G\u00fcn\u00fcm\u00fcz yapay zeka d\u00fcnyas\u0131nda, b\u00fcy\u00fck dil modelleri (LLM’ler) her ge\u00e7en g\u00fcn daha karma\u015f\u0131k hale gelirken, bu modellerin enerji t\u00fcketimi ve hesaplama maliyetleri de katlanarak art\u0131yor. \u00d6zellikle s\u0131n\u0131rl\u0131 kaynaklara sahip g\u00f6m\u00fcl\u00fc sistemler, kenar bili\u015fim (edge computing) cihazlar\u0131 veya batarya ile \u00e7al\u0131\u015fan uygulamalar i\u00e7in bu durum ciddi bir darbo\u011faz olu\u015fturuyor. Peki, bu devasa modelleri daha verimli, daha hafif ve daha s\u00fcrd\u00fcr\u00fclebilir hale getirmek m\u00fcmk\u00fcn m\u00fc? \u0130\u015fte bu noktada 1-Bit LLM’ler devreye giriyor ve BitRun v0.2 projemiz, bu yeni nesil modellerin performans\u0131n\u0131 ve enerji ayak izini ger\u00e7ek zamanl\u0131 olarak izleyip optimize edebilece\u011finiz bir terminal kokpiti sunarak bu soruna yenilik\u00e7i bir \u00e7\u00f6z\u00fcm getiriyor. Bu makalede, BitRun v0.2’nin arkas\u0131ndaki m\u00fchendislik s\u00fcre\u00e7lerini, temel prensiplerini ve bu e\u015fsiz terminal kokpitinin nas\u0131l geli\u015ftirildi\u011fini ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n
Yapay zeka modellerinin yayg\u0131nla\u015fmas\u0131yla birlikte, bu modellerin performans\u0131n\u0131 ve verimlili\u011fini art\u0131rmak, sekt\u00f6rdeki en b\u00fcy\u00fck zorluklardan biri haline geldi. Geleneksel LLM’ler genellikle 16 veya 32 bitlik kayan nokta (floating-point) say\u0131lar\u0131 kullanarak a\u011f\u0131rl\u0131klar\u0131n\u0131 (weights) ve aktivasyonlar\u0131n\u0131 temsil ederler. Bu durum, model boyutunu, bellek kullan\u0131m\u0131n\u0131 ve dolay\u0131s\u0131yla enerji t\u00fcketimini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. Ancak son d\u00f6nemde yap\u0131lan ara\u015ft\u0131rmalar ve geli\u015ftirilen teknolojiler sayesinde, 1-Bit LLM’ler gibi nicelendirilmi\u015f (quantized) modeller, bu alanda \u00e7\u0131\u011f\u0131r a\u00e7an bir potansiyel sunuyor. 1-Bit LLM’ler, model parametrelerini sadece iki de\u011ferle (0 ve 1 veya -1 ve 1) temsil ederek, model boyutunu ve hesaplama y\u00fck\u00fcn\u00fc dramatik bir \u015fekilde azalt\u0131r. Bu sayede, \u00e7ok daha az bellek t\u00fcketir, daha h\u0131zl\u0131 \u00e7\u0131kar\u0131m (inference) yapabilir ve en \u00f6nemlisi, \u00e7ok daha az enerji harcar.<\/p>\n
1-Bit LLM’lerin bu enerji verimlili\u011fi potansiyeli, \u00f6zellikle batarya ile \u00e7al\u0131\u015fan cihazlar, sens\u00f6r a\u011flar\u0131 veya uzaktan kontrol edilen sistemler gibi enerji k\u0131s\u0131tl\u0131 ortamlarda kritik bir avantaj sa\u011flar. \u00d6rne\u011fin, bir ak\u0131ll\u0131 ev cihaz\u0131n\u0131n yerel olarak basit bir dil modelini \u00e7al\u0131\u015ft\u0131rmas\u0131 gerekti\u011finde, geleneksel bir LLM yerine 1-Bit LLM kullanmak, cihaz\u0131n batarya \u00f6mr\u00fcn\u00fc haftalarca uzatabilir. Benzer \u015fekilde, end\u00fcstriyel otomasyon sistemlerinde, \u00fcretim hatlar\u0131ndaki k\u00fc\u00e7\u00fck denetleyicilerin ger\u00e7ek zamanl\u0131 veri analizi yaparken enerji verimli olmas\u0131, genel i\u015fletme maliyetlerini d\u00fc\u015f\u00fcr\u00fcr ve s\u00fcrd\u00fcr\u00fclebilirli\u011fi art\u0131r\u0131r. Bu senaryolarda, modelin ne kadar enerji harcad\u0131\u011f\u0131n\u0131 ger\u00e7ek zamanl\u0131 olarak bilmek, performans\u0131 optimize etmek ve batarya \u00f6mr\u00fcn\u00fc maksimize etmek i\u00e7in vazge\u00e7ilmezdir. \u0130\u015fte burada canl\u0131 g\u00fc\u00e7 telemetrisi (live power telemetry) devreye girer.<\/p>\n
Canl\u0131 g\u00fc\u00e7 telemetrisi, bir sistemin veya bile\u015fenin anl\u0131k enerji t\u00fcketimini izleme ve raporlama s\u00fcrecidir. 1-Bit LLM’ler gibi enerji hassasiyeti y\u00fcksek modellerle \u00e7al\u0131\u015f\u0131rken, bu telemetri verileri, modelin farkl\u0131 y\u00fckler alt\u0131nda veya farkl\u0131 \u00e7\u0131kar\u0131m modlar\u0131nda ne kadar g\u00fc\u00e7 t\u00fcketti\u011fini anlamam\u0131z\u0131 sa\u011flar. Bu verilerle, geli\u015ftiriciler modelin mimarisini, nicelendirme stratejilerini veya \u00e7\u0131kar\u0131m algoritmalar\u0131n\u0131, belirli bir enerji b\u00fct\u00e7esi dahilinde en iyi performans\u0131 elde edecek \u015fekilde ayarlayabilirler. \u00d6rne\u011fin, bir modelin belirli bir i\u015flem s\u0131ras\u0131nda beklenenden daha fazla g\u00fc\u00e7 t\u00fcketti\u011fi tespit edilirse, bu durum belle\u011fe eri\u015fim optimizasyonlar\u0131 veya i\u015flemci kullan\u0131m\u0131ndaki verimsizlikler gibi potansiyel sorunlara i\u015faret edebilir. Canl\u0131 telemetri, bu t\u00fcr sorunlar\u0131 erken a\u015famada tespit etmeye ve proaktif \u00e7\u00f6z\u00fcmler \u00fcretmeye olanak tan\u0131r. BitRun v0.2 projesi de tam olarak bu ihtiyac\u0131 kar\u015f\u0131lamak \u00fczere tasarland\u0131: 1-Bit LLM’lerinizi bir terminal kokpiti \u00fczerinden y\u00f6netirken, ayn\u0131 anda canl\u0131 g\u00fc\u00e7 t\u00fcketimini izleyerek operasyonel verimlili\u011fi en \u00fcst d\u00fczeye \u00e7\u0131karmak.<\/p>\n
BitRun v0.2’nin temel amac\u0131, 1-Bit LLM’lerin karma\u015f\u0131k d\u00fcnyas\u0131n\u0131 kullan\u0131c\u0131lar i\u00e7in daha eri\u015filebilir ve y\u00f6netilebilir k\u0131lmakt\u0131r. Bu hedefe ula\u015fmak i\u00e7in, projenin merkezine bir “terminal kokpiti” konseptini yerle\u015ftirdik. Peki, g\u00fcn\u00fcm\u00fcz\u00fcn zengin grafik aray\u00fczleri (GUI) \u00e7a\u011f\u0131nda neden bir terminal tabanl\u0131 kullan\u0131c\u0131 aray\u00fcz\u00fc (TUI) tercih ettik? Bu se\u00e7imin arkas\u0131nda yatan sa\u011flam m\u00fchendislik ve operasyonel nedenler bulunmaktad\u0131r. \u0130lk olarak, terminal aray\u00fczleri, \u00f6zellikle sunucu ortamlar\u0131nda veya uzaktan eri\u015fim senaryolar\u0131nda, \u00e7ok daha az kaynak t\u00fcketir. Bir 1-Bit LLM’nin \u00e7al\u0131\u015ft\u0131\u011f\u0131 bir kenar cihaz\u0131nda, k\u0131s\u0131tl\u0131 CPU, bellek ve depolama kaynaklar\u0131 genellikle geleneksel bir GUI \u00e7al\u0131\u015ft\u0131rmak i\u00e7in yeterli de\u011fildir. TUI’ler ise minimal sistem gereksinimleriyle \u00e7al\u0131\u015farak, ana uygulaman\u0131n (yani LLM’nin) kaynaklar\u0131n\u0131 gereksiz yere t\u00fcketmez.<\/p>\n
\u0130kinci olarak, TUI’ler geli\u015ftirme ve da\u011f\u0131t\u0131m a\u00e7\u0131s\u0131ndan olduk\u00e7a esnektir. Python’daki BitRun v0.2’nin mimarisi, mod\u00fclerlik ve \u00f6l\u00e7eklenebilirlik prensipleri \u00fczerine in\u015fa edilmi\u015ftir. Kokpit, farkl\u0131 bile\u015fenlerden gelen verileri toplar, i\u015fler ve g\u00f6rselle\u015ftirir. Bu bile\u015fenler aras\u0131nda, LLM \u00e7\u0131kar\u0131m motorundan gelen performans metrikleri (\u00e7\u0131kar\u0131m h\u0131z\u0131, do\u011fruluk), sistemden gelen donan\u0131m verileri (CPU\/GPU kullan\u0131m\u0131, bellek t\u00fcketimi) ve en \u00f6nemlisi, g\u00fc\u00e7 sens\u00f6rlerinden veya i\u015fletim sistemi API’lerinden gelen canl\u0131 g\u00fc\u00e7 telemetrisi verileri bulunur. Veri toplama katman\u0131, genellikle hafif arka plan servisleri veya do\u011frudan donan\u0131m etkile\u015fimleri arac\u0131l\u0131\u011f\u0131yla \u00e7al\u0131\u015f\u0131r. Bu veriler, bir merkezi veri i\u015fleme birimine g\u00f6nderilir ve burada analiz edilerek terminal aray\u00fcz\u00fcnde anlaml\u0131 grafiklere, tablolara ve durum g\u00f6stergelerine d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. \u00d6rne\u011fin, bir g\u00fc\u00e7 sens\u00f6r\u00fcnden gelen ham voltaj ve ak\u0131m de\u011ferleri, zaman serisi grafikleri olarak g\u00f6rselle\u015ftirilerek LLM’nin anl\u0131k g\u00fc\u00e7 t\u00fcketimindeki dalgalanmalar net bir \u015fekilde g\u00f6sterilebilir.<\/p>\n Kokpitin kullan\u0131c\u0131 etkile\u015fim katman\u0131, klavye k\u0131sayollar\u0131 ve basit komutlarla \u00e7al\u0131\u015facak \u015fekilde tasarlanm\u0131\u015ft\u0131r. Bu sayede kullan\u0131c\u0131lar, farkl\u0131 ekranlar aras\u0131nda ge\u00e7i\u015f yapabilir, belirli metrikleri detayland\u0131rabilir veya hatta LLM’nin \u00e7al\u0131\u015fma parametrelerini (\u00f6rne\u011fin, \u00e7\u0131kar\u0131m modu, nicelendirme ayarlar\u0131) anl\u0131k olarak de\u011fi\u015ftirebilirler. Bu interaktif yap\u0131, geli\u015ftiricilere ve operat\u00f6rlere, 1-Bit LLM’lerini ger\u00e7ek d\u00fcnya ko\u015fullar\u0131nda deneyimleme ve optimize etme konusunda e\u015fsiz bir kontrol sa\u011flar. \u00d6zetle, BitRun v0.2’nin terminal kokpiti, sadece bir izleme arac\u0131 olmaktan \u00f6te, 1-Bit LLM ekosisteminin kalbinde yer alan, verimli, esnek ve g\u00fc\u00e7l\u00fc bir y\u00f6netim platformudur. Bu mimari se\u00e7im, hem teknik k\u0131s\u0131tlamalar\u0131 a\u015fma hem de kullan\u0131c\u0131 deneyimini optimize etme konusunda stratejik bir avantaj sunar.<\/p>\n BitRun v0.2’nin en ay\u0131rt edici \u00f6zelliklerinden biri, 1-Bit LLM’lerin canl\u0131 g\u00fc\u00e7 telemetrisini ger\u00e7ek zamanl\u0131 olarak sunabilmesidir. Bu \u00f6zellik, modelin enerji ayak izini anlamak, performans\u0131 optimize etmek ve enerji b\u00fct\u00e7elerini verimli kullanmak i\u00e7in kritik \u00f6neme sahiptir. Canl\u0131 g\u00fc\u00e7 telemetrisi entegrasyonu, birden fazla katman\u0131 ve teknik yakla\u015f\u0131m\u0131 i\u00e7eren karma\u015f\u0131k bir s\u00fcre\u00e7tir. \u00d6ncelikle, g\u00fc\u00e7 t\u00fcketimi verilerini nereden ve nas\u0131l toplayaca\u011f\u0131m\u0131z\u0131 belirlememiz gerekir. Bu, donan\u0131m platformuna ve mevcut sens\u00f6rlere ba\u011fl\u0131 olarak de\u011fi\u015fiklik g\u00f6sterebilir.<\/p>\n Baz\u0131 modern i\u015flemciler ve sistem yongalar\u0131 (SoC’ler), entegre g\u00fc\u00e7 sens\u00f6rlerine sahiptir ve bu sens\u00f6rler arac\u0131l\u0131\u011f\u0131yla CPU, GPU veya genel sistem g\u00fc\u00e7 t\u00fcketimi hakk\u0131nda bilgi sa\u011flayabilirler. \u00d6rne\u011fin, Intel’in RAPL (Running Average Power Limit) aray\u00fcz\u00fc veya NVIDIA GPU’lar\u0131 i\u00e7in NVML (NVIDIA Management Library) gibi API’ler, yaz\u0131l\u0131msal olarak g\u00fc\u00e7 t\u00fcketimi verilerine eri\u015fim sa\u011flar. Bu t\u00fcr API’ler, genellikle d\u00fc\u015f\u00fck seviyeli sistem \u00e7a\u011fr\u0131lar\u0131 veya \u00f6zel k\u00fct\u00fcphaneler arac\u0131l\u0131\u011f\u0131yla Python gibi daha \u00fcst seviye dillerden eri\u015filebilir hale getirilir. BitRun v0.2, bu API’leri kullanarak sistem genelindeki veya belirli bile\u015fenlerdeki g\u00fc\u00e7 t\u00fcketimini izleyebilir. \u00d6zellikle kenar bili\u015fim cihazlar\u0131 i\u00e7in, Raspberry Pi gibi platformlarda harici g\u00fc\u00e7 sens\u00f6rleri (\u00f6rne\u011fin, INA219 gibi I2C tabanl\u0131 sens\u00f6rler) kullan\u0131labilir. Bu sens\u00f6rler, belirli bir bile\u015fenin (\u00f6rne\u011fin, bir AI h\u0131zland\u0131r\u0131c\u0131s\u0131n\u0131n veya mikrodenetleyicinin) besleme hatt\u0131ndaki voltaj ve ak\u0131m\u0131 \u00f6l\u00e7erek ger\u00e7ek g\u00fc\u00e7 t\u00fcketimini hesaplar.<\/p>\n Veri toplama ad\u0131m\u0131 genellikle bir arka plan servisi veya i\u015f par\u00e7ac\u0131\u011f\u0131 (thread) taraf\u0131ndan y\u00f6netilir. Bu servis, belirli aral\u0131klarla (\u00f6rne\u011fin, her saniye) g\u00fc\u00e7 sens\u00f6rlerinden veya API’lerden veri okur. Okunan ham veriler, genellikle voltaj (V) ve ak\u0131m (A) cinsindendir ve bunlar\u0131n \u00e7arp\u0131m\u0131 ile anl\u0131k g\u00fc\u00e7 (Watt) hesaplan\u0131r. Bu verilerin do\u011frulu\u011fu ve \u00f6rnekleme s\u0131kl\u0131\u011f\u0131, telemetrinin hassasiyetini do\u011frudan etkiler. \u00d6rne\u011fin, \u00e7ok h\u0131zl\u0131 de\u011fi\u015fen g\u00fc\u00e7 t\u00fcketimini yakalamak i\u00e7in daha y\u00fcksek \u00f6rnekleme s\u0131kl\u0131\u011f\u0131 gerekebilir. Toplanan veriler daha sonra i\u015fleme katman\u0131na iletilir. \u0130\u015fleme katman\u0131nda, veriler filtrelenebilir, ortalamas\u0131 al\u0131nabilir veya zaman serisi format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fclebilir. Anormal de\u011ferlerin tespiti veya belirli e\u015fiklerin a\u015f\u0131lmas\u0131 durumunda uyar\u0131 mekanizmalar\u0131 da bu katmanda devreye sokulabilir.<\/p>\n BitRun v0.2’de veri i\u015fleme, Python’\u0131n g\u00fc\u00e7l\u00fc veri manip\u00fclasyon k\u00fct\u00fcphaneleri (\u00f6rne\u011fin, Bu \u00f6rnek kod, ger\u00e7ek bir g\u00fc\u00e7 sens\u00f6r\u00fcnden veri almak yerine, Linux’un BitRun v0.2 terminal kokpitinin geli\u015ftirme s\u00fcreci, iyi planlanm\u0131\u015f ad\u0131mlar ve do\u011fru ara\u00e7 se\u00e7imleriyle \u015fekillendi. Amac\u0131m\u0131z, 1-Bit LLM’ler i\u00e7in hem i\u015flevsel hem de kullan\u0131c\u0131 dostu, ancak kaynak a\u00e7\u0131s\u0131ndan hafif bir aray\u00fcz sunmakt\u0131. Bu b\u00f6l\u00fcmde, bu s\u00fcreci ad\u0131m ad\u0131m inceleyece\u011fiz ve kullan\u0131lan temel teknolojilere de\u011finece\u011fiz.<\/p>\n Bu ad\u0131mlar, BitRun v0.2’nin sa\u011flam ve i\u015flevsel bir terminal kokpiti olarak ortaya \u00e7\u0131kmas\u0131n\u0131 sa\u011flad\u0131. \u00d6zellikle Bu kod par\u00e7as\u0131, BitRun v0.2, 1-Bit LLM’lerin enerji verimlili\u011fini izlemek ve optimize etmek i\u00e7in g\u00fc\u00e7l\u00fc bir temel sunarken, projenin ileriye d\u00f6n\u00fck bir\u00e7ok potansiyeli ve geli\u015ftirme alan\u0131 bulunmaktad\u0131r. Bu b\u00f6l\u00fcmde, BitRun’\u0131 daha da ileri ta\u015f\u0131yacak ileri d\u00fczey optimizasyonlar\u0131 ve gelecek vizyonunu ele alaca\u011f\u0131z.<\/p>\n Canl\u0131 g\u00fc\u00e7 telemetrisi verileri, sadece anl\u0131k durumu g\u00f6stermekle kalmaz, ayn\u0131 zamanda gelecekteki enerji t\u00fcketimini tahmin etmek i\u00e7in de kullan\u0131labilir. Makine \u00f6\u011frenimi algoritmalar\u0131 (\u00f6rne\u011fin, zaman serisi analizi modelleri), toplanan ge\u00e7mi\u015f g\u00fc\u00e7 verilerini analiz ederek, belirli bir LLM g\u00f6rev y\u00fck\u00fc alt\u0131nda veya belirli bir s\u00fcre sonra ne kadar enerji t\u00fcketilece\u011fini tahmin edebilir. Bu tahminsel analizler, \u00f6zellikle batarya \u00f6mr\u00fcn\u00fcn kritik oldu\u011fu mobil veya g\u00f6m\u00fcl\u00fc sistemlerde b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. \u00d6rne\u011fin, bir kenar cihaz\u0131, bataryas\u0131n\u0131n ne kadar s\u00fcre dayanaca\u011f\u0131n\u0131 \u00f6nceden bilerek, kritik g\u00f6revleri tamamlamak i\u00e7in yeterli enerjisi olup olmad\u0131\u011f\u0131n\u0131 belirleyebilir ve buna g\u00f6re g\u00f6rev \u00f6nceliklerini ayarlayabilir.<\/p>\n Bu tahminsel yetenekler, dinamik kaynak y\u00f6netimi ile birle\u015ftirilebilir. BitRun, tahmin edilen g\u00fc\u00e7 t\u00fcketimine ve mevcut enerji b\u00fct\u00e7esine g\u00f6re LLM’nin \u00e7al\u0131\u015fma parametrelerini otomatik olarak ayarlayabilir. \u00d6rne\u011fin, batarya seviyesi d\u00fc\u015f\u00fck oldu\u011funda, LLM’nin \u00e7\u0131kar\u0131m h\u0131z\u0131 biraz d\u00fc\u015f\u00fcr\u00fclerek veya daha az enerji t\u00fcketen bir nicelendirme (quantization) modu etkinle\u015ftirilerek enerji tasarrufu sa\u011flanabilir. Benzer \u015fekilde, sistem bo\u015fta (idle) oldu\u011funda, LLM tamamen uyku moduna ge\u00e7irilebilir veya \u00e7ok d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketen bir duruma al\u0131nabilir. Bu t\u00fcr proaktif y\u00f6netim, 1-Bit LLM’lerin ger\u00e7ek d\u00fcnya uygulamalar\u0131nda \u00e7ok daha otonom ve verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar. Bu sayede, insan m\u00fcdahalesine gerek kalmadan, sistem kendi enerji verimlili\u011fini s\u00fcrekli olarak optimize edebilir.<\/p>\n Terminal kokpiti olmas\u0131, BitRun’\u0131n uzaktan eri\u015fim i\u00e7in do\u011fal bir avantaj sa\u011flamas\u0131na ra\u011fmen, bu eri\u015fimi g\u00fcvenli hale getirmek kritik \u00f6neme sahiptir. SSH gibi g\u00fcvenli protokoller arac\u0131l\u0131\u011f\u0131yla uzaktan ba\u011flant\u0131 kurulmas\u0131 standart olsa da, BitRun’\u0131n kendi i\u00e7inde daha geli\u015fmi\u015f g\u00fcvenlik \u00f6nlemleri entegre edilebilir. \u00d6rne\u011fin, kullan\u0131c\u0131 kimlik do\u011frulama mekanizmalar\u0131 (parola, anahtar tabanl\u0131), eri\u015fim kontrol listeleri (ACL) ve veri \u015fifreleme, hassas LLM modellerinin veya sistem verilerinin yetkisiz eri\u015fimden korunmas\u0131n\u0131 sa\u011flar. Ayr\u0131ca, \u00e7oklu BitRun \u00f6rneklerini tek bir merkezi konsoldan y\u00f6netme yetene\u011fi, b\u00fcy\u00fck \u00f6l\u00e7ekli da\u011f\u0131t\u0131mlarda operasyonel verimlili\u011fi art\u0131racakt\u0131r. Bu, \u00f6zellikle geni\u015f bir co\u011frafi alana yay\u0131lm\u0131\u015f y\u00fczlerce kenar cihaz\u0131n\u0131 y\u00f6neten bir \u015firket i\u00e7in hayati bir \u00f6zelliktir. Merkezi bir kontrol paneli, t\u00fcm cihazlardaki 1-Bit LLM’lerin durumunu, performans\u0131n\u0131 ve enerji t\u00fcketimini tek bir noktadan izlemeye ve y\u00f6netmeye olanak tan\u0131r.<\/p>\n 1-Bit LLM’ler, geleneksel modellere g\u00f6re daha az hesaplama g\u00fcc\u00fc gerektirse de, \u00f6zel donan\u0131m h\u0131zland\u0131r\u0131c\u0131lar (\u00f6rne\u011fin, FPGA’lar veya ASIC’ler) kullan\u0131larak performanslar\u0131 ve enerji verimlilikleri daha da art\u0131r\u0131labilir. BitRun v0.2, bu t\u00fcr \u00f6zel donan\u0131mlarla derinlemesine entegrasyon sa\u011flayarak, donan\u0131m katman\u0131ndan gelen g\u00fc\u00e7 telemetrisi verilerini daha hassas bir \u015fekilde okuyabilir ve LLM’nin donan\u0131m \u00fczerindeki ger\u00e7ek enerji ayak izini g\u00f6sterebilir. Bu entegrasyon, \u00f6zellikle \u00f6zel AI \u00e7ipleri geli\u015ftiren veya kullanan firmalar i\u00e7in de\u011ferli bir ara\u00e7 haline gelecektir. \u00d6rne\u011fin, bir FPGA \u00fczerinde \u00e7al\u0131\u015fan bir 1-Bit LLM’nin her bir i\u015flem biriminin (processing unit) anl\u0131k g\u00fc\u00e7 t\u00fcketimini izlemek, donan\u0131m tasar\u0131mc\u0131lar\u0131na ve yaz\u0131l\u0131m m\u00fchendislerine optimizasyon i\u00e7in de\u011ferli geri bildirimler sa\u011flayabilir.<\/p>\n Gelecekte, BitRun’\u0131n sadece bir izleme arac\u0131 olmaktan \u00e7\u0131k\u0131p, aktif bir optimizasyon motoru haline gelmesi hedeflenmektedir. Bu, BitRun’\u0131n LLM’nin e\u011fitim (training) ve \u00e7\u0131kar\u0131m (inference) s\u00fcre\u00e7lerine do\u011frudan m\u00fcdahale edebilmesi anlam\u0131na gelir. \u00d6rne\u011fin, belirli bir enerji hedefi do\u011frultusunda modelin nicelendirme seviyesini dinamik olarak de\u011fi\u015ftirebilir veya farkl\u0131 \u00e7\u0131kar\u0131m stratejileri aras\u0131nda ge\u00e7i\u015f yapabilir. Bu t\u00fcr bir “kendi kendine optimize eden” sistem, 1-Bit LLM’lerin tam potansiyelini ortaya \u00e7\u0131karacak ve yapay zekay\u0131 daha s\u00fcrd\u00fcr\u00fclebilir ve eri\u015filebilir k\u0131lacakt\u0131r.<\/p>\n BitRun v0.2 projesi, 1-Bit LLM’lerin sundu\u011fu enerji verimlili\u011fi ve performans potansiyelini ger\u00e7ek d\u00fcnya uygulamalar\u0131na ta\u015f\u0131mak i\u00e7in kritik bir ara\u00e7 olarak ortaya \u00e7\u0131km\u0131\u015ft\u0131r. Geleneksel LLM’lerin y\u00fcksek hesaplama ve enerji gereksinimleri kar\u015f\u0131s\u0131nda, 1-Bit LLM’ler, \u00f6zellikle s\u0131n\u0131rl\u0131 kaynaklara sahip kenar cihazlar ve batarya ile \u00e7al\u0131\u015fan sistemler i\u00e7in umut verici bir alternatif sunmaktad\u0131r. BitRun v0.2’nin terminal kokpiti, bu yeni nesil modellerin canl\u0131 g\u00fc\u00e7 t\u00fcketimini, sistem performans\u0131n\u0131 ve LLM’nin operasyonel durumunu \u015feffaf bir \u015fekilde izleyerek, geli\u015ftiricilere ve sistem y\u00f6neticilerine e\u015fsiz bir kontrol ve optimizasyon yetene\u011fi sa\u011flamaktad\u0131r.<\/p>\n Bu makalede, BitRun v0.2’nin arkas\u0131ndaki m\u00fchendislik felsefesini, terminal tabanl\u0131 aray\u00fcz tercihinin nedenlerini, canl\u0131 g\u00fc\u00e7 telemetrisi entegrasyonunun teknik detaylar\u0131n\u0131 ve kokpitin ad\u0131m ad\u0131m nas\u0131l geli\u015ftirildi\u011fini ele ald\u0131k. Mod\u00fcler mimarisi, Python’\u0131n g\u00fcc\u00fc ve BitRun v0.2, yapay zekan\u0131n daha eri\u015filebilir, daha s\u00fcrd\u00fcr\u00fclebilir ve daha verimli hale gelmesi yolunda \u00f6nemli bir ad\u0131m\u0131 temsil etmektedir. T\u00fcrkiye’deki teknoloji firmalar\u0131 ve startup’lar i\u00e7in, \u00f6zellikle IoT (Nesnelerin \u0130nterneti) ve kenar bili\u015fim alan\u0131nda, 1-Bit LLM’leri kullanarak enerji verimli \u00e7\u00f6z\u00fcmler geli\u015ftirmek ve bunlar\u0131 BitRun gibi ara\u00e7larla optimize etmek, k\u00fcresel rekabette \u00f6nemli bir avantaj sa\u011flayabilir. Bu teknoloji, sadece b\u00fcy\u00fck veri merkezlerinde de\u011fil, g\u00fcnl\u00fck hayat\u0131m\u0131zdaki her t\u00fcrl\u00fc ak\u0131ll\u0131 cihazda yapay zekan\u0131n yayg\u0131nla\u015fmas\u0131n\u0131n \u00f6n\u00fcn\u00fc a\u00e7acakt\u0131r. BitRun v0.2 ile yapay zekan\u0131n gelece\u011fine, daha az enerjiyle, daha fazla zeka ile ad\u0131m at\u0131yoruz.<\/p>\n 1-Bit LLM’ler (Large Language Models), geleneksel LLM’lerden farkl\u0131 olarak model a\u011f\u0131rl\u0131klar\u0131n\u0131 ve aktivasyonlar\u0131n\u0131 sadece 1 bit (0 veya 1, ya da -1 veya 1) ile temsil eden modellerdir. Bu, model boyutunu, bellek kullan\u0131m\u0131n\u0131 ve hesaplama maliyetlerini dramatik bir \u015fekilde azalt\u0131r. \u00d6zellikle enerji k\u0131s\u0131tl\u0131 cihazlarda (IoT, mobil) veya kenar bili\u015fim uygulamalar\u0131nda daha h\u0131zl\u0131 \u00e7\u0131kar\u0131m ve \u00e7ok daha d\u00fc\u015f\u00fck g\u00fc\u00e7 t\u00fcketimi sa\u011flad\u0131klar\u0131 i\u00e7in \u00f6nemlidirler.<\/p>\n<\/li>\n BitRun v0.2, TUI’yi (Terminal User Interface) tercih etmesinin ana nedenleri kaynak verimlili\u011fi, esneklik ve uzaktan eri\u015fim kolayl\u0131\u011f\u0131d\u0131r. TUI’ler, \u00e7ok daha az CPU ve bellek t\u00fcketir, bu da 1-Bit LLM’lerin \u00e7al\u0131\u015ft\u0131\u011f\u0131 k\u0131s\u0131tl\u0131 kaynaklara sahip kenar cihazlar i\u00e7in idealdir. Ayr\u0131ca, SSH \u00fczerinden uzaktan eri\u015fim i\u00e7in m\u00fckemmeldirler ve geli\u015ftirme ile da\u011f\u0131t\u0131m s\u00fcre\u00e7lerini basitle\u015ftirirler.<\/p>\n<\/li>\n Canl\u0131 g\u00fc\u00e7 telemetrisi, donan\u0131m platformuna ba\u011fl\u0131 olarak farkl\u0131 y\u00f6ntemlerle entegre edilir. Modern i\u015flemcilerdeki entegre g\u00fc\u00e7 sens\u00f6rlerinden (\u00f6rne\u011fin, Intel RAPL, NVIDIA NVML) yaz\u0131l\u0131msal API’ler arac\u0131l\u0131\u011f\u0131yla veri \u00e7ekilebilir. Daha k\u00fc\u00e7\u00fck kenar cihazlar\u0131nda (\u00f6rne\u011fin, Raspberry Pi), INA219 gibi harici I2C g\u00fc\u00e7 monit\u00f6r sens\u00f6rleri kullan\u0131larak voltaj ve ak\u0131m de\u011ferleri okunur, ard\u0131ndan bu de\u011ferler anl\u0131k g\u00fc\u00e7 t\u00fcketimine (Watt) d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. Bu veriler, Python’daki \u00f6zel mod\u00fcller arac\u0131l\u0131\u011f\u0131yla toplan\u0131r, i\u015flenir ve terminal aray\u00fcz\u00fcnde g\u00f6rselle\u015ftirilir.<\/p>\n<\/li>\n BitRun v0.2, canl\u0131 g\u00fc\u00e7 telemetrisi ve performans metrikleri sayesinde optimizasyon i\u00e7in de\u011ferli bilgiler sunar. Modelinizin farkl\u0131 g\u00f6rev y\u00fckleri alt\u0131nda ne kadar g\u00fc\u00e7 t\u00fcketti\u011fini izleyebilir, enerji verimlili\u011fi ile performans aras\u0131ndaki dengeyi bulabilirsiniz. \u00d6rne\u011fin, belirli bir i\u015flem s\u0131ras\u0131nda y\u00fcksek g\u00fc\u00e7 t\u00fcketimi fark ederseniz, modelin nicelendirme ayarlar\u0131n\u0131 de\u011fi\u015ftirmeyi veya \u00e7\u0131kar\u0131m algoritmas\u0131n\u0131 optimize etmeyi d\u00fc\u015f\u00fcnebilirsiniz. Gelecekteki s\u00fcr\u00fcmlerde, BitRun tahminsel analiz ve dinamik kaynak y\u00f6netimi ile otomatik optimizasyon yetenekleri de sunmay\u0131 hedeflemektedir.<\/p>\n<\/li>\n<\/ul>\n #YapayZeka #1BitLLM #TerminalKokpit #EnerjiVerimlili\u011fi #EdgeComputing<\/p>\n","protected":false},"excerpt":{"rendered":"G\u00fcn\u00fcm\u00fcz yapay zeka d\u00fcnyas\u0131nda, b\u00fcy\u00fck dil modelleri (LLM’ler) her ge\u00e7en g\u00fcn daha karma\u015f\u0131k hale gelirken, bu modellerin enerji t\u00fcketimi ve hesaplama maliyetleri de katlanarak art\u0131yor.","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-45211","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\ncurses<\/code> veya rich<\/code> gibi k\u00fct\u00fcphaneler sayesinde, zengin ve interaktif terminal aray\u00fczleri olu\u015fturmak nispeten kolayd\u0131r. Bu aray\u00fczler, SSH \u00fczerinden uzaktan eri\u015fim i\u00e7in idealdir; kullan\u0131c\u0131lar, nerede olurlarsa olsunlar, bir komut sat\u0131r\u0131 aray\u00fcz\u00fc (CLI) arac\u0131l\u0131\u011f\u0131yla BitRun kokpitine ba\u011flanabilir ve LLM’lerinin durumunu, performans\u0131n\u0131 ve g\u00fc\u00e7 t\u00fcketimini ger\u00e7ek zamanl\u0131 olarak izleyebilirler. Bu, \u00f6zellikle da\u011f\u0131t\u0131k sistemlerde veya fiziksel eri\u015fimin zor oldu\u011fu ortamlarda paha bi\u00e7ilmez bir avantaj sa\u011flar. \u00d6rne\u011fin, bir r\u00fczgar t\u00fcrbininin i\u00e7inde \u00e7al\u0131\u015fan bir kenar AI modelini denetlemek i\u00e7in, sahaya gitmek yerine uzaktan g\u00fcvenli bir SSH ba\u011flant\u0131s\u0131 kurmak, operasyonel maliyetleri ve s\u00fcreyi \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r.<\/p>\nCanl\u0131 G\u00fc\u00e7 Telemetrisi Entegrasyonu: Veri Toplama ve \u0130\u015fleme Teknikleri<\/h3>\n
pandas<\/code> veya numpy<\/code>) kullan\u0131larak ger\u00e7ekle\u015ftirilir. Bu k\u00fct\u00fcphaneler, gelen verileri d\u00fczenli bir yap\u0131ya sokar ve daha sonra terminal aray\u00fcz\u00fcnde g\u00f6rselle\u015ftirilebilecek formatlara d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. \u00d6rne\u011fin, son 60 saniyelik g\u00fc\u00e7 t\u00fcketiminin ortalamas\u0131n\u0131 almak veya maksimum\/minimum de\u011ferleri belirlemek, bu katmanda yap\u0131lan yayg\u0131n i\u015flemlerdir. Veriler, genellikle bir kuyruk (queue) veya payla\u015f\u0131ml\u0131 bellek (shared memory) mekanizmas\u0131 arac\u0131l\u0131\u011f\u0131yla terminal kokpitinin ana aray\u00fcz i\u015f par\u00e7ac\u0131\u011f\u0131na iletilir. Bu sayede, veri toplama ve aray\u00fcz g\u00fcncelleme i\u015flemleri birbirinden ba\u011f\u0131ms\u0131z ve paralel olarak \u00e7al\u0131\u015fabilir, bu da aray\u00fcz\u00fcn ak\u0131c\u0131 kalmas\u0131n\u0131 sa\u011flar. A\u015fa\u011f\u0131da, basit bir Python beti\u011fi ile Linux sistemlerinde CPU g\u00fc\u00e7 t\u00fcketimini (yakla\u015f\u0131k bir de\u011fer) okumak i\u00e7in bir \u00f6rnek g\u00f6rebilirsiniz:<\/p>\n\nimport os\nimport time\n\ndef get_cpu_power_estimate():\n \"\"\"\n Linux'ta CPU g\u00fc\u00e7 t\u00fcketimini tahmin eden basit bir fonksiyon.\n Ger\u00e7ek g\u00fc\u00e7 sens\u00f6r\u00fc verisi yerine CPU kullan\u0131m\u0131na dayal\u0131 bir tahmin sunar.\n \"\"\"\n try:\n # \/sys\/class\/power_supply\/AC\/power_now veya benzeri bir yoldan\n # ger\u00e7ek g\u00fc\u00e7 verisi al\u0131nabilir ancak bu yollar sisteme g\u00f6re de\u011fi\u015fir.\n # Basit bir tahmin i\u00e7in CPU y\u00fck\u00fcn\u00fc kullanal\u0131m.\n with open(\"\/proc\/stat\", \"r\") as f:\n lines = f.readlines()\n cpu_line = [line for line in lines if line.startswith(\"cpu \")][0]\n parts = cpu_line.split()\n user = int(parts[1])\n nice = int(parts[2])\n system = int(parts[3])\n idle = int(parts[4])\n iowait = int(parts[5])\n irq = int(parts[6])\n softirq = int(parts[7])\n steal = int(parts[8])\n\n total_cpu_time = user + nice + system + idle + iowait + irq + softirq + steal\n active_cpu_time = user + nice + system + iowait + irq + softirq + steal\n \n # \u0130lk okuma\n time.sleep(1)\n\n with open(\"\/proc\/stat\", \"r\") as f:\n lines = f.readlines()\n cpu_line_2 = [line for line in lines if line.startswith(\"cpu \")][0]\n parts_2 = cpu_line_2.split()\n user_2 = int(parts_2[1])\n nice_2 = int(parts_2[2])\n system_2 = int(parts_2[3])\n idle_2 = int(parts_2[4])\n iowait_2 = int(parts_2[5])\n irq_2 = int(parts_2[6])\n softirq_2 = int(parts_2[7])\n steal_2 = int(parts_2[8])\n\n total_cpu_time_2 = user_2 + nice_2 + system_2 + idle_2 + iowait_2 + irq_2 + softirq_2 + steal_2\n active_cpu_time_2 = user_2 + nice_2 + system_2 + iowait_2 + irq_2 + softirq_2 + steal_2\n\n delta_total = total_cpu_time_2 - total_cpu_time\n delta_active = active_cpu_time_2 - active_cpu_time\n\n cpu_usage_percent = (delta_active \/ delta_total) * 100 if delta_total > 0 else 0\n\n # Basit bir g\u00fc\u00e7 tahmini: %100 CPU kullan\u0131m\u0131 i\u00e7in 10W varsayal\u0131m.\n # Bu de\u011fer, kullan\u0131lan CPU modeline g\u00f6re ayarlanmal\u0131d\u0131r.\n estimated_power_watts = (cpu_usage_percent \/ 100.0) * 10.0 \n return estimated_power_watts\n except Exception as e:\n print(f\"CPU g\u00fc\u00e7 tahmini al\u0131n\u0131rken hata olu\u015ftu: {e}\")\n return 0.0\n\nif __name__ == \"__main__\":\n print(\"Canl\u0131 CPU G\u00fc\u00e7 T\u00fcketimi Tahmini (1 saniye aral\u0131klarla):\")\n try:\n while True:\n power = get_cpu_power_estimate()\n print(f\"Anl\u0131k CPU G\u00fc\u00e7 T\u00fcketimi: {power:.2f} Watt\")\n time.sleep(1) # Daha s\u0131k veri i\u00e7in bu de\u011feri d\u00fc\u015f\u00fcrebilirsiniz\n except KeyboardInterrupt:\n print(\"\\n\u00c7\u0131k\u0131\u015f yap\u0131l\u0131yor.\")\n <\/code><\/pre>\n<\/p><\/div>\n\/proc\/stat<\/code> dosyas\u0131ndan CPU kullan\u0131m\u0131n\u0131 okuyarak yakla\u015f\u0131k bir g\u00fc\u00e7 t\u00fcketimi de\u011feri hesaplar. Ger\u00e7ek BitRun v0.2 uygulamas\u0131, elbette daha hassas donan\u0131m entegrasyonlar\u0131 veya platforma \u00f6zel API’ler kullanarak \u00e7ok daha do\u011fru g\u00fc\u00e7 verileri elde edecektir. Ancak temel prensip ayn\u0131d\u0131r: veriyi topla, i\u015fle ve kullan\u0131c\u0131ya anlaml\u0131 bir \u015fekilde sun. Bu sayede, 1-Bit LLM’lerinizin enerji performans\u0131n\u0131 detayl\u0131 bir \u015fekilde anlayabilir ve verimliliklerini s\u00fcrekli olarak iyile\u015ftirebilirsiniz.<\/p>\nUygulamal\u0131 Geli\u015ftirme S\u00fcreci: BitRun Kokpitini Ad\u0131m Ad\u0131m Olu\u015fturmak<\/h3>\n
\n
rich<\/code> k\u00fct\u00fcphanesini tercih ettik. rich<\/code>, curses<\/code>‘e g\u00f6re daha modern, daha kolay kullan\u0131labilir bir API sunarken, renkli metinler, ilerleme \u00e7ubuklar\u0131, tablolar ve hatta canl\u0131 g\u00fcncellenen d\u00fczenler gibi geli\u015fmi\u015f \u00f6zelliklerle zengin bir terminal deneyimi sa\u011fl\u0131yor. Veri toplama ve i\u015fleme i\u00e7in psutil<\/code> (sistem metrikleri i\u00e7in), smbus<\/code> (I2C sens\u00f6rleri i\u00e7in) ve \u00f6zel olarak yaz\u0131lm\u0131\u015f g\u00fc\u00e7 sens\u00f6r\u00fc s\u00fcr\u00fcc\u00fcleri kullan\u0131ld\u0131.<\/li>\n\n
time.perf_counter()<\/code> gibi Python fonksiyonlar\u0131yla \u00f6l\u00e7\u00fclerek saniye ba\u015f\u0131na token \u00fcretimi hesaplanabilir.<\/li>\npsutil<\/code> k\u00fct\u00fcphanesi kullan\u0131larak CPU kullan\u0131m\u0131, bellek t\u00fcketimi, disk G\/\u00c7 (I\/O) ve a\u011f trafi\u011fi gibi genel sistem metrikleri topland\u0131. Bu veriler, LLM’nin sistem \u00fczerindeki genel etkisini anlamak i\u00e7in \u00f6nemlidir.<\/li>\n\n
smbus<\/code> k\u00fct\u00fcphanesi, bu sens\u00f6rlerle ileti\u015fim kurmak ve voltaj\/ak\u0131m de\u011ferlerini okumak i\u00e7in kullan\u0131ld\u0131. Okunan de\u011ferler, G\u00fc\u00e7 (Watt) = Voltaj (Volt) * Ak\u0131m (Amper)<\/code> form\u00fcl\u00fcyle anl\u0131k g\u00fcce d\u00f6n\u00fc\u015ft\u00fcr\u00fcld\u00fc.<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<\/li>\nrich<\/code> k\u00fct\u00fcphanesi ile kokpitin g\u00f6rsel yap\u0131s\u0131 olu\u015fturuldu.\n\n
rich.layout.Layout<\/code> kullan\u0131larak ekran farkl\u0131 panellere (LLM durumu, sistem metrikleri, g\u00fc\u00e7 telemetrisi grafi\u011fi, loglar) b\u00f6l\u00fcnd\u00fc.<\/li>\nrich.panel.Panel<\/code> i\u00e7inde \u00f6zel \u00e7izim fonksiyonlar\u0131 geli\u015ftirildi. Bu fonksiyonlar, terminalin karakter tabanl\u0131 yap\u0131s\u0131n\u0131 kullanarak basit ama etkili grafikler olu\u015fturdu.<\/li>\nrich.table.Table<\/code> ve uzun s\u00fcren i\u015flemler i\u00e7in rich.progress.Progress<\/code> kullan\u0131ld\u0131.<\/li>\nq<\/code> tu\u015fuyla \u00e7\u0131k\u0131\u015f yapmak veya r<\/code> tu\u015fuyla verileri manuel yenilemek gibi.<\/li>\n<\/ul>\n<\/li>\nrich<\/code> k\u00fct\u00fcphanesinin sa\u011flad\u0131\u011f\u0131 esneklik, terminal aray\u00fcz\u00fcn\u00fc geli\u015ftirme s\u00fcrecini olduk\u00e7a h\u0131zland\u0131rd\u0131 ve sonu\u00e7 olarak hem estetik hem de i\u015flevsel a\u00e7\u0131dan tatmin edici bir \u00fcr\u00fcn ortaya \u00e7\u0131kt\u0131. A\u015fa\u011f\u0131da, BitRun’\u0131n ana d\u00f6ng\u00fcs\u00fcnden ve rich<\/code> ile temel bir panelin nas\u0131l olu\u015fturulaca\u011f\u0131ndan bir kesit g\u00f6steren basitle\u015ftirilmi\u015f bir \u00f6rnek bulunmaktad\u0131r:<\/p>\n\nfrom rich.live import Live\nfrom rich.panel import Panel\nfrom rich.layout import Layout\nfrom rich.table import Table\nimport time\nimport random\n\ndef generate_power_data():\n \"\"\"Rastgele g\u00fc\u00e7 verisi \u00fcreten \u00f6rnek fonksiyon.\"\"\"\n return round(random.uniform(0.5, 3.0), 2) # 0.5 ile 3.0 Watt aras\u0131\n\ndef make_layout() -> Layout:\n \"\"\"Terminal d\u00fczenini olu\u015fturur.\"\"\"\n layout = Layout(name=\"root\")\n layout.split(\n Layout(name=\"header\", size=3),\n Layout(name=\"body\", ratio=1)\n )\n layout[\"body\"].split_row(\n Layout(name=\"left_panel\", ratio=1),\n Layout(name=\"right_panel\", ratio=1)\n )\n return layout\n\ndef make_header_panel() -> Panel:\n \"\"\"Ba\u015fl\u0131k panelini olu\u015fturur.\"\"\"\n return Panel(\"[bold green]BitRun v0.2 - 1-Bit LLM Kokpiti[\/bold green]\\n\"\n \"[dim white]Canl\u0131 G\u00fc\u00e7 Telemetrisi ve Performans \u0130zleme[\/dim white]\",\n border_style=\"green\")\n\ndef make_llm_status_table() -> Table:\n \"\"\"LLM durumu tablosunu olu\u015fturur.\"\"\"\n table = Table(\"Metrik\", \"De\u011fer\", title=\"LLM Durumu\", border_style=\"blue\")\n table.add_row(\"Model Ad\u0131\", \"BitLLM-Tiny\")\n table.add_row(\"\u00c7\u0131kar\u0131m H\u0131z\u0131\", f\"{random.randint(5, 15)} token\/sn\")\n table.add_row(\"Do\u011fruluk\", \"92.5%\")\n table.add_row(\"Son \u0130\u015flem\", \"2 saniye \u00f6nce\")\n return table\n\ndef make_power_graph_panel(power_history: list) -> Panel:\n \"\"\"G\u00fc\u00e7 grafi\u011fi panelini olu\u015fturur.\"\"\"\n if not power_history:\n return Panel(\"[red]G\u00fc\u00e7 verisi bekleniyor...[\/red]\", border_style=\"red\")\n\n max_power = max(power_history) if power_history else 0\n min_power = min(power_history) if power_history else 0\n current_power = power_history[-1] if power_history else 0\n\n graph_height = 8\n graph_width = 40\n \n # Basit ASCII grafik \u00e7izimi\n graph_str = \"\"\n if len(power_history) > 1:\n # Normalize edilmi\u015f de\u011ferler \u00fczerinden grafik \u00e7izimi\n normalized_history = []\n if max_power - min_power > 0:\n normalized_history = [(p - min_power) \/ (max_power - min_power) for p in power_history[-graph_width:]]\n else:\n normalized_history = [0.5] * len(power_history[-graph_width:]) # T\u00fcm de\u011ferler ayn\u0131ysa ortada g\u00f6ster\n\n for h in range(graph_height - 1, -1, -1):\n line = \"\"\n for val in normalized_history:\n if val * graph_height >= h:\n line += \"\u2588\"\n else:\n line += \" \"\n graph_str += line + \"\\n\"\n else:\n graph_str = \" \" * graph_width + \"\\n\" * graph_height # Bo\u015f grafik\n\n graph_str = graph_str.strip()\n\n return Panel(f\"[bold yellow]Canl\u0131 G\u00fc\u00e7 T\u00fcketimi (Watt)[\/bold yellow]\\n\"\n f\"[dim white]Mevcut: {current_power:.2f}W | Ort: {sum(power_history)\/len(power_history):.2f}W[\/dim white]\\n\"\n f\"[dim]Min: {min_power:.2f}W | Max: {max_power:.2f}W[\/dim]\\n\"\n f\"\\n{graph_str}\",\n border_style=\"yellow\")\n\nif __name__ == \"__main__\":\n layout = make_layout()\n power_history = []\n\n with Live(layout, screen=True, refresh_per_second=4) as live:\n while True:\n # Veri toplama\n current_power = generate_power_data()\n power_history.append(current_power)\n if len(power_history) > 60: # Son 60 saniyelik veriyi tut\n power_history.pop(0)\n\n # D\u00fczen g\u00fcncellemeleri\n layout[\"header\"].update(make_header_panel())\n layout[\"left_panel\"].update(make_llm_status_table())\n layout[\"right_panel\"].update(make_power_graph_panel(power_history))\n \n time.sleep(0.25) # Canl\u0131 g\u00fcncelleme h\u0131z\u0131\n <\/code><\/pre>\n<\/p><\/div>\nrich<\/code> k\u00fct\u00fcphanesini kullanarak basit bir terminal kokpiti d\u00fczeninin nas\u0131l olu\u015fturulaca\u011f\u0131n\u0131, rastgele g\u00fc\u00e7 verilerinin nas\u0131l topland\u0131\u011f\u0131n\u0131 ve bu verilerin nas\u0131l g\u00f6rselle\u015ftirildi\u011fini g\u00f6stermektedir. Ger\u00e7ek BitRun v0.2, elbette \u00e7ok daha fazla metri\u011fi, daha geli\u015fmi\u015f grafik ve etkile\u015fim \u00f6zelliklerini bar\u0131nd\u0131r\u0131r, ancak temel prensip bu \u00f6rnekteki gibidir.<\/p>\n\u0130leri D\u00fczey Optimizasyonlar ve Gelecek Vizyonu<\/h3>\n
Tahminsel Analiz ve Dinamik Kaynak Y\u00f6netimi<\/h4>\n
Uzaktan Y\u00f6netim ve G\u00fcvenlik Protokolleri<\/h4>\n
Donan\u0131m H\u0131zland\u0131rma ve \u00d6zel Entegrasyonlar<\/h4>\n
Sonu\u00e7: BitRun v0.2 ile Yapay Zekada Yeni Bir D\u00f6nem<\/h3>\n
rich<\/code> gibi modern TUI k\u00fct\u00fcphanelerinin esnekli\u011fi sayesinde, BitRun v0.2, hem teknik k\u0131s\u0131tlamalar\u0131 a\u015fan hem de kullan\u0131c\u0131 deneyimini \u00f6n planda tutan bir \u00e7\u00f6z\u00fcm sunmaktad\u0131r. Tahminsel analiz, dinamik kaynak y\u00f6netimi, geli\u015fmi\u015f g\u00fcvenlik protokolleri ve \u00f6zel donan\u0131m entegrasyonlar\u0131 gibi gelecek vizyonlar\u0131, BitRun’\u0131n sadece bir izleme arac\u0131 olmaktan \u00f6te, 1-Bit LLM ekosisteminin aktif bir optimizasyon motoru haline gelme potansiyelini g\u00f6stermektedir.<\/p>\nS\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
\n