla\u015f\u0131k %30’u “yanl\u0131\u015f pozitif” (false positive) idi; yani bot, asl\u0131nda sorun olmayan yerleri sorun olarak i\u015faretliyordu. Ancak, Ay\u015fe Han\u0131m ve ekibi, geli\u015ftiricilerden gelen geri bildirimleri (botun yorumlar\u0131n\u0131 onaylama veya reddetme) s\u00fcrekli olarak toplad\u0131 ve modeli bu verilerle periyodik olarak yeniden e\u011fitti. Bu s\u00fcrekli \u00f6\u011frenme d\u00f6ng\u00fcs\u00fc, botun performans\u0131n\u0131 zamanla art\u0131rd\u0131.<\/p>\n Alt\u0131 ayl\u0131k bir s\u00fcre sonunda, botun performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde artt\u0131. Art\u0131k sadece stil hatalar\u0131n\u0131 de\u011fil, ayn\u0131 zamanda potansiyel SQL enjeksiyonu zafiyetlerini, gereksiz API \u00e7a\u011fr\u0131lar\u0131n\u0131 ve karma\u015f\u0131k fonksiyonlarda refactoring \u00f6nerilerini de sunabiliyordu. En \u00f6nemlisi, botun “do\u011fru pozitif” oran\u0131 %70’in \u00fczerine \u00e7\u0131kt\u0131 ve yanl\u0131\u015f pozitif oran\u0131 %10’un alt\u0131na d\u00fc\u015ft\u00fc. Sonu\u00e7lar \u015fa\u015f\u0131rt\u0131c\u0131yd\u0131:<\/strong><\/p>\n “Ak\u0131ll\u0131 \u00c7\u00f6z\u00fcmler A.\u015e.” \u00f6rne\u011fi, yapay zeka destekli otomatik PR inceleme sistemlerinin sadece bir hayal olmad\u0131\u011f\u0131n\u0131, do\u011fru strateji ve s\u00fcrekli iyile\u015ftirme ile ger\u00e7ek d\u00fcnya problemlerine somut \u00e7\u00f6z\u00fcmler sunabilece\u011fini a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Bu t\u00fcr bir sistem, sadece bir otomasyon arac\u0131 olmaktan \u00f6te, ekibin bir par\u00e7as\u0131 haline gelerek genel geli\u015ftirme k\u00fclt\u00fcr\u00fcn\u00fc ve kalitesini y\u00fckseltme potansiyeline sahiptir. Ayr\u0131ca, bu t\u00fcr bir yat\u0131r\u0131m\u0131n geri d\u00f6n\u00fc\u015f\u00fcn\u00fcn (ROI) olduk\u00e7a y\u00fcksek olabilece\u011fi de kan\u0131tlanm\u0131\u015ft\u0131r.<\/p>\n Geli\u015ftiricilerin en b\u00fcy\u00fck dertlerinden biri olan Pull Request (PR) inceleme s\u00fcre\u00e7lerinin yava\u015fl\u0131\u011f\u0131 ve bazen de yetersizli\u011fi, modern yaz\u0131l\u0131m geli\u015ftirme pratiklerinin en \u00f6nemli darbo\u011fazlar\u0131ndan biridir. Ancak, bu makalede detaylar\u0131yla ele ald\u0131\u011f\u0131m\u0131z yapay zeka destekli otomatik PR inceleme botlar\u0131, bu soruna g\u00fc\u00e7l\u00fc ve yenilik\u00e7i bir \u00e7\u00f6z\u00fcm sunmaktad\u0131r. Kendi deneyimlerimden yola \u00e7\u0131karak anlatt\u0131\u011f\u0131m bu sistem, sadece kod kalitesini art\u0131rmakla kalm\u0131yor, ayn\u0131 zamanda geli\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131r\u0131yor ve ekiplerin daha verimli \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131yor. Bu sayede, yaz\u0131l\u0131m projeleri daha h\u0131zl\u0131, daha g\u00fcvenilir ve daha d\u00fc\u015f\u00fck maliyetle tamamlanabilir.<\/p>\n Bir yapay zeka PR inceleme botu olu\u015fturmak, veri toplama ve \u00f6n i\u015fleme, uygun bir model se\u00e7imi ve e\u011fitimi, mevcut geli\u015ftirme i\u015f ak\u0131\u015flar\u0131na sorunsuz entegrasyon ve s\u00fcrekli geri bildirim mekanizmalar\u0131 kurma gibi ad\u0131mlar\u0131 i\u00e7erir. \u00d6zellikle B\u00fcy\u00fck Dil Modelleri (LLM’ler) gibi geli\u015fmi\u015f yapay zeka teknikleri, kodun ba\u011flam\u0131n\u0131 ve semanti\u011fini anlayarak insan benzeri, a\u00e7\u0131klay\u0131c\u0131 ve de\u011ferli inceleme yorumlar\u0131 yapma potansiyeli sunar. G\u00fcvenlik a\u00e7\u0131\u011f\u0131 tespiti, performans analizi, \u00e7ok dilli destek ve a\u00e7\u0131klanabilir yapay zeka entegrasyonu gibi geli\u015fmi\u015f uygulamalarla, botunuzu sadece bir hata yakalay\u0131c\u0131 olmaktan \u00e7\u0131kar\u0131p, ekibinizin de\u011ferli bir mentoru ve kalite g\u00fcvence uzman\u0131 haline getirebilirsiniz. B\u00f6yle bir sistem, ekiplerin daha stratejik ve yarat\u0131c\u0131 g\u00f6revlere odaklanmas\u0131na yard\u0131mc\u0131 olur.<\/p>\n Ak\u0131ll\u0131 \u00c7\u00f6z\u00fcmler A.\u015e. \u00f6rne\u011finde de g\u00f6r\u00fcld\u00fc\u011f\u00fc gibi, do\u011fru bir strateji ve s\u00fcrekli iyile\u015ftirme ile bu sistemler, PR inceleme s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131saltabilir, \u00fcretimdeki hata oranlar\u0131n\u0131 d\u00fc\u015f\u00fcrebilir ve geli\u015ftirici verimlili\u011fini art\u0131rabilir. Ba\u015flang\u0131\u00e7ta baz\u0131 yanl\u0131\u015f pozitifler olsa da, geli\u015ftiricilerin geri bildirimleriyle beslenen bir \u00f6\u011frenme d\u00f6ng\u00fcs\u00fc sayesinde, botun do\u011frulu\u011fu zamanla artar ve ekibin \u00f6zel ihtiya\u00e7lar\u0131na daha uygun hale gelir. Yapay zeka, art\u0131k sadece f\u00fct\u00fcristik bir kavram olmaktan \u00e7\u0131k\u0131p, yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerimizin ayr\u0131lmaz bir par\u00e7as\u0131 haline gelmi\u015ftir. Kendi otomatik PR inceleme botunuzu in\u015fa etmek, ekibinizin gelecekteki ba\u015far\u0131s\u0131 i\u00e7in yapabilece\u011finiz en ak\u0131ll\u0131 yat\u0131r\u0131mlardan biri olabilir. Bu, sadece bir teknoloji yat\u0131r\u0131m\u0131 de\u011fil, ayn\u0131 zamanda bir k\u00fclt\u00fcr ve verimlilik yat\u0131r\u0131m\u0131d\u0131r.<\/p>\n C:<\/strong> S\u00fcre ve maliyet, projenin karma\u015f\u0131kl\u0131\u011f\u0131na, ekibin deneyimine ve kullan\u0131lacak teknolojilere g\u00f6re b\u00fcy\u00fck \u00f6l\u00e7\u00fcde de\u011fi\u015fir. Basit bir prototip birka\u00e7 hafta i\u00e7inde olu\u015fturulabilirken, \u00fcretim seviyesinde, \u00e7ok dilli ve geli\u015fmi\u015f \u00f6zelliklere sahip bir sistemin geli\u015ftirilmesi ve optimize edilmesi birka\u00e7 ay s\u00fcrebilir. Maliyetler, kullan\u0131lan bulut kaynaklar\u0131 (GPU’lar), veri etiketleme hizmetleri ve geli\u015ftirici i\u015f g\u00fcc\u00fcne ba\u011fl\u0131d\u0131r. A\u00e7\u0131k kaynakl\u0131 LLM’ler ve bulut sa\u011flay\u0131c\u0131lar\u0131n \u00fccretsiz katmanlar\u0131 ile ba\u015flang\u0131\u00e7 maliyetleri d\u00fc\u015f\u00fcr\u00fclebilir, ancak b\u00fcy\u00fck \u00f6l\u00e7ekli uygulamalar i\u00e7in ciddi kaynaklar gerekebilir.<\/p>\n<\/li>\n C:<\/strong> K\u0131sa vadede tamamen almas\u0131 beklenmez. Yapay zeka botlar\u0131, tekrarlayan g\u00f6revleri, kod standard\u0131 ihlallerini, bilinen g\u00fcvenlik a\u00e7\u0131klar\u0131n\u0131 ve performans sorunlar\u0131n\u0131 tespit etmede \u00e7ok ba\u015far\u0131l\u0131d\u0131r. Ancak, karma\u015f\u0131k mimari kararlar, i\u015f mant\u0131\u011f\u0131na derinlemesine hakimiyet gerektiren durumlar veya yarat\u0131c\u0131 problem \u00e7\u00f6zme gibi alanlarda insan incelemesi hala vazge\u00e7ilmezdir. Botlar, insan inceleyicilerin y\u00fck\u00fcn\u00fc hafifleterek onlar\u0131n daha karma\u015f\u0131k ve stratejik konulara odaklanmas\u0131n\u0131 sa\u011flar, b\u00f6ylece insan ve yapay zeka i\u015fbirli\u011fi en verimli sonu\u00e7lar\u0131 verir.<\/p>\n<\/li>\n C:<\/strong> Yanl\u0131\u015f pozitif oran\u0131n\u0131 d\u00fc\u015f\u00fcrmek i\u00e7in birka\u00e7 strateji izleyebilirsiniz: daha kaliteli ve daha b\u00fcy\u00fck veri setleriyle modelinizi e\u011fitin, geli\u015ftiricilerden gelen geri bildirimleri (onay\/ret) s\u00fcrekli olarak toplayarak modeli yeniden e\u011fitin (fine-tune), e\u015fik de\u011ferlerini (thresholds) dikkatlice ayarlay\u0131n ve botun sadece y\u00fcksek g\u00fcvenilirlikteki \u00f6nerileri sunmas\u0131n\u0131 sa\u011flay\u0131n. Ayr\u0131ca, modelinize ba\u011flam sa\u011flamak i\u00e7in daha fazla meta veri (\u00f6rne\u011fin, projenin amac\u0131, kullan\u0131lan framework’ler) ekleyebilirsiniz. S\u00fcrekli izleme ve A\/B testleri de bu oran\u0131n d\u00fc\u015f\u00fcr\u00fclmesinde etkilidir.<\/p>\n<\/li>\n C:<\/strong> Desteklenen diller, modelin e\u011fitim verisine ve mimarisine ba\u011fl\u0131d\u0131r. \u00c7o\u011fu modern LLM, Python, Java, JavaScript, C#, Go gibi pop\u00fcler dilleri anlayabilir. Ancak, daha az yayg\u0131n diller veya dile \u00f6zg\u00fc karma\u015f\u0131k yap\u0131lar i\u00e7in ek fine-tuning veya \u00f6zel modeller gerekebilir. Dil ba\u011f\u0131ms\u0131z kod temsilleri kullanmak, yeni diller i\u00e7in deste\u011fi geni\u015fletmeye yard\u0131mc\u0131 olabilir. Projenizin kulland\u0131\u011f\u0131 dillerin \u00e7e\u015fitlili\u011fine g\u00f6re bir strateji belirlemek \u00f6nemlidir.<\/p>\n<\/li>\n C:<\/strong> \u00d6zellikle hassas kod tabanlar\u0131 veya fikri m\u00fclkiyet i\u00e7eren projelerde veri gizlili\u011fi kritik \u00f6neme sahiptir. Verilerinizi kendi sunucular\u0131n\u0131zda (on-premise) tutmay\u0131 veya g\u00fcvenilir bulut sa\u011flay\u0131c\u0131lar\u0131n\u0131n \u00f6zel bulut \u00e7\u00f6z\u00fcmlerini kullanmay\u0131 d\u00fc\u015f\u00fcnebilirsiniz. Modelinizi e\u011fitirken hassas bilgileri anonimle\u015ftirmek, veri eri\u015fimini k\u0131s\u0131tlamak ve g\u00fcvenlik protokollerini uygulamak \u00f6nemlidir. A\u00e7\u0131k kaynakl\u0131 LLM’leri kendi ortam\u0131n\u0131zda bar\u0131nd\u0131rmak, veri gizlili\u011fi endi\u015felerini azaltabilir. Ayr\u0131ca, t\u00fcm veri ak\u0131\u015flar\u0131n\u0131n \u015fifrelendi\u011finden ve eri\u015fim kontrol mekanizmalar\u0131n\u0131n etkin oldu\u011fundan emin olunmal\u0131d\u0131r.<\/p>\n<\/li>\n<\/ul>\n #YapayZeka #Kod\u0130ncelemesi #PROtomasyonu #Makine\u00d6\u011frenimi #Yaz\u0131l\u0131mGeli\u015ftirme #DevOps #LLM #Teknoloji<\/p>\n","protected":false},"excerpt":{"rendered":"Yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7lerinde Pull Request (PR) incelemeleri, kod kalitesini art\u0131rmak, hatalar\u0131 erken yakalamak ve bilgi payla\u015f\u0131m\u0131n\u0131 sa\u011flamak a\u00e7\u0131s\u0131ndan kritik \u00f6neme sahiptir.","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-42015","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nKendi Yapay Zeka PR \u0130nceleme Botunuzu Ad\u0131m Ad\u0131m Nas\u0131l Olu\u015fturursunuz?<\/h3>\n
Ad\u0131m 1: Veri Toplama ve Temizleme \u2013 Modelin Yak\u0131t\u0131<\/h4>\n
\n
\nimport requests\nimport json\n\ndef get_pr_data(repo_owner, repo_name, token):\n headers = {'Authorization': f'token {token}'}\n url = f'https:\/\/api.github.com\/repos\/{repo_owner}\/{repo_name}\/pulls?state=all&per_page=100'\n all_prs = []\n page = 1\n while True:\n paged_url = f\"{url}&page={page}\"\n response = requests.get(paged_url, headers=headers)\n if response.status_code != 200:\n print(f\"Hata: {response.status_code} - {response.text}\")\n break\n prs = response.json()\n if not prs:\n break\n all_prs.extend(prs)\n page += 1\n\n all_data = []\n for pr in all_prs:\n pr_number = pr['number']\n pr_title = pr['title']\n pr_body = pr['body']\n pr_diff_url = pr['diff_url']\n\n # Yorumlar\u0131 \u00e7ek\n comments_url = f'https:\/\/api.github.com\/repos\/{repo_owner}\/{repo_name}\/pulls\/{pr_number}\/comments'\n comments_response = requests.get(comments_url, headers=headers)\n comments = comments_response.json()\n comment_texts = [c['body'] for c in comments]\n\n # Diff i\u00e7eri\u011fini \u00e7ek\n diff_response = requests.get(pr_diff_url, headers=headers)\n diff_content = diff_response.text\n\n all_data.append({\n 'pr_number': pr_number,\n 'title': pr_title,\n 'body': pr_body,\n 'diff': diff_content,\n 'comments': comment_texts,\n 'state': pr['state'] # 'open', 'closed'\n })\n return all_data\n\n# \u00d6rnek kullan\u0131m (kendi GitHub token'\u0131n\u0131z\u0131 ve repo bilgilerinizi girin)\n# repo_owner = \"kullanici_adi\"\n# repo_name = \"depo_adi\"\n# github_token = \"sizin_github_tokeniniz\" # GitHub'dan ki\u015fisel eri\u015fim token'\u0131 olu\u015fturun\n# pr_dataset = get_pr_data(repo_owner, repo_name, github_token)\n# print(f\"Toplam {len(pr_dataset)} PR verisi topland\u0131.\")\n <\/code><\/pre>\n<\/p><\/div>\nAd\u0131m 2: Model Se\u00e7imi ve E\u011fitimi \u2013 Zekay\u0131 \u0130n\u015fa Etmek<\/h4>\n
\n
\nfrom transformers import AutoTokenizer, AutoModelForCausalLM, Trainer, TrainingArguments\nfrom datasets import Dataset\n\n# Model ve tokenizer y\u00fckleme\n# Daha g\u00fc\u00e7l\u00fc bir a\u00e7\u0131k kaynak model se\u00e7imi yap\u0131labilir, \u00f6rn: \"microsoft\/CodeGPT-small-py\" veya \"codellama\/CodeLlama-7b-hf\"\nmodel_name = \"openai-community\/gpt2\" \ntokenizer = AutoTokenizer.from_pretrained(model_name)\nmodel = AutoModelForCausalLM.from_pretrained(model_name)\n\n# Tokenizer'\u0131n pad token'\u0131 yoksa ekle\nif tokenizer.pad_token is None:\n tokenizer.add_special_tokens({'pad_token': tokenizer.eos_token})\n model.resize_token_embeddings(len(tokenizer))\n\n# \u00d6rnek veri seti (ger\u00e7ekte \u00e7ok daha b\u00fcy\u00fck ve \u00e7e\u015fitli olmal\u0131)\n# Her 'text' alan\u0131, bir PR diff'i ve beklenen inceleme yorumunun birle\u015fimi olabilir\ndata = [\n {\"text\": \"PR Diff: def add(a, b): return a + b<\/code> Review: Fonksiyon adlar\u0131 daha a\u00e7\u0131klay\u0131c\u0131 olmal\u0131, \u00f6rne\u011fin sum_numbers<\/code>.\"},\n {\"text\": \"PR Diff: user_input = input(); db.execute(f'SELECT * FROM users WHERE name = '{user_input}'')<\/code> Review: G\u00fcvenlik a\u00e7\u0131\u011f\u0131 olabilir, l\u00fctfen input'lar\u0131 sanitize edin veya parametreli sorgu kullan\u0131n.\"},\n {\"text\": \"PR Diff: for i in range(1000000): ...<\/code> Review: Bu d\u00f6ng\u00fc performans sorunlar\u0131na yol a\u00e7abilir, daha verimli bir algoritma d\u00fc\u015f\u00fcn\u00fcn.\"},\n # ... daha fazla ger\u00e7ek d\u00fcnya PR diff ve yorum \u00f6rne\u011fi ...\n]\ndataset = Dataset.from_list(data)\n\ndef tokenize_function(examples):\n # Modelin anlayaca\u011f\u0131 formatta metinleri token'lara d\u00f6n\u00fc\u015ft\u00fcr\n return tokenizer(examples[\"text\"], truncation=True, max_length=512)\n\ntokenized_dataset = dataset.map(tokenize_function, batched=True)\n\n# E\u011fitim arg\u00fcmanlar\u0131\ntraining_args = TrainingArguments(\n output_dir=\".\/results\",\n num_train_epochs=3, # E\u011fitim d\u00f6nem say\u0131s\u0131\n per_device_train_batch_size=2, # Her cihaz i\u00e7in batch boyutu\n save_steps=10_000, # Modelin kaydedilece\u011fi ad\u0131m say\u0131s\u0131\n save_total_limit=2, # Sadece en iyi 2 modeli sakla\n logging_dir='.\/logs', # Loglar\u0131n kaydedilece\u011fi dizin\n logging_steps=100, # Loglama ad\u0131m\u0131\n gradient_accumulation_steps=8, # Daha b\u00fcy\u00fck batch boyutu sim\u00fclasyonu i\u00e7in\n learning_rate=2e-5, # \u00d6\u011frenme oran\u0131\n weight_decay=0.01, # A\u011f\u0131rl\u0131k d\u00fc\u015f\u00fc\u015f\u00fc\n fp16=True, # Karma hassasiyetli e\u011fitim (GPU kullan\u0131yorsan\u0131z)\n)\n\n# Trainer olu\u015fturma ve e\u011fitme\ntrainer = Trainer(\n model=model,\n args=training_args,\n train_dataset=tokenized_dataset,\n tokenizer=tokenizer,\n)\n\n# trainer.train() # Ger\u00e7ek e\u011fitim burada ba\u015flar. Bu sat\u0131r\u0131 uncomment etmeden \u00f6nce veri setinizin haz\u0131r oldu\u011fundan emin olun.\n# print(\"Model e\u011fitimi tamamland\u0131.\")\n <\/code><\/pre>\n<\/p><\/div>\nAd\u0131m 3: Entegrasyon \u2013 \u0130\u015f Ak\u0131\u015f\u0131na Dahil Etmek<\/h4>\n
\n
.github\/workflows\/pr_review.yml<\/code> dosyas\u0131na a\u015fa\u011f\u0131daki gibi bir yap\u0131 ekleyebilirsiniz:<\/p>\n\nname: AI PR Review\n\non:\n pull_request:\n types: [opened, synchronize, reopened] # PR a\u00e7\u0131ld\u0131\u011f\u0131nda, g\u00fcncellendi\u011finde veya yeniden a\u00e7\u0131ld\u0131\u011f\u0131nda \u00e7al\u0131\u015ft\u0131r\n\njobs:\n ai_review:\n runs-on: ubuntu-latest\n steps:\n - name: Checkout code\n uses: actions\/checkout@v3\n with:\n fetch-depth: 0 # T\u00fcm ge\u00e7mi\u015fi \u00e7ek (diff i\u00e7in gerekli olabilir)\n\n - name: Set up Python\n uses: actions\/setup-python@v4\n with:\n python-version: '3.9'\n\n - name: Install dependencies\n run: |\n python -m pip install --upgrade pip\n pip install requests transformers torch\n\n - name: Run AI Review Bot\n env:\n GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }} # GitHub taraf\u0131ndan sa\u011flanan otomatik token\n REPO_OWNER: ${{ github.repository_owner }}\n REPO_NAME: ${{ github.event.repository.name }}\n PR_NUMBER: ${{ github.event.pull_request.number }}\n run: |\n python your_ai_review_bot.py # Kendi botunuzun Python beti\u011fi\n <\/code><\/pre>\n<\/p><\/div>\nyour_ai_review_bot.py<\/code> beti\u011finiz, GITHUB_TOKEN<\/code>, REPO_OWNER<\/code>, REPO_NAME<\/code> ve PR_NUMBER<\/code> ortam de\u011fi\u015fkenlerini kullanarak ilgili PR’\u0131n diff’ini \u00e7ekmeli, modelinizle analiz etmeli ve ard\u0131ndan GitHub API’sini kullanarak inceleme yorumlar\u0131n\u0131 PR’a eklemelidir. Bu entegrasyon, botunuzun geli\u015ftirme s\u00fcrecinizin do\u011fal bir par\u00e7as\u0131 olmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, botun yorumlar\u0131n\u0131n okunabilirli\u011fini ve anla\u015f\u0131l\u0131rl\u0131\u011f\u0131n\u0131 art\u0131rmak i\u00e7in Markdown format\u0131n\u0131 kullanmak iyi bir uygulamad\u0131r.<\/p>\nAd\u0131m 4: Geri Bildirim Mekanizmas\u0131 ve S\u00fcrekli \u0130yile\u015ftirme \u2013 \u00d6\u011frenen Bir Sistem<\/h4>\n
\n
Geli\u015fmi\u015f Uygulamalar ve \u0130pu\u00e7lar\u0131: Botunuzu Bir Sonraki Seviyeye Ta\u015f\u0131y\u0131n<\/h3>\n
1. G\u00fcvenlik A\u00e7\u0131\u011f\u0131 Tespiti ve Performans Analizi<\/h4>\n
2. \u00c7ok Dilli Kod Deste\u011fi ve Dil Ba\u011f\u0131ms\u0131zl\u0131\u011f\u0131<\/h4>\n
3. A\u00e7\u0131klanabilir Yapay Zeka (Explainable AI – XAI) Entegrasyonu<\/h4>\n
4. Otomatik Test Kapsam\u0131 Analizi ve Test \u00d6nerileri<\/h4>\n
Vaka Analizi: Bir T\u00fcrk Yaz\u0131l\u0131m \u015eirketinde Otomatik PR \u0130nceleme Botunun Etkisi<\/h3>\n
\n
Sonu\u00e7: Yapay Zeka ile Daha H\u0131zl\u0131 ve Kaliteli Geli\u015ftirme S\u00fcre\u00e7leri<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular<\/h3>\n
\n