smaple.tr
Yapay Zeka ve Veri

MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu

Mehmet Kurtipek
10 Ağustos 2026
14 dk okuma
Yapay Zeka ve Veri
MLOps
MLflow
Makine öğrenmesi
KVKK

MLOps (Machine Learning Operations, makine öğrenmesi operasyonları), bir makine öğrenmesi modelini notebook'tan canlı ortama taşıyan ve orada işe yarar kalmasını sağlayan pratiklerin toplamıdır: veri ile kodun birlikte sürümlenmesi, her eğitim çalıştırmasının kaydı, canlıda hangi model sürümünün çalışacağını belirleyen bir model kayıt defteri (model registry), her yayından önce otomatik kontroller ve yayından sonra izleme. Kısaca DevOps'un makine öğrenmesine uyarlanmış halidir; fark, sistemin davranışını kodun yanında verinin ve eğitilmiş modelin de değiştirmesinden gelir.

Küçük bir ekip için hangi aracı seçtiğinizden çok işleri hangi sırayla yaptığınız önemlidir. Önce eğitimi tekrarlanabilir hale getirin, sonra çalıştırmaları kaydedip modelleri kayıt defterine alın, daha kötü bir modelin canlıya çıkmasını engelleyen bir kalite kapısı ekleyin, modeli en basit yoldan servis edin ve izleyin. Otomatik yeniden eğitim en sona kalır; birçok üründe hiç gerekmez.

Örnekleri MLflow 3.17 (Ekim 2026'daki güncel sürüm) ve DVC ile yazdık. Bir örnek müşterilerimiz için geliştirdiğimiz bir projeden geliyorsa hangi proje olduğunu belirttik.

MLOps, DevOps'a ne ekler?

Sıradan bir yazılımda davranış, biri kodu değiştirdiğinde değişir. Bir modelin davranışını ise veri de değiştirir; üstelik veri, ortada bir commit ya da kod incelemesi olmadan değişir. Türkiye'den tanıdık bir örnek: sepet tutarı, gelir ya da fatura tutarı gibi TL cinsinden özelliklerle eğitilmiş bir modelde, fiyatlar enflasyonla yükseldikçe modelin "yüksek tutar" diye öğrendiği eşikler anlamını yitirir. Kod değişmemiştir, loglarda hata yoktur; model ise hâlâ geçen yılın fiyatlarına göre karar verir.

Bu yüzden MLOps, alışılmış DevOps araç setine üç şey ekler: kodun yanında verinin ve modelin de sürümlenmesi, yayın öncesi testlerin parçası olarak model değerlendirmesi ve uptime ile hata oranının yanında girdilerin ve tahminlerin izlenmesi.

Google Cloud'un MLOps mimari dokümanı üç seviye tanımlar. 0. seviyede her adım elle, çoğunlukla notebook'larda yapılır ve eğitilen model, canlıya alınması için mühendislere teslim edilir; Google bu seviyedeki bir ekibin yılda ancak birkaç kez yeni model sürümü çıkardığını varsayar. 1. seviyede eğitim hattı (pipeline) otomatikleşir ve model, kimse hücre çalıştırmadan yeniden eğitilip yayına alınabilir. Google buna sürekli eğitim (continuous training) diyor. 2. seviye ise hattın kendi kodu için CI/CD ekler.

Bir ya da birkaç modeli olan bir ürün için düzgün işleyen bir 1. seviye makul bir hedeftir. 2. seviye, birkaç kişinin her hafta hat kodunu değiştirdiği ekiplerde karşılığını verir. Olgunluk değerlendirmesi, model dokümantasyonu ve mevzuat tarafını MLOps olgunluğu ve yapay zeka yönetişimi yazımızda ele aldık.

MLOps ne zaman gerekir, ne zaman gerekmez?

Aşağıda anlatılanların çoğuna şu durumlarda ihtiyacınız olur:

  • Model belli aralıklarla ya da yeni veri geldikçe yeniden eğitiliyor.
  • Modeli birden fazla kişi eğitiyor, inceliyor ya da canlıya alıyor.
  • Tahminler parayı ya da insanları etkiliyor (kredi, fiyatlama, sağlık, işe alım).
  • İleride biri "bu kararı hangi model, hangi veriyle verdi?" diye sorabilir. KVKK'nın 11. maddesi, verileri münhasıran otomatik sistemlerle analiz edilen kişiye, aleyhine çıkan sonuca itiraz hakkı tanıyor; böyle bir itiraza cevap verebilmek için hangi kararın hangi model sürümünden çıktığını kayıt altında tutmanız gerekir.

Model bir kez eğitilip sonra pek değiştirilmiyorsa çok daha azı yeter. Paket sürümleri sabitlenmiş bir ortam, kaydedilmiş model dosyası, veri snapshot'ı ve modelin nasıl yeniden üretileceğini anlatan bir README böyle bir model için yeterli olabilir. Bir sağlayıcının API üzerinden sunduğu LLM'i kullanıyorsanız eğitim hattına da gerek yoktur; o durumun kendi ihtiyaçlarını aşağıda ayrıca ele aldık.

Sistemin gerçekten makine öğrenmesi olup olmadığına da bakmak gerekir. Müşterimiz Oplist, hastanelerin nöbet çizelgelerini matematiksel bir optimizasyon modeliyle (Python ile yazılmış bir MILP çözücüsü) oluşturuyor. Ortada eğitilen bir model olmadığı için takip edilecek bir eğitim çalıştırması da, yeniden eğitilecek bir şey de yok. Çözücü, web uygulamasıyla birlikte kodun geri kalanı gibi sürüm sürüm yayına alınıyor.

Adım 1: Eğitimi tekrarlanabilir hale getirin

Bir modelin hangi commit'ten, hangi veri sürümünden, hangi parametrelerle ve hangi ortamda üretildiğini gösterebiliyor, bunlardan eşdeğer bir modeli yeniden üretebiliyorsanız o eğitim tekrarlanabilirdir. Pratikte bunun için ortamı sabitleyen bir lock dosyası ya da konteyner imajı, sabit seed değerleri (random seed) ve bir kez yazıldıktan sonra hiç değişmeyen veri sürümleri gerekir.

Veri tarafında en yaygın açık kaynak araç DVC. Küçük meta veri dosyalarını Git'te, verinin kendisini S3 gibi uzak bir depolamada tutar; hattı da bir dvc.yaml dosyası tanımlar. dvc repro yalnızca girdisi değişen aşamaları yeniden çalıştırır, dvc.lock ise kullanılan her girdinin ve çıktının özetini (hash) kaydeder:

stages:
  prepare:
    cmd: python src/prepare.py   # zamana göre bölme: train, valid, holdout
    deps:
      - src/prepare.py
      - data/raw/customers.parquet
    outs:
      - data/prepared
  train:
    cmd: python src/train.py
    deps:
      - src/train.py
      - data/prepared
    params:
      - train.learning_rate
      - train.max_depth
    outs:
      - candidate.txt:
          cache: false

DVC size fazla geliyorsa, kimsenin üzerine yazmadığı tarihli snapshot'lar (nesne depolamada training/2026-10-01/ gibi bir klasör ya da veri ambarında tarihli bir tablo) işin büyük kısmını görür. Önemli olan, her modelin arkasındaki verinin sonradan değişememesi.

KVKK açısından gözden kaçan bir nokta var: her veri sürümü bir kopyadır. 6698 sayılı Kanun'un 7. maddesi, işlenme sebebi ortadan kalkan kişisel verinin silinmesini, yok edilmesini ya da anonim hale getirilmesini istiyor ve bu yükümlülük eski veri sürümlerindeki kopyalar için de geçerli. DVC'nin uzak deposundan veri silmek (dvc gc --cloud) geri alınamaz ve o veriyle eğitilmiş eski modelleri yeniden üretmeyi imkânsız hale getirir. Eğitim için gerekmeyen doğrudan tanımlayıcıları (T.C. kimlik numarası, telefon, ad soyad) snapshot alınmadan önce ayıklayın ve sürümlerin ne kadar saklanacağını en baştan belirleyin.

Adım 2: Çalıştırmaları kaydedin, modelleri kayıt defterine alın

Bu iş için en yaygın açık kaynak seçenek MLflow. Kendi sunucunuzda çalıştırabilir ya da Databricks, Amazon SageMaker AI veya Azure Machine Learning içindeki yönetilen sürümlerini kullanabilirsiniz. Eğitim betiğini MLFLOW_TRACKING_URI ortam değişkeniyle sunucuya yönlendirin. Aşağıdaki betik parametreleri ve bir doğrulama metriğini kaydediyor, ardından modeli tek bir log_model çağrısıyla hem kaydedip hem de kayıt defterine ekliyor:

import mlflow
import pandas as pd
import yaml
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.metrics import roc_auc_score

params = yaml.safe_load(open("params.yaml"))["train"]
train = pd.read_parquet("data/prepared/train.parquet")
valid = pd.read_parquet("data/prepared/valid.parquet")
X, y = train.drop(columns=["label"]), train["label"]

mlflow.set_experiment("churn")
with mlflow.start_run():
    model = HistGradientBoostingClassifier(**params, random_state=42).fit(X, y)
    proba = model.predict_proba(valid.drop(columns=["label"]))[:, 1]
    mlflow.log_params(params)
    mlflow.log_metric("valid_auc", roc_auc_score(valid["label"], proba))
    info = mlflow.sklearn.log_model(
        model,
        name="model",
        input_example=X.head(5),
        registered_model_name="churn-model",
        skops_trusted_types=[
            "sklearn.ensemble._hist_gradient_boosting.predictor.TreePredictor"
        ],
    )

with open("candidate.txt", "w") as f:
    f.write(str(info.registered_model_version))

skops_trusted_types satırının sebebi şu: güncel MLflow, scikit-learn modellerini pickle yerine skops formatında kaydediyor ve kaydettiği dosyanın yalnızca güvenilir olarak işaretlenmiş tiplerle açılabildiğini kontrol ediyor. Bu örnekteki gibi ağaç tabanlı modeller, skops'un varsayılan olarak güvenmediği bir tip içerir; bu satır olmadan log_model "untrusted types" hatasıyla durur. Listeye yalnızca güvendiğiniz kütüphanelerin tiplerini yazın.

Kayıt defterindeki her model numaralı sürümler alır. Canlıdaki sürümü nasıl işaretleyeceğiniz konusunda internetteki örneklerin çoğu artık eskidi. Model aşamaları (Staging, Production, Archived), Aralık 2023'te çıkan MLflow 2.9'dan beri kullanımdan kaldırılmış (deprecated) durumda ve MLflow dokümantasyonu bunların yerine alias ve etiket (tag) kullanılmasını öneriyor. Alias, bir sürüme verilen ve istendiğinde başka sürüme taşınabilen bir isimdir. Servis kodu modeli models:/churn-model@champion adresinden yükler, en yeni aday @challenger alias'ını taşır. Geri dönmek (rollback) için champion alias'ını önceki sürüme çevirip servisi yeniden başlatmanız yeterli; ne modeli yeniden eğitmeniz ne de imajı yeniden üretmeniz gerekir.

Tracking sunucusu modellerinizi ve çoğu zaman depolama erişim bilgilerinizi tutar; güvenliğini canlıdaki bir veritabanı kadar ciddiye alın. Varsayılan ayarda kimlik doğrulama yoktur: yerleşik basic auth'u açın (mlflow server --app-name basic-auth) ya da sunucuyu şirketinizin SSO proxy'sinin arkasına koyun ve internete açmayın. Sürümünü güncel tutmak da bunun parçası. MLflow'un webhook gönderimindeki SSRF açığı CVE-2026-64849 kritik (CVSS 9.3) olarak derecelendirildi ve 3.3 ile 3.14 arasındaki sürümleri etkiliyordu. Düzeltme 3.15.0 ile geldi; IPv6 adresleri üzerinden kalan atlatma yollarını ise 3.16.0 kapattı, yani en az 3.16 kullanın.

Adım 3: Daha kötü modeli durduran bir kalite kapısı ekleyin

Kötü bir modelin canlıya çıkmasını asıl engelleyen adım bu. Yeni sürüm canlıya alınmadan önce bir betik onu ve mevcut champion'ı aynı test verisiyle (holdout) puanlar; aday daha kötüyse süreci durdurur. Test verisini, iki modelin de eğitimde görmediği en son dönemden alın.

import sys

import mlflow
import pandas as pd
from mlflow import MlflowClient
from sklearn.metrics import roc_auc_score

MODEL = "churn-model"
MAX_DROP = 0.005  # adayın champion'dan en fazla ne kadar kötü olabileceği

version = open("candidate.txt").read().strip()
holdout = pd.read_parquet("data/prepared/holdout.parquet")
X, y = holdout.drop(columns=["label"]), holdout["label"]


def auc(v):
    model = mlflow.sklearn.load_model(f"models:/{MODEL}/{v}")
    return roc_auc_score(y, model.predict_proba(X)[:, 1])


client = MlflowClient()
champion = client.get_registered_model(MODEL).aliases.get("champion")
new = auc(version)
old = auc(champion) if champion else None  # None: ilk model, henüz karşılaştıracak bir şey yok

client.set_model_version_tag(MODEL, version, "holdout_auc", f"{new:.4f}")
if old is not None and new < old - MAX_DROP:
    sys.exit(f"v{version}: AUC {new:.4f} < champion v{champion} {old:.4f}, durduruldu")
client.set_registered_model_alias(MODEL, "challenger", version)
print(f"v{version} kapıdan geçti (AUC {new:.4f}), yeni challenger bu sürüm")

Betik, champion'ı yüklemeyi deneyip hatayı yakalamak yerine alias'ı kayıt defterinden okuyor. Yüklemenin etrafına konan geniş bir except, artifact deposundaki bir kesintiyi ya da yetki hatasını da yutar ve aday, ilk modelmiş gibi kapıdan geçer.

dvc pull, dvc repro ve python src/gate.py komutlarını zamanlanmış bir CI işinden çalıştırın; MLflow erişim bilgilerini secret olarak verin (MLFLOW_TRACKING_USERNAME, MLFLOW_TRACKING_PASSWORD). İş akışı tarafını GitHub Actions ve CI/CD yazımızda anlattık. Son adımı, yani challenger'ı champion yapmayı, başlangıçta bir insana bırakın. Bu tek bir set_registered_model_alias çağrısı ya da MLflow arayüzünde bir tıklama; kapının kararlarına güvenmeye başladığınızda bunu da otomatikleştirebilirsiniz.

Kapıyı iki ekleme çok daha kullanışlı hale getirir. Birincisi, metriği gerilemenin en çok can yakacağı bir iki kırılımda da hesaplayın (yeni müşteriler, küçük bir bölge, seyrek görülen bir sınıf), çünkü genel ortalama bunları gizleyebilir. İkincisi, MLflow'un her sürümle sakladığı girdi imzasını (signature) champion'ınkiyle karşılaştıran bir kontrol ekleyin; farklı kolon ya da tip bekleyen bir aday canlıya ulaşmadan burada takılsın.

Adım 4: Modeli en basit yoldan servis edin

Tahminler önceden hesaplanabiliyorsa önceden hesaplayın. Her gece @champion'ı yükleyen, bütün müşterileri puanlayıp sonucu bir tabloya yazan bir toplu (batch) iş, ayakta tutulacak bir endpoint ya da tutturulacak bir gecikme hedefi getirmez.

Tahmin istek anında gerekiyorsa, champion'ı açılışta yükleyen küçük bir API servisi (Python'da FastAPI yaygın bir seçim) çoğu zaman yeterlidir. MLflow da kayıtlı bir modeli mlflow models serve ile doğrudan servis edebiliyor. Zaten SageMaker, Vertex AI ya da Azure Machine Learning kullanıyorsanız yönetilen endpoint'ler konteyner işini sizin yerinize üstlenir. KServe gibi Kubernetes tabanlı servis çözümleri, şirketiniz Kubernetes'i zaten işletiyorsa mantıklıdır; tek başına Kubernetes'e geçmek için iyi bir gerekçe sayılmaz.

Bu aşamada en zor fark edilen hata eğitim-servis farkıdır (training-serving skew): aynı işi iki ayrı kod parçası yaptığı için servis anında hesaplanan özellikler, eğitimde hesaplananlardan biraz farklı çıkar. Özellikleri hesaplayan kodu tek bir modülde toplayıp hem eğitimde hem serviste onu kullanın, servis ettiğiniz özellikleri de loglayın; böylece sonradan eğitim verisiyle karşılaştırabilirsiniz.

Adım 5: İzleyin, yeniden eğitime sonra karar verin

İzlenecek üç katman var; aşağıdaki sıra kabaca gereken emeğe göre.

İlk katman servisin kendisi: gecikme, hata oranı ve işlem hacmi, tıpkı diğer API'lerde olduğu gibi.

İkincisi girdiler: eksik değerler, aralık dışı değerler ve eğitim verisinden uzaklaşan dağılımlar. İstatistiksel testlerden önce basit kontrollerle başlayın. Muhasebe için yapay zeka asistanı geliştiren Londralı fintek Jenesys AI ekibine katılan mühendisimiz, çıkarılan temel alanlar (kategori, KDV oranı, izleme kategorisi) boş geldiğinde uyarı üreten kontroller geliştirdi; bu kayıtlar artık sessizce geçip gitmiyor. Dağılım kayması (data drift) için açık kaynak Evidently kütüphanesi yöntemi veri boyutuna göre seçiyor: referans verisi 1.000 satıra kadarsa Kolmogorov-Smirnov ya da ki-kare testi, daha büyükse Wasserstein mesafesi ya da Jensen-Shannon ıraksaması. Mesafe ölçüleri için varsayılan kayma eşiği 0,1.

Üçüncüsü tahminlerin kendisi. Gerçek sonuçlar geldiğinde (çoğu zaman günler ya da haftalar sonra) kapının kullandığı metriğin aynısını hesaplayın. O zamana kadar tahmin dağılımındaki bir kayma, alabileceğiniz en erken uyarıdır.

Yeniden eğitimi verinizin değişme hızına uyan bir takvimle yapın ve her yeni modeli aynı kapıdan geçirin. Kayma uyarısını kalite metriğine bakmak için bir sebep sayın; yeniden eğitime metrik karar versin. Kullanıcılar modelin çıktısını düzeltiyorsa bu düzeltmeleri etiketli veri olarak saklayın. Jenesys'te müşterilerin yaptığı düzeltmeler, modellerin öğrendiği depoya geri aktarılıyor.

Model, sizin eğitmediğiniz bir LLM ise

Bugün yapay zeka özelliklerinin çoğu kendi modelini eğitmek yerine bir sağlayıcının dil modelini API üzerinden çağırıyor. Bu durumda eğitim hattı ortadan kalkar, MLOps'un geri kalanı yerinde durur ve ağırlık değerlendirmeye kayar.

Prompt'ları modeller gibi sürümleyin. MLflow 3'teki prompt kayıt defteri aynı alias mantığıyla çalışıyor: uygulama prompt'u prompts:/ticket-extraction@production adresinden yükler, prompt değişikliği de diğer değişiklikler gibi incelemeden geçer. Gerçek girdilerden ve her biri için beklediğiniz çıktıdan oluşan bir değerlendirme seti tutun; her prompt ve model değişikliğinde bu seti çalıştırın.

Kullandığınız model sürümünü sabitleyin ve onu kendi takviminize göre değil, sağlayıcının takvimine göre değiştirmek zorunda kalacağınızı bilin. Örneğin Anthropic, herkese açık bir modeli kapatmadan en az 60 gün önce haber veriyor: Claude Sonnet 4.5, 30 Eylül 2026'da kullanımdan kaldırıldı (deprecated) ve 30 Kasım 2026'dan itibaren bu modele giden istekler hata verecek. Elinizde bir değerlendirme seti varsa, duyuru geldiği hafta seti önerilen yeni modelle çalıştırıp hangi örneklerde sonucun değiştiğini görebilirsiniz.

Prompt'larla kişisel veri gönderiyorsanız verinin nereye gittiğine bakın. Yurt dışında barındırılan bir LLM API'sine kişisel veri göndermek, KVKK'nın 9. maddesi anlamında yurt dışına aktarımdır. 2024 değişikliğinden sonra, yeterlilik kararı yoksa standart sözleşme gibi uygun güvencelerden birine dayanmanız gerekiyor; standart sözleşme de imzadan sonraki beş iş günü içinde Kişisel Verileri Koruma Kurumu'na bildirilmeli. Mümkünse kişisel veriyi prompt'a hiç koymayın.

Hız sınırları ve kesintiler için de bir planınız olsun. Bir otomasyon ajansı iş ortağıyla birlikte Kanada'daki bir petrol sahası hizmet şirketi için kurduğumuz saha fişi otomasyonu, Gmail'e gelen günde yaklaşık 100 PDF fişi bir LLM ile okuyor. LLM adımları bozulduğunda sebep çoğunlukla API'nin hız sınırlarıydı (HTTP 429). Çözüm alternatif modellere geçmek (fallback) oldu: bir model sınıra takıldığında fiş başka bir modelle işleniyor.

Çıktıları zaten inceleyen insanlar, elinizdeki en ucuz değerlendirme kaynağıdır. Bir spor fizyoterapi kliniği için geliştirdiğimiz egzersiz programı üreticisinde antrenörler üretilen programlara olumlu ya da olumsuz oy verebiliyor. 2026'da buna, mantığın geçmiş sporcular üzerinde sınanabilmesi için yapay zeka ile antrenörü karşılaştıran kayıtlar ekliyoruz.

Son olarak modeli bir arayüzün arkasına koyun; değerlendirme setini ve veri hattını ondan bağımsız tutun, çünkü sistemde değiştirmeniz en olası parça modelin kendisi. Jenesys AI için geliştirdiğimiz özel modeller, sonradan genel amaçlı öncü (frontier) modellerin gerisinde kaldı. Egzersiz üreticisinde de kuralları Q-learning ile birleştiren ilk motoru (2023–24), 2025'te kliniğin 1.800'den fazla kayıtlık egzersiz kütüphanesi üzerinde arama (retrieval) yapan bir LLM üreticisi olarak yeniden kurduk.

Hangi aşamada hangi araç?

Canlıya çıkan ilk modellerin çoğu, tablonun sağ sütunundaki hiçbir şeye ihtiyaç duymaz.

İş

Başlangıç

Ne zaman bir üst adıma geçilir

Veri sürümleri

DVC ya da üzerine yazılmayan tarihli snapshot'lar

Veri kopyalanamayacak kadar büyüyünce: lakeFS ya da Delta Lake veya Apache Iceberg'de geçmiş sürümü sorgulama (time travel)

Çalıştırma kaydı ve kayıt defteri

MLflow, kendi sunucunuzda ya da yönetilen

Tek bir bulutun ML platformunda standartlaşmaya karar verdiğinizde

Hattı çalıştırmak

Zamanlanmış bir CI işi

Bağımlılıkları olan çok sayıda adım: Airflow, Prefect, Kubeflow Pipelines

Servis

Toplu iş ya da tek bir API konteyneri

Çok model ya da sıkı gecikme hedefi: yönetilen endpoint'ler, KServe

İzleme

Servis metrikleri ve zamanlanmış bir kayma raporu

Canlıda çok sayıda model: ayrı bir izleme platformu

LLM özellikleri

Repoda değerlendirme seti, prompt kayıt defteri, istek logları

Çok sayıda prompt ve ekip: MLflow'un GenAI özellikleri gibi izleme (tracing) ve değerlendirme araçları

Sık sorulan sorular

MLflow ve DVC'nin ikisi de gerekli mi?

Hayır. İkisi farklı işler görür ve tek başlarına da kullanılabilir. DVC veriyi ve hat aşamalarını Git geçmişinizin yanında sürümler; MLflow ise çalıştırmaları kaydeder ve model kayıt defterini tutar. Birçok ekip DVC yerine tarihli veri snapshot'larıyla birlikte MLflow kullanır. Bunun için her çalıştırmanın hangi snapshot ile eğitildiğini kaydetmesi yeter: bir parametre, bir etiket ya da mlflow.log_input işinizi görür. mlflow.log_input veri setinin adını, kaynağını ve özetini (digest) saklar, verinin kendisini saklamaz.

Veri kayması ile kavram kayması arasındaki fark nedir?

Veri kayması (data drift) girdilerin değişmesidir: yeni bir müşteri kitlesi, yeni bir ürün grubu, değiştirilen bir sensör. Kavram kayması (concept drift) ise girdilerle sonuç arasındaki ilişkinin değişmesidir; girdiler normal görünürken tahminler kötüleşebilir. Yazının başındaki enflasyon örneğinde ikisi birlikte yaşanır: TL tutarlarının dağılımı kayar, aynı tutarın anlamı da değişir. Girdi kayma raporları ilkini yakalar; ikincisini ancak gerçek sonuçlar geldikçe hesapladığınız kalite metriği gösterir.

LLMOps, MLOps'tan farklı bir şey mi?

Büyük ölçüde MLOps'un prompt'lara ve sağlayıcıların sunduğu modellere uygulanmış hali. Eğitim işi küçülür ya da hiç kalmaz; değerlendirme setleri, prompt sürümleme, maliyet takibi ve bir model hata verdiğinde diğerine geçmek gibi işler büyür.

MLOps mühendisi ne yapar?

Modelleri canlıya taşıyan ve orada çalışır halde tutan altyapıyı kurar ve işletir: eğitim hatları, model kayıt defteri, servis ve izleme. Küçük ekiplerde bu çoğu zaman ayrı bir pozisyon olmaz; işi genellikle backend ya da veri mühendisi diğer görevlerinin yanında üstlenir.

Notebook'taki bir modeli canlıya taşımak için destek isterseniz veri ve yapay zeka hizmetlerimize göz atabilirsiniz.

İlgili Makaleler

8 Ağustos 2026

Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?

Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?

Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
5 Ağustos 2026

AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?

AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.

Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?
27 Haziran 2026

MCP Nedir? Model Context Protocol Nasıl Çalışır, Sunucu Nasıl Yazılır

MCP, yapay zeka uygulamalarını araçlara ve verilere bağlayan açık protokol. Nasıl çalıştığını, hazır sunucu bağlamayı, Python ile sunucu yazmayı, güvenlik ve KVKK tarafını anlatıyoruz.

Devamını Oku: MCP Nedir? Model Context Protocol Nasıl Çalışır, Sunucu Nasıl Yazılır