Prometheus uyar\u0131lar\u0131n\u0131 daha anlaml\u0131, ba\u011flamsal ve eyleme ge\u00e7irilebilir hale getirmek i\u00e7in yapay zeka (AI) destekli prompt \u015fablonlar\u0131ndan faydalanmak, olay y\u00f6netimini k\u00f6kten de\u011fi\u015ftirebilir. Bu yenilik\u00e7i yakla\u015f\u0131m, sistemlerinizdeki sorunlar\u0131 daha h\u0131zl\u0131 tespit etmenize, k\u00f6k neden analizi yapman\u0131za ve hatta otomatik yan\u0131tlar olu\u015fturman\u0131za yard\u0131mc\u0131 olarak operasyonel verimlili\u011fi art\u0131r\u0131r.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn karma\u015f\u0131k ve da\u011f\u0131t\u0131k sistemlerinde, g\u00f6zlemlenebilirlik (observability) kritik bir \u00f6neme sahiptir. Prometheus, metrik toplama ve uyar\u0131 mekanizmalar\u0131yla bu alanda standart bir ara\u00e7 haline gelmi\u015ftir. Ancak, standart Prometheus uyar\u0131lar\u0131 genellikle ham veri ve s\u0131n\u0131rl\u0131 ba\u011flam sunar. Bu durum, \u00f6zellikle y\u00fcksek hacimli uyar\u0131larla kar\u015f\u0131la\u015f\u0131ld\u0131\u011f\u0131nda, m\u00fchendislerin h\u0131zla aksiyon almas\u0131n\u0131 zorla\u015ft\u0131rabilir. \u0130\u015fte tam da bu noktada, yapay zeka destekli prompt \u015fablonlar\u0131 devreye girerek, uyar\u0131 mesajlar\u0131n\u0131 zenginle\u015ftirme ve olay m\u00fcdahale s\u00fcre\u00e7lerini optimize etme potansiyeli sunar. Bu makalede, Prometheus uyar\u0131lar\u0131n\u0131 yapay zeka ile nas\u0131l entegre edece\u011fimizi, etkili prompt \u015fablonlar\u0131n\u0131 nas\u0131l olu\u015fturaca\u011f\u0131m\u0131z\u0131 ve bu entegrasyonun ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l de\u011fer yaratt\u0131\u011f\u0131n\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
Yapay zeka destekli uyar\u0131 \u015fablonlar\u0131n\u0131n derinliklerine dalmadan \u00f6nce, bu konunun temel yap\u0131 ta\u015flar\u0131n\u0131 olu\u015fturan Prometheus, Alertmanager ve Prompt Engineering kavramlar\u0131n\u0131 anlamak b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Bu \u00fc\u00e7 bile\u015fen, modern izleme ve olay y\u00f6netiminin temel direkleridir ve birlikte \u00e7al\u0131\u015ft\u0131klar\u0131nda g\u00fc\u00e7l\u00fc bir sinerji yarat\u0131rlar. \u0130lk olarak, Prometheus’un bir izleme sistemi olarak rol\u00fcn\u00fc ve metrikleri nas\u0131l toplad\u0131\u011f\u0131n\u0131 ele alal\u0131m. Prometheus, zaman serisi verilerini toplamak ve depolamak i\u00e7in tasarlanm\u0131\u015f a\u00e7\u0131k kaynakl\u0131 bir sistemdir. Uygulamalar\u0131n\u0131zdan, sunucular\u0131n\u0131zdan veya di\u011fer altyap\u0131 bile\u015fenlerinizden metrikleri HTTP \u00fczerinden \u00e7ekerek (pull modeli) \u00e7al\u0131\u015f\u0131r. Bu metrikler, CPU kullan\u0131m\u0131, bellek t\u00fcketimi, a\u011f trafi\u011fi gibi performans g\u00f6stergelerini i\u00e7erir ve belirli e\u015fiklerin a\u015f\u0131l\u0131p a\u015f\u0131lmad\u0131\u011f\u0131n\u0131 kontrol etmek i\u00e7in kullan\u0131l\u0131r.<\/p>\n
Prometheus’un toplad\u0131\u011f\u0131 metrikler \u00fczerinden belirli ko\u015fullar sa\u011fland\u0131\u011f\u0131nda uyar\u0131lar tetiklenir. \u0130\u015fte bu noktada Alertmanager devreye girer. Alertmanager, Prometheus’tan gelen uyar\u0131lar\u0131 i\u015fleyen, gruplayan, y\u00f6nlendiren ve susturan (silencing) ayr\u0131 bir bile\u015fendir. Yani, Prometheus sadece “bir sorun var” derken, Alertmanager bu sorunu kime, nas\u0131l ve ne zaman bildirece\u011fine karar verir. \u00d6rne\u011fin, ayn\u0131 anda tetiklenen onlarca CPU uyar\u0131s\u0131n\u0131 tek bir bildirim alt\u0131nda toplayabilir, mesai saatlerine g\u00f6re farkl\u0131 ekiplere y\u00f6nlendirebilir veya bak\u0131m pencerelerinde uyar\u0131lar\u0131 susturabilir. Alertmanager’\u0131n esnek yap\u0131land\u0131rmas\u0131 sayesinde, uyar\u0131lar\u0131 Slack, e-posta, PagerDuty gibi \u00e7e\u015fitli kanallara g\u00f6ndermek m\u00fcmk\u00fcnd\u00fcr. Her iki sistem de genellikle YAML dosyalar\u0131 \u00fczerinden yap\u0131land\u0131r\u0131l\u0131r ve bu sayede uyar\u0131 kurallar\u0131 ( Peki, Prompt Engineering nedir? Yapay zeka, \u00f6zellikle b\u00fcy\u00fck dil modelleri (LLM’ler) ile etkile\u015fim kurarken, onlardan istedi\u011fimiz \u00e7\u0131kt\u0131y\u0131 alabilmek i\u00e7in verdi\u011fimiz talimatlar\u0131n (prompt’lar\u0131n) tasar\u0131m\u0131 ve optimizasyonudur. Bir LLM’ye “bana bir \u015fiir yaz” demek basit bir prompt iken, “bana X konusu hakk\u0131nda, Y tarz\u0131nda, Z kelime say\u0131s\u0131n\u0131 a\u015fmayacak, A ve B anahtar kelimelerini i\u00e7eren, C hedef kitlesine y\u00f6nelik bir \u015fiir yaz” demek daha karma\u015f\u0131k ve etkili bir prompt’tur. Prompt Engineering, tam olarak bu daha etkili ve spesifik talimatlar\u0131 olu\u015fturma sanat\u0131d\u0131r. Amac\u0131m\u0131z, LLM’nin Prometheus’tan gelen ham uyar\u0131 verilerini al\u0131p, onu anlaml\u0131, ba\u011flamsal ve eyleme ge\u00e7irilebilir bir mesaja d\u00f6n\u00fc\u015ft\u00fcrmesini sa\u011flamakt\u0131r. Bu, uyar\u0131lar\u0131n neden tetiklendi\u011fini a\u00e7\u0131klayan, olas\u0131 nedenleri s\u0131ralayan, \u00e7\u00f6z\u00fcm \u00f6nerileri sunan ve ilgili kaynaklara (\u00f6rne\u011fin, Grafana panolar\u0131 veya runbook’lar) ba\u011flant\u0131lar i\u00e7eren zenginle\u015ftirilmi\u015f mesajlar anlam\u0131na gelir. Bu \u00fc\u00e7 temel kavram\u0131 anlad\u0131ktan sonra, yapay zeka destekli uyar\u0131 \u015fablonlar\u0131n\u0131n sundu\u011fu potansiyeli daha iyi kavrayabiliriz.<\/p>\n Modern BT altyap\u0131lar\u0131 giderek karma\u015f\u0131kla\u015ft\u0131k\u00e7a, Prometheus gibi g\u00fc\u00e7l\u00fc izleme sistemlerinin bile tek ba\u015f\u0131na yetersiz kald\u0131\u011f\u0131 durumlar ortaya \u00e7\u0131kmaktad\u0131r. Geleneksel uyar\u0131 sistemleri, belirli bir e\u015fik a\u015f\u0131ld\u0131\u011f\u0131nda veya bir durum de\u011fi\u015fti\u011finde bildirim g\u00f6nderir, ancak bu bildirimler genellikle yeterli ba\u011flamdan yoksundur. Bu durum, operasyon ekipleri i\u00e7in bir dizi zorlu\u011fa yol a\u00e7ar ve nihayetinde sistemlerin kesintisiz \u00e7al\u0131\u015fmas\u0131n\u0131 engelleyebilir. \u0130\u015fte bu noktada yapay zeka destekli uyar\u0131 \u015fablonlar\u0131na olan ihtiyac\u0131m\u0131z belirginle\u015fir. Mevcut zorluklar\u0131 ve yapay zekan\u0131n bu zorluklara nas\u0131l \u00e7\u00f6z\u00fcm getirdi\u011fini detayl\u0131ca inceleyelim.<\/p>\n En b\u00fcy\u00fck zorluklardan biri “Uyar\u0131 Yorgunlu\u011fu”dur. \u00d6zellikle b\u00fcy\u00fck ve dinamik ortamlarda, ayn\u0131 anda y\u00fczlerce veya binlerce uyar\u0131 tetiklenebilir. Bu uyar\u0131lar\u0131n \u00e7o\u011fu, ya g\u00fcr\u00fclt\u00fcden ibarettir ya da ayn\u0131 temel sorunun farkl\u0131 yans\u0131malar\u0131d\u0131r. M\u00fchendisler, bu uyar\u0131 selinin alt\u0131nda ezilir, hangisinin ger\u00e7ekten acil oldu\u011funu belirlemekte zorlan\u0131r ve zamanlar\u0131n\u0131n \u00e7o\u011funu yanl\u0131\u015f pozitifleri ay\u0131klamakla ge\u00e7irirler. Sonu\u00e7 olarak, ger\u00e7ek sorunlar g\u00f6zden ka\u00e7abilir ve m\u00fcdahale s\u00fcreleri uzayabilir. Yapay zeka destekli \u015fablonlar, bu uyar\u0131lar\u0131 gruplayarak, \u00f6nceliklendirerek ve en \u00f6nemlisi, her uyar\u0131ya zengin bir ba\u011flam ekleyerek uyar\u0131 yorgunlu\u011funu azaltabilir. \u00d6rne\u011fin, bir sunucunun CPU’su y\u00fckseldi\u011finde, AI sadece “CPU %95” demek yerine, “Bu sunucunun son 30 dakikad\u0131r %90 e\u015fi\u011finin \u00fczerinde CPU kulland\u0131\u011f\u0131 g\u00f6zlemlendi. Bu durum genellikle son da\u011f\u0131t\u0131lan uygulaman\u0131n bir yan etkisi veya ani bir trafik art\u0131\u015f\u0131 ile ili\u015fkilidir. \u0130lgili uygulama loglar\u0131n\u0131 kontrol etmeniz \u00f6nerilir.” gibi daha a\u00e7\u0131klay\u0131c\u0131 bir mesaj \u00fcretebilir.<\/p>\n \u0130kinci \u00f6nemli zorluk “Ba\u011flam Eksikli\u011fi”dir. Standart Prometheus uyar\u0131lar\u0131 genellikle metrik ad\u0131, de\u011feri ve etkilenen kaynak gibi temel bilgileri i\u00e7erir. Ancak bir m\u00fchendis i\u00e7in, “Disk alan\u0131 %90” uyar\u0131s\u0131 yeterli de\u011fildir. Hangi disk? Hangi uygulama kullan\u0131yor? Bu art\u0131\u015f ani mi, yoksa kademeli mi? Daha \u00f6nce benzer sorunlar ya\u015fand\u0131 m\u0131? Bu sorular\u0131n cevaplar\u0131, sorunu h\u0131zl\u0131ca anlamak ve \u00e7\u00f6zmek i\u00e7in kritik \u00f6neme sahiptir. Yapay zeka, bu eksik ba\u011flam\u0131 tamamlayabilir. Ge\u00e7mi\u015f olay verilerini, topoloji bilgilerini ve hatta de\u011fi\u015fiklik y\u00f6netimi kay\u0131tlar\u0131n\u0131 kullanarak, uyar\u0131ya derinlik katabilir. \u00d6rne\u011fin, bir veritaban\u0131 sunucusundaki disk dolulu\u011fu uyar\u0131s\u0131 i\u00e7in AI, “Bu veritaban\u0131 sunucusundaki Son olarak, “Otomatik Yan\u0131t \u0130htiyac\u0131” giderek artmaktad\u0131r. Her uyar\u0131ya manuel olarak m\u00fcdahale etmek, \u00f6zellikle b\u00fcy\u00fck \u00f6l\u00e7ekli sistemlerde s\u00fcrd\u00fcr\u00fclebilir de\u011fildir. Baz\u0131 sorunlar, basit otomasyonlarla \u00e7\u00f6z\u00fclebilecek kadar tekrarlay\u0131c\u0131d\u0131r. Yapay zeka destekli uyar\u0131 \u015fablonlar\u0131, sadece sorunu a\u00e7\u0131klamakla kalmay\u0131p, ayn\u0131 zamanda olas\u0131 \u00e7\u00f6z\u00fcm ad\u0131mlar\u0131n\u0131 veya otomatik eylemleri de \u00f6nerebilir. \u00d6rne\u011fin, bir pod’un bellek e\u015fi\u011fini a\u015fmas\u0131 durumunda, AI “Pod Prometheus’tan gelen ham uyar\u0131 verilerini yapay zeka destekli, ba\u011flamsal mesajlara d\u00f6n\u00fc\u015ft\u00fcrmek i\u00e7in belirli bir entegrasyon stratejisi izlemek gerekir. Bu s\u00fcre\u00e7, temelde Prometheus’un uyar\u0131lar\u0131n\u0131 bir yapay zeka modeline iletmek ve modelden gelen zenginle\u015ftirilmi\u015f \u00e7\u0131kt\u0131y\u0131 ilgili kanallara y\u00f6nlendirmekten ibarettir. Ad\u0131m ad\u0131m bu entegrasyonun temellerini inceleyelim ve nas\u0131l ba\u015flayaca\u011f\u0131n\u0131z\u0131 g\u00f6sterelim. Bu entegrasyonun kalbinde, Prometheus’un Alertmanager bile\u015feninin esnekli\u011fi yatar.<\/p>\n \u0130lk olarak, “Veri Ak\u0131\u015f\u0131n\u0131 Anlamak” kritik \u00f6neme sahiptir. Prometheus, metrikleri toplar ve tan\u0131mlanm\u0131\u015f kurallara g\u00f6re uyar\u0131lar\u0131 tetikler. Tetiklenen bu uyar\u0131lar, JSON format\u0131nda Alertmanager’a g\u00f6nderilir. Alertmanager, bu JSON verisini al\u0131r, gruplar ve yap\u0131land\u0131r\u0131lm\u0131\u015f al\u0131c\u0131lara (receivers) y\u00f6nlendirir. Yapay zeka entegrasyonu i\u00e7in, Alertmanager’\u0131n bir webhook al\u0131c\u0131s\u0131 (webhook receiver) kullanmas\u0131 en yayg\u0131n ve esnek y\u00f6ntemdir. Bu webhook, Alertmanager’dan gelen uyar\u0131 JSON’unu, sizin \u00f6zel olarak geli\u015ftirdi\u011finiz veya \u00fc\u00e7\u00fcnc\u00fc taraf bir hizmet olarak kulland\u0131\u011f\u0131n\u0131z bir ara katman (middleware) uygulamas\u0131na g\u00f6nderir. Bu ara katman uygulamas\u0131, gelen JSON verisini ayr\u0131\u015ft\u0131r\u0131r, yapay zeka modelinin anlayaca\u011f\u0131 bir prompt (istek) olu\u015fturur, yapay zeka modeline bu prompt’u g\u00f6nderir ve modelden gelen yan\u0131t\u0131 al\u0131r. Son olarak, al\u0131nan bu zenginle\u015ftirilmi\u015f yan\u0131t\u0131 Slack, Teams, e-posta gibi nihai bildirim kanallar\u0131na iletir. Bu ak\u0131\u015f, uyar\u0131 verilerinin Prometheus’tan yapay zekaya ve oradan da m\u00fchendislere ula\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n \u0130kinci ad\u0131m, “LLM Se\u00e7imi ve Entegrasyon Y\u00f6ntemleri”dir. Piyasada bir\u00e7ok b\u00fcy\u00fck dil modeli (LLM) sa\u011flay\u0131c\u0131s\u0131 bulunmaktad\u0131r; OpenAI (GPT serisi), Google (Gemini), Anthropic (Claude) veya a\u00e7\u0131k kaynakl\u0131 modeller (Llama, Mistral) gibi. Se\u00e7iminiz, maliyet, performans, g\u00fcvenlik gereksinimleri ve entegrasyon kolayl\u0131\u011f\u0131 gibi fakt\u00f6rlere ba\u011fl\u0131 olacakt\u0131r. \u00c7o\u011fu LLM sa\u011flay\u0131c\u0131s\u0131, modellerine eri\u015fim i\u00e7in bir API (Uygulama Programlama Aray\u00fcz\u00fc) sunar. Bu API’ler genellikle HTTP tabanl\u0131d\u0131r ve JSON format\u0131nda istek\/yan\u0131t al\u0131\u015fveri\u015fi yaparlar. Ara katman uygulaman\u0131z\u0131n, bu API’leri kullanarak LLM ile ileti\u015fim kurmas\u0131 gerekecektir. \u00d6rne\u011fin, bir Python uygulamas\u0131 yazarak Alertmanager’dan gelen webhook isteklerini dinleyebilir, gelen veriyi i\u015fleyebilir ve OpenAI API’sine bir istek g\u00f6nderebilirsiniz. A\u015fa\u011f\u0131da basit bir Python \u00f6rne\u011fi bulunmaktad\u0131r:<\/p>\n Bu Python kodu, Alertmanager’dan gelen uyar\u0131lar\u0131 dinleyen basit bir Flask uygulamas\u0131d\u0131r. Gelen uyar\u0131 verilerini kullanarak dinamik bir prompt olu\u015fturur ve OpenAI API’sine g\u00f6nderir. LLM’den gelen zenginle\u015ftirilmi\u015f yan\u0131t\u0131 ise Slack’e g\u00f6nderir. Bu, entegrasyonun temel mant\u0131\u011f\u0131n\u0131 anlamak i\u00e7in iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r. Ger\u00e7ek d\u00fcnya senaryolar\u0131nda, bu ara katman uygulamas\u0131 daha fazla hata y\u00f6netimi, yeniden deneme mekanizmalar\u0131 ve yap\u0131land\u0131rma y\u00f6netimi i\u00e7erecektir. Bu ad\u0131mlar\u0131 takip ederek, Prometheus uyar\u0131lar\u0131n\u0131z\u0131n yapay zeka ile g\u00fc\u00e7lendirilmi\u015f ilk ad\u0131mlar\u0131n\u0131 atabilirsiniz.<\/p>\n Yapay zeka destekli uyar\u0131 sistemlerinin ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde etkili prompt \u015fablonlar\u0131n\u0131n kalitesine ba\u011fl\u0131d\u0131r. Bir LLM’den en iyi \u00e7\u0131kt\u0131y\u0131 alabilmek i\u00e7in, ona net, spesifik ve yeterince ba\u011flamsal talimatlar vermeniz gerekir. Do\u011fru prompt \u015fablonlar\u0131, Prometheus’tan gelen ham verileri al\u0131p, m\u00fchendislerin h\u0131zla anlayabilece\u011fi ve aksiyon alabilece\u011fi bilgilere d\u00f6n\u00fc\u015ft\u00fcrmenin anahtar\u0131d\u0131r. Bu b\u00f6l\u00fcmde, prompt \u015fablonlar\u0131n\u0131n yap\u0131s\u0131n\u0131, bile\u015fenlerini ve farkl\u0131 senaryolar i\u00e7in \u00f6rnekleri ele alaca\u011f\u0131z.<\/p>\n Prompt \u015fablonlar\u0131n\u0131n temel yap\u0131s\u0131, LLM’ye ne yapmas\u0131 gerekti\u011fini, hangi bilgileri kullanmas\u0131 gerekti\u011fini ve \u00e7\u0131kt\u0131n\u0131n nas\u0131l g\u00f6r\u00fcnmesi gerekti\u011fini s\u00f6yleyen talimat setlerinden olu\u015fur. \u0130yi bir prompt \u015fablonu genellikle \u015fu bile\u015fenleri i\u00e7erir:<\/p>\n \u015eimdi birka\u00e7 \u00f6rnek prompt \u015fablonu inceleyelim:<\/p>\n Bu \u015fablon, temel uyar\u0131 bilgilerini kullanarak h\u0131zl\u0131 bir \u00f6zet olu\u015fturur.<\/p>\n Bu \u00f6rnekte, Daha fazla ba\u011flam ve aksiyon \u00f6nerisi ekleyerek uyar\u0131y\u0131 zenginle\u015ftirir.<\/p>\n Bu \u015fablon, LLM’ye daha fazla rol ve ba\u011flam bilgisi vererek daha detayl\u0131 bir yan\u0131t \u00fcretmesini sa\u011flar. Ayr\u0131ca, \u00e7\u0131kt\u0131da beklenen belirli b\u00f6l\u00fcmleri (nedenler, \u00e7\u00f6z\u00fcmler) de belirtir.<\/p>\n Ge\u00e7mi\u015f olay verilerini veya d\u0131\u015f sistemlerden al\u0131nan bilgileri de kullanarak daha sofistike bir analiz sunar.<\/p>\n Bu \u015fablon, sadece mevcut uyar\u0131 verilerini de\u011fil, ayn\u0131 zamanda d\u0131\u015f sistemlerden (ge\u00e7mi\u015f olaylar, son da\u011f\u0131t\u0131m bilgileri gibi) getirilen ek ba\u011flam\u0131 da LLM’ye sunar. Bu, \u00e7ok daha zengin ve eyleme ge\u00e7irilebilir bir yan\u0131t elde etmenizi sa\u011flar. Prompt Engineering, s\u00fcrekli deneme ve yan\u0131lma gerektiren bir s\u00fcre\u00e7tir. Farkl\u0131 \u015fablonlarla deneyler yaparak ve LLM’nin yan\u0131tlar\u0131n\u0131 de\u011ferlendirerek en etkili yakla\u015f\u0131mlar\u0131 bulabilirsiniz. \u00d6nemli olan, LLM’ye ne istedi\u011finizi ne kadar net ve detayl\u0131 anlatabilirseniz, o kadar iyi sonu\u00e7lar alaca\u011f\u0131n\u0131z\u0131 unutmamakt\u0131r. Bu \u00f6rnekler, Prometheus uyar\u0131lar\u0131n\u0131za yapay zeka g\u00fcc\u00fc katmak i\u00e7in bir ba\u015flang\u0131\u00e7 noktas\u0131 sunmaktad\u0131r.<\/p>\n Teorik bilgileri pratik bir senaryoyla peki\u015ftirmek, yapay zeka destekli Prometheus uyar\u0131 \u015fablonlar\u0131n\u0131n ger\u00e7ek d\u00fcnyadaki de\u011ferini anlamak i\u00e7in kritik \u00f6neme sahiptir. Bu vaka analizinde, b\u00fcy\u00fck \u00f6l\u00e7ekli bir e-ticaret platformunun olay y\u00f6netimini bu teknolojiyle nas\u0131l iyile\u015ftirdi\u011fini inceleyece\u011fiz. Platform, binlerce mikro hizmet, y\u00fczlerce sunucu ve milyonlarca g\u00fcnl\u00fck i\u015flemle olduk\u00e7a karma\u015f\u0131k bir yap\u0131ya sahipti. Geleneksel izleme ve uyar\u0131 sistemleri, uyar\u0131 yorgunlu\u011fu ve ba\u011flam eksikli\u011fi nedeniyle m\u00fcdahale s\u00fcrelerini uzat\u0131yordu.<\/p>\n E-ticaret platformu, yo\u011fun sat\u0131\u015f d\u00f6nemlerinde (\u00f6rne\u011fin, Black Friday) s\u00fcrekli y\u00fcksek trafik al\u0131r. Bu d\u00f6nemlerde, platformun kritik veritaban\u0131 sunucular\u0131nda ya\u015fanan performans sorunlar\u0131 veya kaynak t\u00fckenmeleri, do\u011frudan m\u00fc\u015fteri deneyimini ve geliri etkileyebilir. Daha \u00f6nce, bir veritaban\u0131 sunucusunda disk I\/O’sunun aniden y\u00fckselmesi gibi bir durum, yaln\u0131zca “ Platform, bu sorunu \u00e7\u00f6zmek i\u00e7in Prometheus ve Alertmanager altyap\u0131s\u0131na yapay zeka destekli bir ara katman entegre etmeye karar verdi. S\u00fcre\u00e7 \u015fu ad\u0131mlar\u0131 izledi:<\/p>\n Entegrasyon sonras\u0131, “ Bu zenginle\u015ftirilmi\u015f mesaj sayesinde, veritaban\u0131 ekibi sorunun ne oldu\u011funu, olas\u0131 nedenlerini ve ilk m\u00fcdahale ad\u0131mlar\u0131n\u0131 an\u0131nda \u00f6\u011frendi. Bu, ortalama m\u00fcdahale s\u00fcresini (MTTR – Mean Time To Resolution) %40 oran\u0131nda azaltt\u0131. Uyar\u0131 yorgunlu\u011fu azald\u0131 \u00e7\u00fcnk\u00fc her uyar\u0131 art\u0131k daha anlaml\u0131yd\u0131 ve ekipler, hangi uyar\u0131ya \u00f6ncelik vermeleri gerekti\u011fini daha net g\u00f6rebiliyordu. Ayr\u0131ca, yeni m\u00fchendislerin olaylara daha h\u0131zl\u0131 adapte olmas\u0131na ve deneyimli m\u00fchendislerin bilgi birikimini otomatize etmeye yard\u0131mc\u0131 oldu. Bu vaka analizi, yapay zeka destekli prompt \u015fablonlar\u0131n\u0131n, operasyonel verimlili\u011fi art\u0131rma ve olay y\u00f6netimini d\u00f6n\u00fc\u015ft\u00fcrme konusundaki potansiyelini a\u00e7\u0131k\u00e7a ortaya koymaktad\u0131r.<\/p>\n Yapay zeka destekli Prometheus uyar\u0131 \u015fablonlar\u0131n\u0131n temel entegrasyonu ve kullan\u0131m\u0131, olay y\u00f6netimini \u00f6nemli \u00f6l\u00e7\u00fcde iyile\u015ftirebilir. Ancak bu alanda daha da ileri gitmek, sistemin zekas\u0131n\u0131 ve verimlili\u011fini art\u0131rmak i\u00e7in \u00e7e\u015fitli ileri d\u00fczey teknikler ve optimizasyonlar mevcuttur. Bu teknikler, daha dinamik, adaptif ve g\u00fcvenli bir uyar\u0131 sistemi olu\u015fturman\u0131za yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n Temel prompt \u015fablonlar\u0131 genellikle statik metin ve Prometheus’tan gelen dinamik de\u011fi\u015fkenlerin birle\u015fimidir. Ancak daha geli\u015fmi\u015f senaryolarda, LLM’ye sunulan ba\u011flam\u0131 daha da dinamik hale getirmek isteyebilirsiniz. Bu, sadece Prometheus etiketleri ve a\u00e7\u0131klamalar\u0131yla s\u0131n\u0131rl\u0131 kalmay\u0131p, uyar\u0131 an\u0131nda \u00e7e\u015fitli d\u0131\u015f kaynaklardan ger\u00e7ek zamanl\u0131 veri \u00e7ekmeyi i\u00e7erir. \u00d6rne\u011fin:<\/p>\n Bu dinamik veriler, ara katman uygulaman\u0131z taraf\u0131ndan uyar\u0131 an\u0131nda toplan\u0131r ve prompt’a dahil edilir. Bu sayede, LLM’nin \u00fcretti\u011fi yan\u0131tlar \u00e7ok daha zengin, ba\u011flamsal ve soruna \u00f6zel hale gelir.<\/p>\n Yapay zeka destekli uyar\u0131 sistemlerinin uzun vadeli ba\u015far\u0131s\u0131, s\u00fcrekli \u00f6\u011frenme ve iyile\u015ftirme mekanizmalar\u0131na ba\u011fl\u0131d\u0131r. Ba\u015flang\u0131\u00e7ta, LLM’nin \u00fcretti\u011fi yan\u0131tlar her zaman m\u00fckemmel olmayabilir. Bu nedenle, bir geri bildirim d\u00f6ng\u00fcs\u00fc olu\u015fturmak kritik \u00f6neme sahiptir:<\/p>\n Bu geri bildirimler, zamanla LLM’nin uyar\u0131 analizi ve \u00e7\u00f6z\u00fcm \u00f6nerileri yetene\u011fini s\u00fcrekli olarak geli\u015ftirmesini sa\u011flar. Bu, MLOps (Machine Learning Operations) prensiplerinin uyar\u0131 y\u00f6netimine uygulanmas\u0131 anlam\u0131na gelir.<\/p>\n Yapay zeka modellerine kritik sistem verilerini g\u00f6ndermek, g\u00fcvenlik ve gizlilik a\u00e7\u0131s\u0131ndan \u00f6nemli endi\u015feleri beraberinde getirir:<\/p>\n Bu ileri d\u00fczey teknikler ve g\u00fcvenlik hususlar\u0131, yapay zeka destekli uyar\u0131 sistemlerinizin sadece daha ak\u0131ll\u0131 de\u011fil, ayn\u0131 zamanda daha sa\u011flam ve g\u00fcvenilir olmas\u0131n\u0131 sa\u011flar. S\u00fcrekli optimizasyon ve g\u00fcvenlik odakl\u0131 bir yakla\u015f\u0131mla, olay y\u00f6netim s\u00fcre\u00e7lerinizi bir sonraki seviyeye ta\u015f\u0131yabilirsiniz.<\/p>\n Prometheus ve yapay zeka entegrasyonu, sadece mevcut sorunlar\u0131 \u00e7\u00f6zmekle kalmay\u0131p, gelece\u011fin olay y\u00f6netimini de \u015fekillendiren g\u00fc\u00e7l\u00fc bir sinerji yaratmaktad\u0131r. Bu birle\u015fim, pasif izlemeden proaktif ve hatta \u00f6ng\u00f6r\u00fcc\u00fc bir operasyonel modele ge\u00e7i\u015fin kap\u0131lar\u0131n\u0131 aralamaktad\u0131r. Geleneksel uyar\u0131 sistemlerinin s\u0131n\u0131rlamalar\u0131 g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, yapay zekan\u0131n katmanl\u0131 yetenekleri, BT operasyonlar\u0131n\u0131 daha ak\u0131ll\u0131, daha verimli ve daha dayan\u0131kl\u0131 hale getirme potansiyeli ta\u015f\u0131maktad\u0131r.<\/p>\n Yapay zeka, Prometheus’tan gelen metrik ak\u0131\u015flar\u0131n\u0131 sadece mevcut e\u015fiklere g\u00f6re de\u011fil, ayn\u0131 zamanda anomali tespiti (anomaly detection) algoritmalar\u0131yla da analiz edebilir. Bu sayede, hen\u00fcz bir e\u015fik a\u015f\u0131lmam\u0131\u015f olsa bile, sistemdeki anormal davran\u0131\u015flar\u0131 \u00f6nceden belirleyerek potansiyel sorunlar hakk\u0131nda uyar\u0131lar olu\u015fturabilir. \u00d6rne\u011fin, bir uygulaman\u0131n normalde belirli bir saatte g\u00f6sterdi\u011fi trafik deseninden sapmas\u0131, hen\u00fcz bir hata durumuna yol a\u00e7masa bile bir uyar\u0131 tetikleyebilir. Bu “\u00f6nc\u00fc uyar\u0131lar”, ekiplere sorunlar b\u00fcy\u00fcmeden m\u00fcdahale etme ve proaktif \u00f6nlemler alma f\u0131rsat\u0131 sunar. Bu, reaktif olay y\u00f6netiminden, proaktif ve hatta \u00f6ng\u00f6r\u00fcc\u00fc (predictive) bir yakla\u015f\u0131ma ge\u00e7i\u015fin temelini olu\u015fturur.<\/p>\n Ayr\u0131ca, yapay zeka destekli sistemler, olaylar\u0131n k\u00f6k nedenlerini belirleme konusunda da \u00f6nemli ad\u0131mlar atabilir. Prometheus metrikleri, log verileri ve da\u011f\u0131t\u0131m bilgileri gibi farkl\u0131 veri kaynaklar\u0131n\u0131 bir araya getirerek, bir olay\u0131n neden tetiklendi\u011fine dair daha derinlemesine bir analiz sunabilir. \u00d6rne\u011fin, bir veritaban\u0131 performans d\u00fc\u015f\u00fc\u015f\u00fcn\u00fcn, ayn\u0131 anda da\u011f\u0131t\u0131lan yeni bir kod par\u00e7as\u0131ndan m\u0131, yoksa artan m\u00fc\u015fteri trafi\u011finden mi kaynakland\u0131\u011f\u0131n\u0131 daha do\u011fru bir \u015fekilde belirleyebilir. Bu, k\u00f6k neden analizi (root cause analysis) s\u00fcrecini h\u0131zland\u0131r\u0131r ve m\u00fchendislerin do\u011fru \u00e7\u00f6z\u00fcmlere daha \u00e7abuk ula\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\n Gelecekte, yapay zeka destekli uyar\u0131 \u015fablonlar\u0131, sadece bilgi vermekle kalmayacak, ayn\u0131 zamanda belirli durumlarda otomatik eylemleri de tetikleyebilecektir. \u00d6rne\u011fin, bir sunucunun kaynaklar\u0131 kritik seviyeye ula\u015ft\u0131\u011f\u0131nda, yapay zeka, \u00f6nceden tan\u0131mlanm\u0131\u015f runbook’lara (otomasyon komut dosyalar\u0131) dayanarak otomatik \u00f6l\u00e7eklendirme, servisi yeniden ba\u015flatma veya belirli bir i\u015flemi durdurma gibi eylemleri \u00f6nerebilir veya do\u011frudan uygulayabilir. Bu “otomatik iyile\u015fme” (auto-remediation) yetene\u011fi, insan m\u00fcdahalesine gerek kalmadan basit ve tekrarlayan sorunlar\u0131n \u00e7\u00f6z\u00fclmesini sa\u011flayacak, b\u00f6ylece operasyonel maliyetleri d\u00fc\u015f\u00fcrecek ve sistemin dayan\u0131kl\u0131l\u0131\u011f\u0131n\u0131 art\u0131racakt\u0131r.<\/p>\n Sonu\u00e7 olarak, Prometheus ve yapay zeka entegrasyonu, modern BT operasyonlar\u0131 i\u00e7in vazge\u00e7ilmez bir ara\u00e7 haline gelmektedir. Bu sinerji, uyar\u0131 yorgunlu\u011funu azalt\u0131rken, olaylara m\u00fcdahale s\u00fcrelerini k\u0131salt\u0131r, k\u00f6k neden analizini geli\u015ftirir ve operasyonel verimlili\u011fi art\u0131r\u0131r. Yapay zeka destekli prompt \u015fablonlar\u0131, sadece bir ara\u00e7 olmaktan \u00f6te, ekiplerin daha stratejik g\u00f6revlere odaklanmas\u0131n\u0131 sa\u011flayan ve sistemlerin daha ak\u0131ll\u0131, daha diren\u00e7li \u00e7al\u0131\u015fmas\u0131na olanak tan\u0131yan bir d\u00f6n\u00fc\u015f\u00fcm\u00fcn anahtar\u0131d\u0131r. Gelece\u011fin uyar\u0131 y\u00f6netimi, \u015f\u00fcphesiz ki yapay zekan\u0131n derinlemesine entegrasyonuyla \u015fekillenecektir.<\/p>\n Prometheus uyar\u0131lar\u0131 i\u00e7in yapay zeka destekli prompt \u015fablonlar\u0131 hakk\u0131nda s\u0131k\u00e7a sorulan baz\u0131 sorular ve cevaplar\u0131 a\u015fa\u011f\u0131dad\u0131r:<\/p>\n C:<\/strong> Temel olarak, \u00e7al\u0131\u015fan bir Prometheus ve Alertmanager kurulumuna ihtiyac\u0131n\u0131z vard\u0131r. Ayr\u0131ca, bir b\u00fcy\u00fck dil modeline (LLM) eri\u015fim (\u00f6rne\u011fin, OpenAI API anahtar\u0131) ve Alertmanager’dan gelen webhook’lar\u0131 dinleyip LLM ile etkile\u015fime girecek bir ara katman (middleware) uygulamas\u0131 geli\u015ftirme veya kullanma yetene\u011fi gereklidir.<\/p>\n<\/li>\n C:<\/strong> OpenAI’nin GPT serisi (GPT-4o, GPT-4), Google’\u0131n Gemini, Anthropic’in Claude gibi g\u00fc\u00e7l\u00fc ve geni\u015f ba\u011flam pencerelerine sahip modeller olduk\u00e7a uygundur. \u015eirket i\u00e7i veya a\u00e7\u0131k kaynakl\u0131 modeller (Llama, Mistral) de kullan\u0131labilir ancak bunlar\u0131n kurulumu ve y\u00f6netimi daha fazla \u00e7aba gerektirebilir.<\/p>\n<\/li>\n C:<\/strong> Maliyet, se\u00e7ti\u011finiz LLM sa\u011flay\u0131c\u0131s\u0131na ve kullan\u0131m hacminize ba\u011fl\u0131d\u0131r. \u00c7o\u011fu LLM API’si token bazl\u0131 fiyatland\u0131rma yapar; yani g\u00f6nderdi\u011finiz ve ald\u0131\u011f\u0131n\u0131z metin miktar\u0131na g\u00f6re \u00fccretlendirilirsiniz. Ba\u015flang\u0131\u00e7ta k\u00fc\u00e7\u00fck \u00f6l\u00e7ekli kullan\u0131m i\u00e7in maliyetler genellikle d\u00fc\u015f\u00fckt\u00fcr, ancak b\u00fcy\u00fck \u00f6l\u00e7ekli ve y\u00fcksek frekansl\u0131 uyar\u0131lar i\u00e7in maliyetleri g\u00f6z \u00f6n\u00fcnde bulundurmak \u00f6nemlidir.<\/p>\n<\/li>\n C:<\/strong> Hassas verilerin LLM’ye g\u00f6nderilmemesi i\u00e7in ara katman uygulamas\u0131nda veri maskeleme veya filtreleme mekanizmalar\u0131 kullan\u0131lmal\u0131d\u0131r. LLM API’leri ile ileti\u015fimde her zaman g\u00fcvenli (HTTPS) ba\u011flant\u0131lar ve g\u00fc\u00e7l\u00fc kimlik do\u011frulama kullan\u0131lmal\u0131d\u0131r. Ayr\u0131ca, LLM sa\u011flay\u0131c\u0131n\u0131z\u0131n veri saklama ve kullan\u0131m politikalar\u0131n\u0131 dikkatlice inceleyerek verilerinizin nas\u0131l i\u015flendi\u011fini anlaman\u0131z \u00f6nemlidir.<\/p>\n<\/li>\n C:<\/strong> Do\u011fruluk, prompt \u015fablonlar\u0131n\u0131z\u0131n kalitesine ve LLM’ye sa\u011flad\u0131\u011f\u0131n\u0131z ba\u011flama ba\u011fl\u0131d\u0131r. \u015eablonlar\u0131 a\u00e7\u0131k, net ve spesifik tutun. Geri bildirim d\u00f6ng\u00fcleri olu\u015fturarak (\u00f6rne\u011fin, m\u00fchendislerin uyar\u0131lar\u0131 derecelendirmesi) ve zamanla \u015fablonlar\u0131n\u0131z\u0131 iyile\u015ftirerek do\u011frulu\u011fu art\u0131rabilirsiniz. Ba\u015flang\u0131\u00e7ta insan denetimi kritik \u00f6neme sahiptir.<\/p>\n<\/li>\n<\/ul>\n #Prometheus #YapayZeka #Alerting #OlayY\u00f6netimi #DevOps #SRE #PromptEngineering #G\u00f6zlemlenebilirlik<\/p>\n","protected":false},"excerpt":{"rendered":"Prometheus uyar\u0131lar\u0131n\u0131 daha anlaml\u0131, ba\u011flamsal ve eyleme ge\u00e7irilebilir hale getirmek i\u00e7in yapay zeka (AI) destekli prompt \u015fablonlar\u0131ndan faydalanmak, olay y\u00f6netimini k\u00f6kten de\u011fi\u015ftirebilir.","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-43127","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\nalert_rules<\/code>) ile bildirim rotalar\u0131 (routes<\/code>) kolayca tan\u0131mlanabilir.<\/p>\nNeden Yapay Zeka Destekli Uyar\u0131 \u015eablonlar\u0131na \u0130htiya\u00e7 Duyuyoruz? Mevcut Zorluklar ve \u00c7\u00f6z\u00fcmler<\/h3>\n
\/var\/lib\/mysql<\/code> dizininde disk alan\u0131 %90’a ula\u015ft\u0131. Ge\u00e7mi\u015f verilere g\u00f6re, bu t\u00fcr art\u0131\u015flar genellikle son yedekleme i\u015fleminin tamamlanamamas\u0131 veya b\u00fcy\u00fck bir veri i\u00e7e aktar\u0131m\u0131yla ili\u015fkilidir. Yedekleme loglar\u0131n\u0131 kontrol etmeniz veya mysqldump<\/code> i\u015flemlerini incelemeniz \u00f6nerilir.” gibi bir a\u00e7\u0131klama sunabilir.<\/p>\nmy-app-xyz<\/code> bellek e\u015fi\u011fini a\u015ft\u0131 (%85). Bu pod’un yeniden ba\u015flat\u0131lmas\u0131 genellikle sorunu \u00e7\u00f6zer. \u0130sterseniz, kubectl rollout restart deployment my-app<\/code> komutunu kullanarak pod’u yeniden ba\u015flatabilirsiniz.” gibi bir \u00f6neri sunabilir. Hatta, entegrasyon seviyesine ba\u011fl\u0131 olarak, bu eylemi do\u011frudan tetikleyebilir. Bu sayede, m\u00fchendisler daha karma\u015f\u0131k ve insan m\u00fcdahalesi gerektiren sorunlara odaklanabilirken, tekrarlayan ve basit sorunlar otomatik olarak \u00e7\u00f6z\u00fcme kavu\u015fturulur. Bu \u00e7\u00f6z\u00fcmler, operasyonel verimlili\u011fi art\u0131rman\u0131n yan\u0131 s\u0131ra, insan hatas\u0131 riskini de minimize eder.<\/p>\nPrometheus ve Yapay Zeka Entegrasyonunun Temelleri: Nas\u0131l Ba\u015flan\u0131r?<\/h3>\n
\nimport requests\nimport json\nfrom flask import Flask, request\n\napp = Flask(__name__)\n\nOPENAI_API_KEY = \"YOUR_OPENAI_API_KEY\"\nOPENAI_ENDPOINT = \"https:\/\/api.openai.com\/v1\/chat\/completions\"\nSLACK_WEBHOOK_URL = \"YOUR_SLACK_WEBHOOK_URL\"\n\n@app.route('\/alert_webhook', methods=['POST'])\ndef alert_webhook():\n alerts = request.get_json()['alerts']\n for alert in alerts:\n # Prometheus uyar\u0131 verilerini al\n alert_name = alert['labels'].get('alertname', 'Bilinmeyen Uyar\u0131')\n instance = alert['labels'].get('instance', 'Bilinmeyen Sunucu')\n severity = alert['labels'].get('severity', 'bilgi')\n summary = alert['annotations'].get('summary', '\u00d6zet yok')\n description = alert['annotations'].get('description', 'A\u00e7\u0131klama yok')\n\n # LLM i\u00e7in prompt olu\u015ftur\n prompt_template = f\"\"\"\n A\u015fa\u011f\u0131daki Prometheus uyar\u0131s\u0131n\u0131 analiz et ve m\u00fchendislerin anlayaca\u011f\u0131, ba\u011flamsal ve eyleme ge\u00e7irilebilir bir mesaj olu\u015ftur.\n Olas\u0131 nedenleri ve \u00e7\u00f6z\u00fcm \u00f6nerilerini de ekle. Mesaj\u0131 T\u00fcrk\u00e7e olarak ve profesyonel bir tonda yaz.\n\n Uyar\u0131 Ad\u0131: {alert_name}\n Etkilenen Kaynak: {instance}\n Ciddiyet: {severity}\n \u00d6zet: {summary}\n A\u00e7\u0131klama: {description}\n\n Mesaj format\u0131:\n Acil Durum Bildirimi:<\/strong> [Uyar\u0131 Ad\u0131]\n Etkilenen Sistem:<\/strong> [Etkilenen Kaynak]\n Ciddiyet:<\/strong> [Ciddiyet Seviyesi]\n Detaylar:<\/strong> [Uyar\u0131 \u00d6zet ve A\u00e7\u0131klamas\u0131]\n Olas\u0131 Nedenler:<\/strong>\n - [Olas\u0131 Neden 1]\n - [Olas\u0131 Neden 2]\n \u00d6nerilen \u00c7\u00f6z\u00fcmler:<\/strong>\n - [\u00c7\u00f6z\u00fcm \u00d6nerisi 1]\n - [\u00c7\u00f6z\u00fcm \u00d6nerisi 2]\n Daha Fazla Bilgi:<\/strong> [Grafana Panosu Linki veya Runbook Linki - varsay\u0131msal]\n \"\"\"\n\n # LLM'ye istek g\u00f6nder\n headers = {\n \"Authorization\": f\"Bearer {OPENAI_API_KEY}\",\n \"Content-Type\": \"application\/json\"\n }\n data = {\n \"model\": \"gpt-4o\", # Kulland\u0131\u011f\u0131n\u0131z LLM modelini belirtin\n \"messages\": [{\"role\": \"user\", \"content\": prompt_template}],\n \"max_tokens\": 500\n }\n response = requests.post(OPENAI_ENDPOINT, headers=headers, json=data)\n llm_response = response.json()\n \n if llm_response and 'choices' in llm_response and llm_response['choices']:\n generated_message = llm_response['choices'][0]['message']['content']\n \n # Slack'e g\u00f6nder\n slack_payload = {\n \"text\": generated_message\n }\n requests.post(SLACK_WEBHOOK_URL, json=slack_payload)\n else:\n print(f\"LLM'den yan\u0131t al\u0131namad\u0131: {llm_response}\")\n\n return \"Alerts processed\", 200\n\nif __name__ == '__main__':\n app.run(host='0.0.0.0', port=5000)\n <\/code><\/pre>\n<\/p><\/div>\nEtkili Yapay Zeka Prompt \u015eablonlar\u0131 Nas\u0131l Olu\u015fturulur? Pratik Yakla\u015f\u0131mlar ve \u00d6rnekler<\/h3>\n
\n
alertname<\/code>, instance<\/code>, severity<\/code>, summary<\/code>, description<\/code>, value<\/code> vb.) dinamik olarak prompt i\u00e7ine enjekte edece\u011finiz yerlerdir.<\/li>\nBasit Prompt \u015eablonu:<\/h4>\n
\n \"\"\"\n Bir DevOps analisti olarak, a\u015fa\u011f\u0131daki Prometheus uyar\u0131s\u0131n\u0131 \u00f6zetle ve olas\u0131 bir neden belirt.\n Uyar\u0131 Ad\u0131: {{ .Labels.alertname }}\n Etkilenen Kaynak: {{ .Labels.instance }}\n Ciddiyet: {{ .Labels.severity }}\n \u00d6zet: {{ .Annotations.summary }}\n A\u00e7\u0131klama: {{ .Annotations.description }}\n\n L\u00fctfen mesaj\u0131 100 kelimeyi ge\u00e7meyecek \u015fekilde T\u00fcrk\u00e7e olarak yaz.\n \"\"\"\n <\/code><\/pre>\n<\/p><\/div>\n{{ .Labels.alertname }}<\/code> gibi ifadeler, Alertmanager’\u0131n \u015fablonlama dilini kullanarak Prometheus uyar\u0131 verilerini dinamik olarak prompt i\u00e7ine yerle\u015ftirece\u011fimizi g\u00f6stermektedir. Ara katman uygulaman\u0131z bu \u015fablonu al\u0131p, Alertmanager’dan gelen ger\u00e7ek verilerle dolduracakt\u0131r.<\/p>\nOrta D\u00fczey Prompt \u015eablonu:<\/h4>\n
\n \"\"\"\n Sen bir \u00fcst d\u00fczey site g\u00fcvenilirli\u011fi m\u00fchendisisin (SRE). A\u015fa\u011f\u0131daki kritik Prometheus uyar\u0131s\u0131n\u0131 analiz et.\n Uyar\u0131 Ad\u0131: {{ .Labels.alertname }}\n Etkilenen Kaynak: {{ .Labels.instance }}\n Ciddiyet: {{ .Labels.severity }}\n De\u011fer: {{ .Labels.value }}\n E\u015fik: {{ .Labels.threshold }}\n \u00d6zet: {{ .Annotations.summary }}\n A\u00e7\u0131klama: {{ .Annotations.description }}\n\n Bu sunucu, kritik bir e-ticaret uygulamas\u0131n\u0131n veritaban\u0131n\u0131 bar\u0131nd\u0131rmaktad\u0131r.\n Mesaj\u0131nda \u015funlar olmal\u0131:\n 1. Uyar\u0131n\u0131n ne anlama geldi\u011finin net bir a\u00e7\u0131klamas\u0131.\n 2. Olas\u0131 2-3 neden.\n 3. \u0130lk kontrol edilmesi gereken 2-3 \u00e7\u00f6z\u00fcm ad\u0131m\u0131.\n 4. \u0130lgili Grafana panosuna veya runbook'a bir link \u00f6nerisi (varsay\u0131msal olarak: https:\/\/grafana.example.com\/d\/db_overview?var-instance={{ .Labels.instance }}).\n Mesaj\u0131 profesyonel ve acil bir tonda, T\u00fcrk\u00e7e olarak haz\u0131rla.\n \"\"\"\n <\/code><\/pre>\n<\/p><\/div>\nGeli\u015fmi\u015f Prompt \u015eablonu:<\/h4>\n
\n \"\"\"\n Sen, bir olay m\u00fcdahale ekibi liderisin ve karma\u015f\u0131k sistem sorunlar\u0131n\u0131 \u00e7\u00f6zme konusunda uzmans\u0131n.\n A\u015fa\u011f\u0131daki Prometheus uyar\u0131s\u0131n\u0131, ge\u00e7mi\u015f olay kay\u0131tlar\u0131n\u0131 ve sistem topolojisini g\u00f6z \u00f6n\u00fcnde bulundurarak de\u011ferlendir.\n\n Uyar\u0131 Ad\u0131: {{ .Labels.alertname }}\n Etkilenen Kaynak: {{ .Labels.instance }} (T\u00fcr\u00fc: {{ .Labels.service_type }}, B\u00f6lge: {{ .Labels.region }})\n Ciddiyet: {{ .Labels.severity }}\n De\u011fer: {{ .Labels.value }}\n E\u015fik: {{ .Labels.threshold }}\n \u00d6zet: {{ .Annotations.summary }}\n A\u00e7\u0131klama: {{ .Annotations.description }}\n Ba\u015flang\u0131\u00e7 Zaman\u0131: {{ .StartsAt }}\n\n Ek Bilgi (Ge\u00e7mi\u015f Olaylar): Son 24 saat i\u00e7inde bu b\u00f6lgede benzer '{{ .Labels.service_type }}' hizmetlerinde {{ .Labels.alertname }} uyar\u0131s\u0131 3 kez tetiklendi.\n Son da\u011f\u0131t\u0131m bilgisi: Bu sunucuya en son da\u011f\u0131t\u0131m 2 saat \u00f6nce yap\u0131ld\u0131 (versiyon: v1.2.3).\n\n Mesaj\u0131nda \u015funlar olmal\u0131:\n 1. Durumun aciliyetini ve potansiyel etkisini belirten bir ba\u015fl\u0131k.\n 2. Uyar\u0131n\u0131n detayl\u0131 analizi ve ge\u00e7mi\u015f olaylarla ba\u011flant\u0131s\u0131.\n 3. Olas\u0131 k\u00f6k nedenler (da\u011f\u0131t\u0131m hatas\u0131, trafik art\u0131\u015f\u0131, kaynak t\u00fckenmesi vb.).\n 4. \u00d6ncelikli \u00e7\u00f6z\u00fcm ad\u0131mlar\u0131 ve ilgili ekiplere y\u00f6nlendirme.\n 5. Geri d\u00f6n\u00fc\u015f plan\u0131 (rollback) veya \u00f6l\u00e7eklendirme gibi ileri d\u00fczey \u00f6neriler.\n 6. Olay kay\u0131t sistemine (\u00f6rne\u011fin Jira) bir kay\u0131t a\u00e7ma \u00f6nerisi.\n 7. T\u00fcm mesaj\u0131 T\u00fcrk\u00e7e, kritik bir operasyonel rapor format\u0131nda ve detayl\u0131 olarak haz\u0131rla.\n \"\"\"\n <\/code><\/pre>\n<\/p><\/div>\nVaka Analizi: B\u00fcy\u00fck \u00d6l\u00e7ekli Bir Sistemde Olay Y\u00f6netimini \u0130yile\u015ftirmek<\/h3>\n
Senaryo Tan\u0131m\u0131: Y\u00fcksek Trafikli E-ticaret Platformunda Kritik Veritaban\u0131 Sorunu<\/h4>\n
Disk_IO_High<\/code>” uyar\u0131s\u0131 olarak geliyordu. Bu uyar\u0131, hangi veritaban\u0131n\u0131n etkilendi\u011fi, bu art\u0131\u015f\u0131n neden kaynakland\u0131\u011f\u0131 veya hangi uygulaman\u0131n bu veritaban\u0131na en \u00e7ok y\u00fcklendi\u011fi hakk\u0131nda yeterli bilgi i\u00e7ermiyordu. Operasyon ekibi, sorunu anlamak ve \u00e7\u00f6zmek i\u00e7in saatler harcayabiliyordu.<\/p>\nUygulama ve Sonu\u00e7lar: Yapay Zeka Entegrasyonu ile D\u00f6n\u00fc\u015f\u00fcm<\/h4>\n
\n
Disk_IO_High<\/code>” uyar\u0131s\u0131 geldi\u011finde, Slack’e \u015fu tarz bir mesaj d\u00fc\u015fmeye ba\u015flad\u0131:<\/p>\n\n AC\u0130L DURUM: Kritik Veritaban\u0131 Sunucusunda Disk I\/O Y\u00fcksekli\u011fi<\/strong>\n\n Etkilenen Sistem:<\/strong> db-prod-01.example.com<\/code> (PostgreSQL Veritaban\u0131 Sunucusu)\n Ciddiyet:<\/strong> KR\u0130T\u0130K\n Detaylar:<\/strong> db-prod-01<\/code> sunucusunda disk I\/O de\u011feri son 5 dakikad\u0131r e\u015fi\u011fi (%85) a\u015farak %92 seviyesine ula\u015fm\u0131\u015ft\u0131r. Bu durum, veritaban\u0131 performans\u0131nda ciddi d\u00fc\u015f\u00fc\u015flere neden olabilir.\n\n Olas\u0131 Nedenler:<\/strong>\n - B\u00fcy\u00fck Raporlama Sorgular\u0131:<\/strong> Ge\u00e7mi\u015f verilere g\u00f6re, bu sunucuda benzer I\/O art\u0131\u015flar\u0131 genellikle yo\u011fun raporlama veya analitik sorgular\u0131n\u0131n \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131yla ili\u015fkilidir.\n - Hatal\u0131 Uygulama Da\u011f\u0131t\u0131m\u0131:<\/strong> Son da\u011f\u0131t\u0131lan bir uygulama versiyonunda veritaban\u0131 eri\u015fim desenlerini bozan bir bug olabilir.\n - Disk T\u00fckenmesi:<\/strong> Disk alt sisteminde fiziksel bir ar\u0131za veya a\u015f\u0131r\u0131 y\u00fcklenme.\n\n \u00d6nerilen \u00c7\u00f6z\u00fcmler (\u0130lk Ad\u0131mlar):<\/strong>\n 1. Aktif Sorgular\u0131 Kontrol Edin:<\/strong> db-prod-01<\/code> \u00fczerinde \u00e7al\u0131\u015fan en yo\u011fun sorgular\u0131 pg_stat_activity<\/code> kullanarak kontrol edin.\n 2. Uygulama Loglar\u0131n\u0131 \u0130nceleyin:<\/strong> Son da\u011f\u0131t\u0131lan uygulamalar\u0131n loglar\u0131n\u0131, veritaban\u0131 hatalar\u0131 veya yava\u015f sorgular a\u00e7\u0131s\u0131ndan g\u00f6zden ge\u00e7irin.\n 3. Grafana Panosunu \u0130nceleyin:<\/strong> Disk I\/O, CPU ve bellek kullan\u0131m\u0131n\u0131n ge\u00e7mi\u015f trendlerini g\u00f6rmek i\u00e7in [Grafana Veritaban\u0131 Panosu Linki](https:\/\/grafana.example.com\/d\/db_overview?var-instance=db-prod-01.example.com) adresini ziyaret edin.\n\n Daha Fazla Bilgi:<\/strong> Bu durumun uzamas\u0131 halinde, ilgili uygulama ekibiyle ileti\u015fime ge\u00e7in ve veritaban\u0131 sunucusunun \u00f6l\u00e7eklendirme se\u00e7eneklerini de\u011ferlendirin.\n <\/code><\/pre>\n<\/p><\/div>\nYapay Zeka Destekli Uyar\u0131 \u015eablonlar\u0131nda \u0130leri D\u00fczey Teknikler ve Optimizasyonlar<\/h3>\n
Dinamik Ba\u011flam Enjeksiyonu<\/h4>\n
\n
\"Son da\u011f\u0131t\u0131m: 2 saat \u00f6nce, v1.2.3, Ahmet Y\u0131lmaz taraf\u0131ndan.\"<\/code><\/li>\n\"Bu sunucu kritik \u00f6neme sahip, sahibi: Finans Ekibi, ba\u011f\u0131ml\u0131l\u0131klar\u0131: \u00d6deme A\u011f Ge\u00e7idi.\"<\/code><\/li>\n\"Ge\u00e7mi\u015fte benzer CPU art\u0131\u015flar\u0131, genellikle X raporlama servisi taraf\u0131ndan tetiklenmi\u015fti.\"<\/code><\/li>\nGeri Bildirim D\u00f6ng\u00fcleri ve Model \u0130yile\u015ftirmesi<\/h4>\n
\n
G\u00fcvenlik ve Gizlilik Hususlar\u0131<\/h4>\n
\n
\"IP_ADRES\u0130_MASKELEND\u0130\"<\/code> yaz\u0131labilir.<\/li>\nGelece\u011fin Uyar\u0131 Y\u00f6netimi: Yapay Zeka ile Prometheus’un Sinerjisi<\/h3>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n