OpenAI API’den DigitalOcean Serverless Inference’a Ge\u00e7i\u015f Rehberi<\/p>\n
Yapay zeka uygulamalar\u0131n\u0131z\u0131 OpenAI API’den DigitalOcean’\u0131n maliyet-etkin ve \u00f6l\u00e7eklenebilir Sunucusuz \u00c7\u0131kar\u0131m (Serverless Inference) platformuna nas\u0131l ta\u015f\u0131yaca\u011f\u0131n\u0131z\u0131 ad\u0131m ad\u0131m \u00f6\u011frenin. Performans\u0131 art\u0131r\u0131n ve maliyetleri optimize edin.<\/p>\n
Yapay zeka teknolojileri, g\u00fcn\u00fcm\u00fcz dijital d\u00fcnyas\u0131n\u0131n en h\u0131zl\u0131 geli\u015fen alanlar\u0131ndan biri olarak kar\u015f\u0131m\u0131za \u00e7\u0131k\u0131yor. \u0130\u015fletmeler ve geli\u015ftiriciler, m\u00fc\u015fteri hizmetlerinden i\u00e7erik \u00fcretimine, veri analizinden otomasyona kadar bir\u00e7ok alanda yapay zekan\u0131n d\u00f6n\u00fc\u015ft\u00fcr\u00fcc\u00fc g\u00fcc\u00fcnden faydalan\u0131yor. Bu d\u00f6n\u00fc\u015f\u00fcmde OpenAI gibi \u00f6nc\u00fc platformlar, g\u00fc\u00e7l\u00fc dil modelleri ve kolay eri\u015filebilir API’leri sayesinde kritik bir rol oynad\u0131. Ancak, bu kolayl\u0131k ve g\u00fcc\u00fcn beraberinde getirdi\u011fi baz\u0131 zorluklar da mevcut: \u00f6zellikle artan maliyetler, veri egemenli\u011fi endi\u015feleri ve \u00f6zelle\u015ftirme esnekli\u011finin s\u0131n\u0131rl\u0131 olmas\u0131, bir\u00e7ok \u015firketi alternatif \u00e7\u00f6z\u00fcmler aramaya itiyor. \u0130\u015fte tam bu noktada, DigitalOcean’\u0131n Sunucusuz \u00c7\u0131kar\u0131m (Serverless Inference) hizmeti, yapay zeka uygulamalar\u0131n\u0131z\u0131 daha uygun maliyetli, daha \u00f6l\u00e7eklenebilir ve daha kontrol edilebilir bir ortama ta\u015f\u0131man\u0131z i\u00e7in cazip bir se\u00e7enek sunuyor.<\/p>\n
Bu makale, OpenAI API’ye ba\u011f\u0131ml\u0131l\u0131\u011f\u0131 azaltmak, operasyonel maliyetleri d\u00fc\u015f\u00fcrmek ve yapay zeka modellerinizin performans\u0131n\u0131 optimize etmek isteyen geli\u015ftiriciler ve teknik liderler i\u00e7in kapsaml\u0131 bir rehber niteli\u011findedir. OpenAI’\u0131n sundu\u011fu kolayl\u0131klar\u0131n \u00f6tesine ge\u00e7erek, kendi yapay zeka modellerinizi DigitalOcean’\u0131n sunucusuz altyap\u0131s\u0131nda nas\u0131l da\u011f\u0131taca\u011f\u0131n\u0131z\u0131, y\u00f6netece\u011finizi ve \u00f6l\u00e7eklendirece\u011finizi ad\u0131m ad\u0131m a\u00e7\u0131klayaca\u011f\u0131z. Dijital d\u00f6n\u00fc\u015f\u00fcm yolculu\u011funuzda, yapay zeka stratejinizi yeniden \u015fekillendirirken kar\u015f\u0131la\u015fabilece\u011finiz temel zorluklar\u0131 ele alacak, DigitalOcean’\u0131n sundu\u011fu avantajlar\u0131 detayland\u0131racak ve pratik ge\u00e7i\u015f senaryolar\u0131yla sizlere yol g\u00f6sterece\u011fiz. Bu sayede, sadece maliyet tasarrufu sa\u011flamakla kalmayacak, ayn\u0131 zamanda uygulamalar\u0131n\u0131z\u0131n performans\u0131n\u0131 art\u0131rarak gelecekteki b\u00fcy\u00fcme ve yenilikler i\u00e7in sa\u011flam bir temel olu\u015fturacaks\u0131n\u0131z. Amac\u0131m\u0131z, okuyucunun konuya tamamen yabanc\u0131 olsa bile, bu ge\u00e7i\u015f s\u00fcrecini ba\u015ftan sona anlayabilece\u011fi ve kendi projelerinde uygulayabilece\u011fi bir bilgi birikimi sunmakt\u0131r. Bu yolculukta, hem teknik detaylara inecek hem de stratejik kararlar al\u0131rken size yard\u0131mc\u0131 olacak pratik bilgiler sunaca\u011f\u0131z. DigitalOcean’\u0131n serverless mimarisi, \u00f6zellikle de\u011fi\u015fken i\u015f y\u00fcklerine sahip yapay zeka uygulamalar\u0131 i\u00e7in idealdir. Talep artt\u0131\u011f\u0131nda otomatik olarak \u00f6l\u00e7eklenir ve talep azald\u0131\u011f\u0131nda kaynaklar\u0131 serbest b\u0131rakarak gereksiz harcamalar\u0131 \u00f6nler. Bu esneklik, \u00f6zellikle ba\u015flang\u0131\u00e7 a\u015famas\u0131ndaki projeler veya \u00f6ng\u00f6r\u00fclemeyen trafik dalgalanmalar\u0131 ya\u015fayan uygulamalar i\u00e7in b\u00fcy\u00fck bir avantajd\u0131r. Ayr\u0131ca, kendi modellerinizi bar\u0131nd\u0131rma yetene\u011fi, hem veri gizlili\u011fi konusundaki endi\u015feleri giderir hem de modelinizi i\u015finizin \u00f6zel ihtiya\u00e7lar\u0131na g\u00f6re ince ayar yapma (fine-tuning) \u00f6zg\u00fcrl\u00fc\u011f\u00fc sunar. Bu, genel ama\u00e7l\u0131 API’lerin sunamayaca\u011f\u0131 bir d\u00fczeyde performans ve alaka d\u00fczeyi sa\u011flar. Bu ge\u00e7i\u015f, sadece bir teknoloji de\u011fi\u015fikli\u011fi de\u011fil, ayn\u0131 zamanda yapay zeka stratejinizde daha fazla ba\u011f\u0131ms\u0131zl\u0131k ve kontrol kazanma ad\u0131m\u0131d\u0131r.<\/p>\n
Yapay zeka projelerinizde bir d\u00f6n\u00fc\u015f\u00fcm ba\u015flatmadan \u00f6nce, mevcut OpenAI API kullan\u0131m\u0131n\u0131z\u0131 ve DigitalOcean Serverless Inference’\u0131n sundu\u011fu alternatifleri derinlemesine anlamak b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. OpenAI API, GPT-3, GPT-4, DALL-E ve Whisper gibi geli\u015fmi\u015f yapay zeka modellerine kolay eri\u015fim sa\u011flayarak geli\u015ftiricilerin karma\u015f\u0131k g\u00f6revleri h\u0131zla uygulamalar\u0131na entegre etmesine olanak tan\u0131r. Metin \u00f6zetleme, sohbet botlar\u0131 veya g\u00f6r\u00fcnt\u00fc olu\u015fturma gibi i\u015flevler i\u00e7in h\u0131zl\u0131 prototipleme ve pazara \u00e7\u0131k\u0131\u015f s\u00fcresi sunar. Ancak, bu kolayl\u0131\u011f\u0131n bir bedeli vard\u0131r. API kullan\u0131m\u0131, genellikle i\u015flenen token say\u0131s\u0131na g\u00f6re \u00fccretlendirilir ve y\u00fcksek hacimli uygulamalarda maliyetler h\u0131zla artabilir. \u00d6zellikle uzun metinlerin i\u015flenmesi veya \u00e7ok say\u0131da e\u015f zamanl\u0131 istek, faturalar\u0131n beklenenin \u00fczerine \u00e7\u0131kmas\u0131na neden olabilir. Ayr\u0131ca, hassas verilerin \u00fc\u00e7\u00fcnc\u00fc taraf bir sa\u011flay\u0131c\u0131ya g\u00f6nderilmesi veri gizlili\u011fi ve g\u00fcvenli\u011fi endi\u015feleri yarat\u0131rken, modelin i\u00e7 i\u015fleyi\u015fi \u00fczerindeki s\u0131n\u0131rl\u0131 kontrol, i\u015finize \u00f6zel ince ayar yapma yetene\u011fini k\u0131s\u0131tlar. Vendor lock-in riski de, bir platforma s\u0131k\u0131 s\u0131k\u0131ya ba\u011fl\u0131 kalman\u0131n gelecekteki esnekli\u011fi ve maliyet optimizasyonunu zorla\u015ft\u0131rabilece\u011fi anlam\u0131na gelir.<\/p>\n
Bu zorluklara kar\u015f\u0131l\u0131k, DigitalOcean Serverless Inference, yapay zeka modellerinizi sunucusuz bir ortamda da\u011f\u0131tman\u0131za ve \u00e7al\u0131\u015ft\u0131rman\u0131za imkan tan\u0131r. Bu mimari, altyap\u0131 y\u00f6netimi y\u00fck\u00fcn\u00fc ortadan kald\u0131rarak geli\u015ftiricilerin do\u011frudan model da\u011f\u0131t\u0131m\u0131na ve uygulama mant\u0131\u011f\u0131na odaklanmas\u0131n\u0131 sa\u011flar. DigitalOcean App Platform veya Functions gibi \u00fcr\u00fcnler arac\u0131l\u0131\u011f\u0131yla Docker container’lar\u0131 veya basit fonksiyonlar kullanarak modellerinizi kolayca da\u011f\u0131tabilirsiniz. Sunucusuz \u00e7\u0131kar\u0131m\u0131n en b\u00fcy\u00fck avantajlar\u0131ndan biri, maliyet etkinli\u011fidir. Yaln\u0131zca modeliniz her \u00e7a\u011fr\u0131ld\u0131\u011f\u0131nda kullan\u0131lan kaynaklar i\u00e7in \u00f6deme yapars\u0131n\u0131z; model bo\u015fta dururken herhangi bir \u00fccret \u00f6denmez. Bu “kulland\u0131\u011f\u0131n kadar \u00f6de” modeli, de\u011fi\u015fken veya aral\u0131kl\u0131 yapay zeka i\u015f y\u00fckleri i\u00e7in \u00f6nemli tasarruflar sunar. \u0130kinci olarak, otomatik \u00f6l\u00e7eklenebilirlik sayesinde, uygulaman\u0131za gelen istek say\u0131s\u0131 artt\u0131\u011f\u0131nda DigitalOcean altyap\u0131s\u0131 modelinizi otomatik olarak \u00f6l\u00e7eklendirerek performans\u0131 korur ve gecikmeyi minimize eder. Talep azald\u0131\u011f\u0131nda ise gereksiz kaynaklar serbest b\u0131rak\u0131l\u0131r, b\u00f6ylece manuel m\u00fcdahaleye gerek kalmadan tutarl\u0131 bir kullan\u0131c\u0131 deneyimi sa\u011flan\u0131r.<\/p>\n
\u00dc\u00e7\u00fcnc\u00fc olarak, veri egemenli\u011fi ve esneklik, DigitalOcean Serverless Inference’\u0131n sundu\u011fu di\u011fer kritik faydalard\u0131r. Kendi modellerinizi bar\u0131nd\u0131rd\u0131\u011f\u0131n\u0131z i\u00e7in, verilerinizin nerede i\u015flendi\u011fi ve sakland\u0131\u011f\u0131 \u00fczerinde tam kontrole sahip olursunuz. Bu, \u00f6zellikle s\u0131k\u0131 d\u00fczenlemelere tabi sekt\u00f6rlerde faaliyet g\u00f6steren i\u015fletmeler i\u00e7in b\u00fcy\u00fck bir avantajd\u0131r. Ayr\u0131ca, PyTorch, TensorFlow, Hugging Face Transformers gibi pop\u00fcler makine \u00f6\u011frenimi k\u00fct\u00fcphaneleriyle uyumluluk sayesinde, istedi\u011finiz a\u00e7\u0131k kaynak modeli veya kendi \u00f6zel modelinizi da\u011f\u0131tabilirsiniz. Bu esneklik, belirli i\u015f gereksinimlerine g\u00f6re modelinizi ince ayar yapma ve en uygun performans\u0131 elde etme \u00f6zg\u00fcrl\u00fc\u011f\u00fc verir. Son olarak, d\u00fc\u015f\u00fck gecikme s\u00fcresi, \u00f6zellikle ger\u00e7ek zamanl\u0131 yapay zeka uygulamalar\u0131 i\u00e7in hayati \u00f6neme sahiptir. DigitalOcean’\u0131n d\u00fcnya genelindeki veri merkezleri ve optimize edilmi\u015f sunucusuz altyap\u0131s\u0131, model \u00e7\u0131kar\u0131m isteklerine h\u0131zl\u0131 yan\u0131t s\u00fcreleri sa\u011flayarak kullan\u0131c\u0131 deneyimini iyile\u015ftirir. Bu temel farklar, OpenAI’dan DigitalOcean’a ge\u00e7i\u015fin sadece bir teknoloji de\u011fi\u015fimi de\u011fil, ayn\u0131 zamanda stratejik bir i\u015f karar\u0131 oldu\u011funu ortaya koymaktad\u0131r.<\/p>\n
OpenAI API’den DigitalOcean Serverless Inference’a ge\u00e7i\u015f yapmak, iyi planlanm\u0131\u015f ve ad\u0131m ad\u0131m ilerleyen bir s\u00fcre\u00e7 gerektirir. Bu b\u00f6l\u00fcm, projenizi sorunsuz bir \u015fekilde yeni ortama ta\u015f\u0131man\u0131z i\u00e7in izlemeniz gereken ad\u0131mlar\u0131 detayland\u0131racakt\u0131r.<\/p>\n
Ad\u0131m 1: Mevcut Uygulaman\u0131z\u0131 De\u011ferlendirme ve Model Se\u00e7imi.<\/strong> Ge\u00e7i\u015f s\u00fcrecinin ilk ve en kritik ad\u0131m\u0131, mevcut OpenAI API kullan\u0131m\u0131n\u0131z\u0131 kapsaml\u0131 bir \u015fekilde de\u011ferlendirmektir. Hangi OpenAI modellerini (GPT-3.5, GPT-4, DALL-E vb.) kullan\u0131yorsunuz? Bu modellerden hangi t\u00fcr \u00e7\u0131kt\u0131lar bekliyorsunuz ve uygulaman\u0131z\u0131n mevcut performans beklentileri (gecikme, i\u015flem hacmi) nelerdir? Bu sorular\u0131n yan\u0131tlar\u0131, DigitalOcean’da hangi alternatif modeli se\u00e7ece\u011finiz ve ge\u00e7i\u015f stratejinizi nas\u0131l belirleyece\u011finiz konusunda size yol g\u00f6sterecektir. \u00d6rne\u011fin, e\u011fer uygulaman\u0131z sadece basit metin tamamlama veya s\u0131n\u0131fland\u0131rma yap\u0131yorsa, daha k\u00fc\u00e7\u00fck ve daha h\u0131zl\u0131 bir a\u00e7\u0131k kaynak modeli (\u00f6rn. GPT-2, DistilBERT) yeterli olabilirken, karma\u015f\u0131k yarat\u0131c\u0131 metin \u00fcretimi i\u00e7in daha b\u00fcy\u00fck bir model (\u00f6rn. Llama 2, Falcon) gerekebilir. Model se\u00e7imi yaparken, modelin boyutu ve karma\u015f\u0131kl\u0131\u011f\u0131, performans ihtiya\u00e7lar\u0131, lisanslama ko\u015fullar\u0131 ve fine-tuning ihtiyac\u0131 gibi fakt\u00f6rleri g\u00f6z \u00f6n\u00fcnde bulundurmal\u0131s\u0131n\u0131z. Daha k\u00fc\u00e7\u00fck modeller genellikle daha h\u0131zl\u0131d\u0131r ve daha az kaynak t\u00fcketir, bu da sunucusuz ortamda maliyet etkinli\u011fini art\u0131r\u0131r. Hugging Face gibi platformlar, \u00f6nceden e\u011fitilmi\u015f bir\u00e7ok modeli ve ince ayar ara\u00e7lar\u0131n\u0131 sunar. Mevcut uygulaman\u0131z\u0131n ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 ve veri setlerini de bu a\u015famada g\u00f6zden ge\u00e7irmelisiniz. OpenAI API’den gelen yan\u0131tlar\u0131 i\u015fleyen \u00f6zel kod bloklar\u0131n\u0131z varsa, bu k\u0131s\u0131mlar\u0131n DigitalOcean’daki yeni modelinizin yan\u0131t format\u0131na uyacak \u015fekilde g\u00fcncellenmesi gerekecektir. Veri setleriniz, \u00f6zellikle fine-tuning yapmay\u0131 planl\u0131yorsan\u0131z, DigitalOcean’\u0131n depolama \u00e7\u00f6z\u00fcmlerine (Spaces veya Volumes) ta\u015f\u0131nmaya haz\u0131r olmal\u0131d\u0131r. Bu \u00f6n haz\u0131rl\u0131k, ba\u015far\u0131l\u0131 bir ge\u00e7i\u015fin temelini olu\u015fturur.<\/p>\n Ad\u0131m 2: Modelinizi DigitalOcean Ortam\u0131na Haz\u0131rlama ve Da\u011f\u0131tma.<\/strong> Model se\u00e7iminizi yapt\u0131ktan sonra, s\u0131ra onu DigitalOcean’\u0131n sunucusuz ortam\u0131na haz\u0131rlamaya gelir. Bu genellikle modelinizi ve t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 (Python k\u00fct\u00fcphaneleri, TensorFlow\/PyTorch gibi \u00e7er\u00e7eveler) bir Docker container’\u0131 i\u00e7ine almak ve bu container’\u0131 DigitalOcean Container Registry’ye y\u00fcklemek anlam\u0131na gelir. Docker, modelinizin izole edilmi\u015f ve ta\u015f\u0131nabilir bir ortamda \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flayarak “benim makinemde \u00e7al\u0131\u015f\u0131yordu” sorununu ortadan kald\u0131r\u0131r. \u00d6rnek bir Bu b\u00f6l\u00fcmde, OpenAI API \u00e7a\u011fr\u0131lar\u0131n\u0131z\u0131 DigitalOcean Serverless Inference endpoint’inize y\u00f6nlendirmek i\u00e7in gerekli kod de\u011fi\u015fikliklerini ve konfig\u00fcrasyonlar\u0131 ad\u0131m ad\u0131m inceleyece\u011fiz. Pratik bir \u00f6rnek \u00fczerinden, mevcut uygulaman\u0131z\u0131n nas\u0131l g\u00fcncellenece\u011fini g\u00f6sterece\u011fiz.<\/p>\n DigitalOcean App Platform ile Sunucusuz \u00c7\u0131kar\u0131m Fonksiyonu Olu\u015fturma.<\/strong> Diyelim ki basit bir metin s\u0131n\u0131fland\u0131rma modeli da\u011f\u0131tmak istiyorsunuz. Bu model, verilen bir metnin olumlu mu yoksa olumsuz mu oldu\u011funu tahmin edecek. \u0130lk olarak, modelinizi y\u00fckleyecek ve gelen istekleri i\u015fleyecek bir Python uygulamas\u0131 olu\u015fturmal\u0131s\u0131n\u0131z. Flask veya FastAPI gibi hafif bir web \u00e7er\u00e7evesi bu i\u015f i\u00e7in idealdir. A\u015fa\u011f\u0131da, Hugging Face’den \u00f6nceden e\u011fitilmi\u015f bir duygu analizi modelini kullanan basit bir FastAPI uygulamas\u0131 \u00f6rne\u011fi bulunmaktad\u0131r. Bu uygulama, OpenAI API \u00c7a\u011fr\u0131lar\u0131n\u0131 DigitalOcean Endpoint’ine Y\u00f6nlendirme.<\/strong> Mevcut uygulaman\u0131zda OpenAI API’sine yap\u0131lan \u00e7a\u011fr\u0131lar\u0131 DigitalOcean’daki kendi modelinize y\u00f6nlendirmek i\u00e7in kodunuzda baz\u0131 de\u011fi\u015fiklikler yapman\u0131z gerekecektir. \u00d6rne\u011fin, daha \u00f6nce OpenAI’\u0131n metin tamamlama API’sini kullan\u0131yorsan\u0131z, \u015fimdi DigitalOcean’daki kendi modelinizin endpoint’ine bir HTTP POST iste\u011fi g\u00f6ndereceksiniz. \u00d6nemli olan, DigitalOcean’da da\u011f\u0131tt\u0131\u011f\u0131n\u0131z modelin bekledi\u011fi girdi format\u0131na ve d\u00f6nd\u00fcrd\u00fc\u011f\u00fc \u00e7\u0131kt\u0131 format\u0131na uygun bir istek olu\u015fturmakt\u0131r. Bu ge\u00e7i\u015f, uygulaman\u0131z\u0131n \u00e7ekirdek mant\u0131\u011f\u0131n\u0131 de\u011fi\u015ftirmeden, altta yatan yapay zeka hizmet sa\u011flay\u0131c\u0131s\u0131n\u0131 de\u011fi\u015ftirmenize olanak tan\u0131r. Ayr\u0131ca, g\u00fcvenlik i\u00e7in DigitalOcean App Platform’un sundu\u011fu API anahtar\u0131 veya kimlik do\u011frulama mekanizmalar\u0131n\u0131 kullanarak endpoint’inizi koruman\u0131z \u00f6nemlidir. Bu sayede sadece yetkili uygulamalar modelinize eri\u015febilir. A\u015fa\u011f\u0131daki Python \u00f6rne\u011fi, bu y\u00f6nlendirmeyi nas\u0131l yapabilece\u011finizi g\u00f6stermektedir. Bu kod par\u00e7as\u0131, OpenAI API \u00e7a\u011fr\u0131lar\u0131n\u0131z\u0131 nas\u0131l DigitalOcean’daki \u00f6zel endpoint’inize y\u00f6nlendirece\u011finizi g\u00f6stermektedir. Bu sayede uygulaman\u0131z\u0131n ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 azalt\u0131rken, ayn\u0131 zamanda maliyetleri d\u00fc\u015f\u00fcrebilir ve performans\u0131 art\u0131rabilirsiniz. G\u00fcvenlik i\u00e7in, DigitalOcean App Platform’un sundu\u011fu API anahtarlar\u0131 veya di\u011fer kimlik do\u011frulama mekanizmalar\u0131n\u0131 kullanarak endpoint’inizi koruman\u0131z gerekti\u011fini unutmay\u0131n.<\/p>\n Teorik bilgilerin \u00f6tesine ge\u00e7erek, DigitalOcean Serverless Inference’\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131nda nas\u0131l somut faydalar sa\u011flad\u0131\u011f\u0131n\u0131 vaka analizleri \u00fczerinden inceleyelim. Bu \u00f6rnekler, OpenAI API’den ge\u00e7i\u015fin sadece maliyet avantaj\u0131 de\u011fil, ayn\u0131 zamanda operasyonel esneklik ve performans iyile\u015ftirmeleri de sundu\u011funu g\u00f6sterecektir.<\/p>\n E-Ticaret \u00dcr\u00fcn A\u00e7\u0131klamas\u0131 \u00dcretimi Senaryosu.<\/strong> Bir e-ticaret platformu d\u00fc\u015f\u00fcnelim. Bu platform, \u00fcr\u00fcn kataloglar\u0131ndaki binlerce \u00fcr\u00fcn i\u00e7in dinamik ve SEO dostu \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 olu\u015fturmak amac\u0131yla ba\u015flang\u0131\u00e7ta OpenAI’\u0131n GPT modellerini kullan\u0131yordu. Her yeni \u00fcr\u00fcn eklendi\u011finde veya mevcut \u00fcr\u00fcn bilgileri g\u00fcncellendi\u011finde, OpenAI API’sine bir istek g\u00f6nderilerek a\u00e7\u0131klama \u00fcretiliyordu. Ba\u015flang\u0131\u00e7ta bu yakla\u015f\u0131m h\u0131zl\u0131 ve etkiliydi. Ancak, \u00fcr\u00fcn say\u0131s\u0131 artt\u0131k\u00e7a ve platform uluslararas\u0131 pazarlara a\u00e7\u0131ld\u0131k\u00e7a, API \u00e7a\u011fr\u0131lar\u0131n\u0131n say\u0131s\u0131 h\u0131zla artarak, \u00f6zellikle farkl\u0131 dillerde a\u00e7\u0131klama \u00fcretimi, token maliyetlerini katlayarak \u015firketin yapay zeka b\u00fct\u00e7esini zorlamaya ba\u015flad\u0131. Ayr\u0131ca, genel ama\u00e7l\u0131 GPT modellerinin bazen sekt\u00f6re \u00f6zel jargon veya \u00fcr\u00fcn \u00f6zelliklerini tam olarak yans\u0131tamamas\u0131, ek manuel d\u00fczenleme ihtiyac\u0131 do\u011furuyordu. \u015eirket, bu sorunlar\u0131 \u00e7\u00f6zmek i\u00e7in DigitalOcean Serverless Inference’a ge\u00e7meye karar verdi. \u0130lk olarak, kendi \u00fcr\u00fcn verileriyle ince ayar yap\u0131lm\u0131\u015f (fine-tuned) a\u00e7\u0131k kaynak bir dil modeli (\u00f6rne\u011fin, T5 veya GPT-2’nin daha k\u00fc\u00e7\u00fck bir versiyonu) se\u00e7tiler. Bu modeli, \u00fcr\u00fcn a\u00e7\u0131klamalar\u0131 veri setleriyle e\u011fiterek, sekt\u00f6re \u00f6zel terimlerde ve istenen \u00fcslupta daha do\u011fru \u00e7\u0131kt\u0131lar elde ettiler. Ard\u0131ndan, bu ince ayar yap\u0131lm\u0131\u015f modeli bir Docker container’\u0131na al\u0131p DigitalOcean Container Registry’ye y\u00fcklediler. DigitalOcean App Platform \u00fczerinden sunucusuz bir web hizmeti olarak da\u011f\u0131t\u0131lan bu model, e-ticaret platformunun backend’inden gelen istekleri kar\u015f\u0131lamaya ba\u015flad\u0131. Sonu\u00e7lar \u00e7arp\u0131c\u0131yd\u0131: OpenAI API’ye \u00f6denen ayl\u0131k \u00fccretler %70 oran\u0131nda azald\u0131, kendi modellerini bar\u0131nd\u0131rarak sadece kulland\u0131klar\u0131 kaynaklar i\u00e7in \u00f6deme yapt\u0131lar. Daha k\u00fc\u00e7\u00fck, optimize edilmi\u015f ve fine-tuned model sayesinde, \u00fcr\u00fcn a\u00e7\u0131klamas\u0131 \u00fcretim s\u00fcresi %30 oran\u0131nda k\u0131sald\u0131. Sekt\u00f6re \u00f6zel fine-tuning sayesinde, \u00fcretilen a\u00e7\u0131klamalar\u0131n alaka d\u00fczeyi ve do\u011frulu\u011fu \u00f6nemli \u00f6l\u00e7\u00fcde artt\u0131, manuel d\u00fczenleme ihtiyac\u0131 azald\u0131 ve hassas \u00fcr\u00fcn bilgilerinin \u00fc\u00e7\u00fcnc\u00fc taraf bir sa\u011flay\u0131c\u0131ya g\u00f6nderilme riski ortadan kalkt\u0131.<\/p>\n Finansal Metinlerde Duygu Analizi Uygulamas\u0131.<\/strong> Bir finansal haber analiz platformu, piyasa e\u011filimlerini tahmin etmek amac\u0131yla haber ba\u015fl\u0131klar\u0131 ve makalelerdeki duyarl\u0131l\u0131\u011f\u0131 (sentiment) analiz etmek i\u00e7in OpenAI API’yi kullan\u0131yordu. Platform, her g\u00fcn milyonlarca finansal metni i\u015fleyerek yat\u0131r\u0131mc\u0131lara ger\u00e7ek zamanl\u0131 i\u00e7g\u00f6r\u00fcler sunuyordu. Ancak, y\u00fcksek i\u015flem hacmi ve her metin i\u00e7in ayr\u0131 ayr\u0131 API \u00e7a\u011fr\u0131s\u0131 yap\u0131lmas\u0131, platformun gecikme s\u00fcrelerini art\u0131r\u0131yor ve tahminlerin g\u00fcncelli\u011fini olumsuz etkiliyordu. Ayr\u0131ca, finansal metinlerdeki n\u00fcanslar\u0131 do\u011fru bir \u015fekilde yakalamak i\u00e7in genel duygu analizi modelleri yetersiz kalabiliyordu; finans jargonuna \u00f6zel bir anlay\u0131\u015f gerekiyordu. Bu platform da DigitalOcean Serverless Inference’a ge\u00e7i\u015f yapmaya karar verdi. Finansal metinler \u00fczerinde \u00f6nceden e\u011fitilmi\u015f ve sekt\u00f6r veri setleriyle fine-tuned edilmi\u015f bir BERT tabanl\u0131 duygu analizi modeli (\u00f6rne\u011fin, FinBERT) se\u00e7tiler. Bu modeli DigitalOcean App Platform \u00fczerinde sunucusuz bir hizmet olarak da\u011f\u0131tt\u0131lar. Uygulama, gelen haber metinlerini do\u011frudan DigitalOcean endpoint’ine g\u00f6ndererek duygu analizini ger\u00e7ekle\u015ftirdi. Bu ge\u00e7i\u015fin faydalar\u0131 \u015funlar oldu: Kendi bar\u0131nd\u0131r\u0131lan model, co\u011frafi yak\u0131nl\u0131k ve optimize edilmi\u015f altyap\u0131 sayesinde API yan\u0131t s\u00fcrelerini \u00f6nemli \u00f6l\u00e7\u00fcde k\u0131saltt\u0131, b\u00f6ylece ger\u00e7ek zamanl\u0131 analiz yetenekleri artt\u0131. Y\u00fcksek hacimli \u00e7a\u011fr\u0131larda OpenAI API’ye k\u0131yasla %60’a varan maliyet tasarrufu sa\u011fland\u0131. Finansal metinlere \u00f6zel fine-tuning sayesinde duygu analizi sonu\u00e7lar\u0131n\u0131n do\u011frulu\u011fu ve alaka d\u00fczeyi artt\u0131. Piyasa dalgalanmalar\u0131na ba\u011fl\u0131 olarak anl\u0131k artan analiz ihtiya\u00e7lar\u0131, DigitalOcean’\u0131n otomatik \u00f6l\u00e7eklendirme \u00f6zelli\u011fi sayesinde sorunsuz bir \u015fekilde kar\u015f\u0131land\u0131. Bu vaka analizleri, DigitalOcean Serverless Inference’\u0131n farkl\u0131 sekt\u00f6rlerdeki yapay zeka uygulamalar\u0131 i\u00e7in nas\u0131l g\u00fc\u00e7l\u00fc, esnek ve maliyet etkin bir alternatif sundu\u011funu a\u00e7\u0131k\u00e7a g\u00f6stermektedir. Kendi modellerinizi kontrol etme, maliyetleri optimize etme ve performans\u0131 art\u0131rma yetene\u011fi, rekabet avantaj\u0131 sa\u011flamak isteyen her i\u015fletme i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n DigitalOcean Serverless Inference platformunda yapay zeka modellerinizi da\u011f\u0131tt\u0131ktan sonra, daha iyi performans, daha d\u00fc\u015f\u00fck maliyet ve daha y\u00fcksek g\u00fcvenilirlik sa\u011flamak i\u00e7in uygulayabilece\u011finiz baz\u0131 ileri d\u00fczey optimizasyonlar ve en iyi uygulamalar bulunmaktad\u0131r. Bu b\u00f6l\u00fcm, sisteminizin potansiyelini tam olarak kullanman\u0131za yard\u0131mc\u0131 olacak stratejileri ele alacakt\u0131r.<\/p>\n Performans ve Maliyet \u0130\u00e7in En \u0130yi Uygulamalar.<\/strong> Yapay zeka modellerinin sunucusuz ortamlarda etkin \u00e7al\u0131\u015fmas\u0131 i\u00e7in kaynak kullan\u0131m\u0131 ve performans aras\u0131ndaki dengeyi bulmak hayati \u00f6neme sahiptir. \u0130lk olarak, b\u00fcy\u00fck dil modelleri veya g\u00f6r\u00fcnt\u00fc i\u015fleme modelleri, y\u00fcksek bellek ve CPU\/GPU gereksinimlerine sahip olabilir. Model s\u0131k\u0131\u015ft\u0131rma teknikleri (\u00f6rn. budama, niceleme) model boyutunu k\u00fc\u00e7\u00fclt\u00fcr ve \u00e7\u0131kar\u0131m h\u0131z\u0131n\u0131 art\u0131r\u0131r. Niceleme, model a\u011f\u0131rl\u0131klar\u0131n\u0131 daha d\u00fc\u015f\u00fck bit hassasiyetine d\u00f6n\u00fc\u015ft\u00fcrerek bellek ayak izini ve hesaplama s\u00fcresini azaltabilir. \u00d6rne\u011fin, 32-bit float a\u011f\u0131rl\u0131klar\u0131n\u0131 8-bit integer’a d\u00f6n\u00fc\u015ft\u00fcrmek, model boyutunu d\u00f6rtte birine indirebilir. Bu, sunucusuz ortamda daha az kaynak t\u00fcketilmesini ve dolay\u0131s\u0131yla daha d\u00fc\u015f\u00fck maliyetleri beraberinde getirir. \u0130kinci olarak, DigitalOcean App Platform, uygulaman\u0131z\u0131n trafi\u011fine g\u00f6re otomatik olarak \u00f6l\u00e7eklenir. Ancak, bu ayarlar\u0131 dikkatlice yap\u0131land\u0131rmak \u00f6nemlidir. Minimum ve maksimum replika say\u0131lar\u0131n\u0131, CPU veya bellek kullan\u0131m\u0131na dayal\u0131 \u00f6l\u00e7eklendirme e\u015fiklerini projenizin ihtiya\u00e7lar\u0131na g\u00f6re ayarlay\u0131n. \u00d6rne\u011fin, ani trafik art\u0131\u015flar\u0131na haz\u0131rl\u0131kl\u0131 olmak i\u00e7in minimum replika say\u0131s\u0131n\u0131 1’den y\u00fcksek tutabilir veya \u00e7ok nadir kullan\u0131lan modeller i\u00e7in 0’a kadar \u00f6l\u00e7eklenmesine izin verebilirsiniz. \u00dc\u00e7\u00fcnc\u00fc olarak, sunucusuz fonksiyonlar, bir s\u00fcre kullan\u0131lmad\u0131\u011f\u0131nda “so\u011fuk” duruma ge\u00e7ebilir ve ilk \u00e7a\u011fr\u0131ld\u0131klar\u0131nda bir “so\u011fuk ba\u015flang\u0131\u00e7” gecikmesi ya\u015fayabilirler. Bu gecikmeyi azaltmak i\u00e7in, model y\u00fckleme mant\u0131\u011f\u0131n\u0131 optimize edebilir veya kritik uygulamalar i\u00e7in minimum replika say\u0131s\u0131n\u0131 her zaman 1’de tutarak fonksiyonun her zaman “s\u0131cak” kalmas\u0131n\u0131 sa\u011flayabilirsiniz. Son olarak, s\u0131k\u00e7a yap\u0131lan \u00e7\u0131kar\u0131m istekleri i\u00e7in yan\u0131tlar\u0131 \u00f6nbelle\u011fe almak, hem gecikmeyi azalt\u0131r hem de modelin tekrar tekrar \u00e7a\u011fr\u0131lmas\u0131n\u0131 \u00f6nleyerek maliyet tasarrufu sa\u011flar. Redis veya Memcached gibi bir \u00f6nbellek hizmetini DigitalOcean’da kurarak bu stratejiyi uygulayabilirsiniz.<\/p>\n G\u00fcvenlik ve Operasyonel M\u00fckemmellik.<\/strong> Yapay zeka modellerinin g\u00fcvenli ve g\u00fcvenilir bir \u015fekilde \u00e7al\u0131\u015fmas\u0131, uygulaman\u0131z\u0131n ba\u015far\u0131s\u0131 i\u00e7in temeldir. DigitalOcean’da da\u011f\u0131tt\u0131\u011f\u0131n\u0131z model endpoint’lerini yetkisiz eri\u015fime kar\u015f\u0131 korumak i\u00e7in API anahtarlar\u0131 veya JWT (JSON Web Token) tabanl\u0131 kimlik do\u011frulama mekanizmalar\u0131 kullanmal\u0131s\u0131n\u0131z. App Platform, bu t\u00fcr kimlik do\u011frulama y\u00f6ntemlerini kolayca entegre etmenize olanak tan\u0131r. API anahtarlar\u0131n\u0131z\u0131 asla do\u011frudan kod i\u00e7ine g\u00f6mmeyin; bunun yerine ortam de\u011fi\u015fkenleri veya DigitalOcean’\u0131n Secrets y\u00f6netimi gibi g\u00fcvenli y\u00f6ntemlerle saklay\u0131n. Hassas verilerle \u00e7al\u0131\u015fan modeller i\u00e7in, a\u011f izolasyonu kritik \u00f6neme sahiptir. DigitalOcean VPC (Virtual Private Cloud) kullanarak uygulaman\u0131z\u0131n di\u011fer a\u011flardan izole edilmesini sa\u011flayabilir ve yaln\u0131zca belirli IP adreslerinden veya di\u011fer DigitalOcean kaynaklar\u0131ndan eri\u015fime izin verebilirsiniz. Uygulaman\u0131z\u0131n ve modelinizin performans\u0131n\u0131 s\u00fcrekli izlemek, potansiyel sorunlar\u0131 erken tespit etmek i\u00e7in elzemdir. DigitalOcean App Platform, yerle\u015fik metrikler (CPU kullan\u0131m\u0131, bellek kullan\u0131m\u0131, istek say\u0131s\u0131, gecikme s\u00fcresi) ve loglama ara\u00e7lar\u0131 sunar. Bu loglar\u0131 merkezi bir log y\u00f6netimi \u00e7\u00f6z\u00fcm\u00fcne entegre ederek daha derinlemesine analizler yapabilir ve uyar\u0131lar kurarak anormal durumlar hakk\u0131nda an\u0131nda bilgilendirilebilirsiniz. Son olarak, S\u00fcrekli Entegrasyon\/S\u00fcrekli Da\u011f\u0131t\u0131m (CI\/CD) s\u00fcre\u00e7leri, model g\u00fcncellemelerini ve uygulama kod de\u011fi\u015fikliklerini otomatik, g\u00fcvenilir ve tekrarlanabilir bir \u015fekilde da\u011f\u0131tman\u0131za olanak tan\u0131r. GitHub Actions, GitLab CI\/CD veya DigitalOcean App Platform’un yerle\u015fik CI\/CD \u00f6zellikleri ile entegrasyon, geli\u015ftirme s\u00fcrecinizi h\u0131zland\u0131r\u0131r ve insan hatas\u0131n\u0131 azalt\u0131r. Bu ileri d\u00fczey optimizasyonlar ve g\u00fcvenlik uygulamalar\u0131, DigitalOcean Serverless Inference \u00fczerinde da\u011f\u0131tt\u0131\u011f\u0131n\u0131z yapay zeka uygulamalar\u0131n\u0131z\u0131n sadece maliyet etkin ve \u00f6l\u00e7eklenebilir olmas\u0131n\u0131 sa\u011flamakla kalmayacak, ayn\u0131 zamanda g\u00fcvenilir, performansl\u0131 ve bak\u0131m\u0131 kolay olmas\u0131n\u0131 da sa\u011flayacakt\u0131r. Unutmay\u0131n, iyi bir operasyonel m\u00fckemmellik stratejisi, uzun vadede projenizin ba\u015far\u0131s\u0131n\u0131 garantiler.<\/p>\n Yapay zeka uygulamalar\u0131n\u0131n geli\u015ftirilmesi ve da\u011f\u0131t\u0131lmas\u0131, g\u00fcn\u00fcm\u00fcz teknolojisinde giderek daha merkezi bir rol oynamaktad\u0131r. OpenAI API gibi platformlar, bu alana giri\u015fi kolayla\u015ft\u0131rsa da, maliyet, esneklik, veri egemenli\u011fi ve \u00f6zelle\u015ftirme gibi konularda belirli s\u0131n\u0131rlamalar getirebilir. Bu makalede, bu s\u0131n\u0131rlamalar\u0131n \u00fcstesinden gelmek ve yapay zeka projelerinizi bir sonraki seviyeye ta\u015f\u0131mak i\u00e7in DigitalOcean Serverless Inference platformuna nas\u0131l ge\u00e7i\u015f yapabilece\u011finizi detayl\u0131 bir \u015fekilde ele ald\u0131k.<\/p>\n Ge\u00e7i\u015f s\u00fcrecinin, mevcut uygulaman\u0131z\u0131 dikkatlice de\u011ferlendirmek, uygun a\u00e7\u0131k kaynak veya \u00f6zel modelleri se\u00e7mek, bu modelleri Dockerize edip DigitalOcean’a da\u011f\u0131tmak ve son olarak API \u00e7a\u011fr\u0131lar\u0131n\u0131z\u0131 yeni endpoint’lere y\u00f6nlendirmek gibi ad\u0131mlardan olu\u015ftu\u011funu g\u00f6rd\u00fck. Ger\u00e7ek d\u00fcnya vaka analizleri, bu ge\u00e7i\u015fin e-ticaret ve finans gibi farkl\u0131 sekt\u00f6rlerde nas\u0131l somut maliyet tasarrufu, performans art\u0131\u015f\u0131 ve i\u00e7erik kalitesi iyile\u015ftirmeleri sa\u011flad\u0131\u011f\u0131n\u0131 ortaya koydu. Ayr\u0131ca, model s\u0131k\u0131\u015ft\u0131rma, otomatik \u00f6l\u00e7eklendirme, g\u00fcvenlik \u00f6nlemleri ve CI\/CD entegrasyonu gibi ileri d\u00fczey optimizasyonlar\u0131n, DigitalOcean \u00fczerindeki yapay zeka uygulamalar\u0131n\u0131z\u0131n uzun vadeli ba\u015far\u0131s\u0131 i\u00e7in ne kadar kritik oldu\u011funu vurgulad\u0131k.<\/p>\n DigitalOcean Serverless Inference, geli\u015ftiricilere ve i\u015fletmelere yapay zeka modelleri \u00fczerinde daha fazla kontrol, esneklik ve maliyet etkinli\u011fi sunarak, yenilik\u00e7i \u00e7\u00f6z\u00fcmler geli\u015ftirmeleri i\u00e7in g\u00fc\u00e7l\u00fc bir temel sa\u011fl\u0131yor. Kendi modellerinizi bar\u0131nd\u0131rarak, veri gizlili\u011fi endi\u015felerini ortadan kald\u0131rabilir, i\u015finizin \u00f6zel ihtiya\u00e7lar\u0131na g\u00f6re modellerinizi ince ayar yapabilir ve rekabet avantaj\u0131 elde edebilirsiniz. Bu ge\u00e7i\u015f, sadece bir teknoloji de\u011fi\u015fikli\u011fi de\u011fil, ayn\u0131 zamanda yapay zeka stratejinizde daha fazla ba\u011f\u0131ms\u0131zl\u0131k ve kontrol kazanma yolunda at\u0131lm\u0131\u015f \u00f6nemli bir ad\u0131md\u0131r. Yapay zekan\u0131n gelece\u011fi, daha a\u00e7\u0131k, esnek ve geli\u015ftirici dostu platformlarda \u015fekillenmeye devam edecek ve DigitalOcean bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn \u00f6nemli bir par\u00e7as\u0131 olmaya adayd\u0131r. Bu stratejik ge\u00e7i\u015f, uzun vadede operasyonel verimlili\u011fi art\u0131r\u0131rken, inovasyon i\u00e7in daha geni\u015f bir alan a\u00e7acakt\u0131r.<\/p>\nDockerfile<\/code> yap\u0131s\u0131, Python tabanl\u0131 bir model i\u00e7in temel imaj\u0131 belirtir, \u00e7al\u0131\u015fma dizinini ayarlar, ba\u011f\u0131ml\u0131l\u0131klar\u0131 kopyalar ve y\u00fckler, ard\u0131ndan model dosyalar\u0131n\u0131 ve uygulama kodunu kopyalar. Son olarak, Gunicorn veya Uvicorn gibi bir sunucu ile modelinize istekleri dinleyecek bir HTTP sunucusu ba\u015flat\u0131r. requirements.txt<\/code> dosyan\u0131zda modelinizin ihtiya\u00e7 duydu\u011fu t\u00fcm Python k\u00fct\u00fcphanelerini listelemelisiniz. app.py<\/code> dosyan\u0131z ise modelinizi y\u00fckleyecek ve gelen API isteklerini i\u015fleyecek mant\u0131\u011f\u0131 i\u00e7erecektir. Modeli DigitalOcean Container Registry’ye y\u00fcklemek i\u00e7in DigitalOcean CLI’yi kullanabilirsiniz. Ard\u0131ndan, bu container imaj\u0131n\u0131 DigitalOcean App Platform veya Functions hizmetleri arac\u0131l\u0131\u011f\u0131yla da\u011f\u0131tabilirsiniz. Yapay zeka \u00e7\u0131kar\u0131m hizmetleri i\u00e7in genellikle App Platform daha uygun bir se\u00e7enek olacakt\u0131r, \u00e7\u00fcnk\u00fc s\u00fcrekli bir HTTP endpoint’i sunar ve otomatik \u00f6l\u00e7eklendirme, y\u00fck dengeleme gibi \u00f6zellikleri haz\u0131r olarak sunar. Da\u011f\u0131t\u0131m s\u0131ras\u0131nda, modelinize ayr\u0131lacak bellek ve CPU kaynaklar\u0131n\u0131 dikkatlice yap\u0131land\u0131rman\u0131z \u00f6nemlidir. Bu kaynaklar, modelinizin boyutu ve beklenen i\u015flem hacmine g\u00f6re optimize edilmelidir. Yanl\u0131\u015f yap\u0131land\u0131rma, hem performans sorunlar\u0131na hem de gereksiz maliyetlere yol a\u00e7abilir. DigitalOcean’\u0131n App Platform paneli \u00fczerinden bu ayarlar\u0131 kolayca yapabilirsiniz. Bu ad\u0131mlar, modelinizin DigitalOcean ortam\u0131nda g\u00fcvenli ve verimli bir \u015fekilde \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.<\/p>\nUygulamal\u0131 Ge\u00e7i\u015f: Kod \u00d6rnekleri ve API Entegrasyonu<\/h2>\n
\/predict<\/code> endpoint’ine gelen POST isteklerini dinler, gelen metni al\u0131r ve duygu analizini yaparak sonucu d\u00f6nd\u00fcr\u00fcr. Model y\u00fcklemesi, uygulaman\u0131z ba\u015flad\u0131\u011f\u0131nda bir kez yap\u0131l\u0131r, bu da her istekte yeniden y\u00fckleme maliyetini ortadan kald\u0131r\u0131r. Bu uygulamay\u0131 DigitalOcean App Platform’a da\u011f\u0131tmak i\u00e7in bir requirements.txt<\/code> dosyas\u0131 (fastapi<\/code>, uvicorn<\/code>, transformers<\/code>, torch<\/code> veya tensorflow<\/code>) ve daha \u00f6nceki b\u00f6l\u00fcmde belirtilen Dockerfile<\/code>‘\u0131 kullanabilirsiniz. DigitalOcean App Platform’da yeni bir uygulama olu\u015ftururken, kaynak olarak Docker imaj\u0131n\u0131z\u0131 se\u00e7ip Container Registry’deki imaj\u0131n\u0131z\u0131n yolunu g\u00f6stermeniz yeterlidir. Platform, otomatik olarak bir HTTP endpoint’i olu\u015fturacak ve modelinizi \u00f6l\u00e7eklenebilir bir \u015fekilde sunacakt\u0131r. Bu sayede, modeliniz d\u0131\u015far\u0131dan eri\u015filebilir bir API haline gelir.<\/p>\n\n# app.py\nfrom fastapi import FastAPI\nfrom pydantic import BaseModel\nfrom transformers import pipeline\n\n# Duygu analizi modelini y\u00fckle\n# Bu i\u015flem uygulaman\u0131z ba\u015flad\u0131\u011f\u0131nda bir kez yap\u0131l\u0131r.\nclassifier = pipeline(\"sentiment-analysis\", model=\"nlptown\/bert-base-multilingual-uncased-sentiment\")\n\napp = FastAPI()\n\nclass TextRequest(BaseModel):\n text: str\n\n@app.post(\"\/predict\")\nasync def predict_sentiment(request: TextRequest):\n \"\"\"\n G\u00f6nderilen metnin duygu analizini yapar.\n \"\"\"\n result = classifier(request.text)\n return {\"sentiment\": result[0][\"label\"], \"score\": result[0][\"score\"]}\n\nif __name__ == \"__main__\":\n import uvicorn\n uvicorn.run(app, host=\"0.0.0.0\", port=8080)\n<\/code><\/pre>\n\nimport requests\nimport json\n\n# DigitalOcean'daki modelinizin endpoint URL'si\n# Bu URL, App Platform uygulaman\u0131z da\u011f\u0131t\u0131ld\u0131ktan sonra size sa\u011flanacakt\u0131r.\nDIGITALOCEAN_API_URL = \"https:\/\/your-app-name.ondigitalocean.app\/predict\" \n\ndef get_sentiment_from_do(text_input: str):\n \"\"\"\n DigitalOcean'daki duygu analizi modeline istek g\u00f6nderir.\n \"\"\"\n headers = {\"Content-Type\": \"application\/json\"}\n payload = {\"text\": text_input}\n\n try:\n response = requests.post(DIGITALOCEAN_API_URL, headers=headers, data=json.dumps(payload))\n response.raise_for_status() # HTTP hatalar\u0131n\u0131 kontrol et\n return response.json()\n except requests.exceptions.RequestException as e:\n print(f\"DigitalOcean API iste\u011fi ba\u015far\u0131s\u0131z oldu: {e}\")\n return None\n\n# \u00d6rnek kullan\u0131m\nif __name__ == \"__main__\":\n text_to_analyze = \"Bu \u00fcr\u00fcn ger\u00e7ekten harika, \u00e7ok be\u011fendim!\"\n sentiment_result = get_sentiment_from_do(text_to_analyze)\n\n if sentiment_result:\n print(f\"Metin: '{text_to_analyze}'\")\n print(f\"Duygu: {sentiment_result['sentiment']}\")\n print(f\"Skor: {sentiment_result['score']:.2f}\")\n else:\n print(\"Duygu analizi yap\u0131lamad\u0131.\")\n<\/code><\/pre>\nGer\u00e7ek D\u00fcnya Vaka Analizleri: Maliyet ve Performans Optimizasyonu<\/h2>\n
\u0130leri D\u00fczey Optimizasyonlar, G\u00fcvenlik ve \u0130zleme<\/h2>\n
Sonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n