MLOps Olgunluk ve AI Yonetisimi: Kurumsal Yapay Zeka Yonetimi Rehberi [2026]

MLOps ve AI Yonetisimi Neden Kritik?

Yapay zeka projelerinin uretim ortamina tasindigi bir donemde, modellerin gelistirilmesi artik zorlugun yalnizca kucuk bir parcasi. Gercek zorluk, bu modellerin guvenilir sekilde deploy edilmesi, izlenmesi, guncellenmesi ve kurumsal yonetisim cercevesinde yonetilmesidir. Arastirmalar, ML projelerinin yuzde 87'sinin uretim asamasina ulasamadigini gostermektedir. Bu oran, sistematik bir MLOps yaklasiminin neden zorunlu oldugunu acikca ortaya koymaktadir.

MLOps (Machine Learning Operations), makine ogrenimi yasam dongusunun her asamasini otomatiklestiren, standartlastiran ve izlenebilir kilan muhendislik disiplinidir. AI yonetisimi ise bu surecin uzerinde kurumsal politikalar, risk yonetimi ve etik ilkeleri tanimlayan catinin adidir.

MLOps Olgunluk Seviyeleri

Organizasyonlarin MLOps yolculugu belirli olgunluk seviyelerinden gecer. Her seviye, bir oncekinin uzerine insa edilen yetenekleri temsil eder.

Seviye 0: Ad-Hoc (Manuel Surecler)

Bu asamada veri bilimciler Jupyter Notebook ortamlarinda bagimsiz calisir. Model egitimi, degerlendirme ve deploy surecleri tamamen manueldir. Versiyon kontrolu sinirlidir veya yoktur.

• Model egitimi yerel makinelerde gerceklesir
• Deploy sureci betikler veya manuel kopyalama ile yapilir
• Deney takibi spreadsheet veya notlarla yurutulur
• Tekrarlanabilirlik neredeyse imkansizdir

Seviye 1: Tekrarlanabilir Pipeline

Egitim sureci pipeline haline getirilmistir ancak deploy hala manuel tetiklenir. Temel versiyon kontrolu ve deney takibi baslamisitir.

• CI/CD altyapisi ML pipeline'lari icin kullanilir
• MLflow veya benzeri araclarla deney takibi yapilir
• Veri ve model versiyonlama uygulanir
• Egitim ortami standartlastirilmistir

Seviye 2: Otomatik Egitim

Pipeline uçtan uca otomatiktir. Yeni veri geldiginde model otomatik olarak yeniden egitilir ve degerlendirme sonuclarina gore deploy tetiklenir.

• Otomatik yeniden egitim tetikleyicileri aktiftir
• Model performans esikleri tanimlanmistir
• A/B test altyapisi mevcuttur
• Feature store kullanilmaya baslanmistir

Seviye 3: Tam Otomasyon ve Optimizasyon

Tum yasam dongusu otomatik, izlenebilir ve yonetisim cercevesine entegredir. Surekli iyilestirme dongusu aktiftir.

• Otomatik drift tespiti ve mudahale
• Model performans izleme ve uyari sistemleri
• Kurumsal yonetisim politikalarina tam uyum
• Maliyet optimizasyonu ve kaynak yonetimi

Olgunluk Seviyeleri Karsilastirma Tablosu

Kriter	Seviye 0	Seviye 1	Seviye 2	Seviye 3
Egitim Sureci	Manuel	Pipeline	Otomatik tetikleme	Surekli optimizasyon
Deploy	Manuel	Yari-otomatik	Otomatik (onay ile)	Tam otomatik
Deney Takibi	Yok	Temel	Kapsamli	Entegre
Izleme	Yok	Log tabanli	Metrik tabanli	Proaktif
Yonetisim	Yok	Dokumantasyon	Politika tabanli	Tam entegre
Tekrarlanabilirlik	Dusuk	Orta	Yuksek	Tam

Model Yasam Dongusu Yonetimi

Bir ML modelinin yasam dongusu, veri toplama asamasindan emeklilige kadar uzanan kapsamli bir sureci icerir.

Veri Hazirlama ve Feature Engineering

Feature store, ML ozelliklerinin merkezi bir depoda yonetilmesini saglar. Bu yaklasim, ekipler arasi feature paylasimini kolaylastirir ve tutarliligi garanti eder.

# Feast ile Feature Store ornegi
from feast import FeatureStore

store = FeatureStore(repo_path="feature_repo/")

# Feature tanimlama
from feast import Entity, FeatureView, Field
from feast.types import Float32, Int64

musteri = Entity(
    name="musteri_id",
    join_keys=["musteri_id"],
)

musteri_ozellikleri = FeatureView(
    name="musteri_profil",
    entities=[musteri],
    schema=[
        Field(name="toplam_harcama", dtype=Float32),
        Field(name="islem_sayisi", dtype=Int64),
        Field(name="ortalama_sepet", dtype=Float32),
        Field(name="son_aktivite_gun", dtype=Int64),
    ],
    source=musteri_kaynak,
    ttl=timedelta(days=1),
)

# Feature sorgulama (online serving)
features = store.get_online_features(
    features=[
        "musteri_profil:toplam_harcama",
        "musteri_profil:islem_sayisi",
    ],
    entity_rows=[{"musteri_id": 1024}],
).to_dict()

Deney Takibi ve Model Registry

Her deney kaydedilmeli, karsilastirilabilir olmali ve en iyi model versiyonu secilerek uretim ortamina tasinmalidir.

# MLflow ile deney takibi ve model kaydi
import mlflow
from mlflow.tracking import MlflowClient

mlflow.set_experiment("musteri-churn-tahmini")

with mlflow.start_run(run_name="xgboost-v3") as run:
    # Parametreleri kaydet
    mlflow.log_params({
        "n_estimators": 500,
        "max_depth": 6,
        "learning_rate": 0.05,
        "subsample": 0.8,
    })

    # Modeli egit
    model = train_model(X_train, y_train, params)

    # Metrikleri kaydet
    metrics = evaluate_model(model, X_test, y_test)
    mlflow.log_metrics({
        "accuracy": metrics["accuracy"],
        "precision": metrics["precision"],
        "recall": metrics["recall"],
        "f1_score": metrics["f1"],
        "auc_roc": metrics["auc"],
    })

    # Modeli kaydet
    mlflow.xgboost.log_model(
        model,
        artifact_path="model",
        registered_model_name="churn-prediction",
    )

# Model registry uzerinden uretim versiyonu belirleme
client = MlflowClient()
client.transition_model_version_stage(
    name="churn-prediction",
    version=3,
    stage="Production",
)

Model Deploy Stratejileri

Uretim ortamina geciste farkli stratejiler kullanilabilir:

Strateji	Aciklama	Uygun Senaryo
Shadow Deploy	Yeni model paralelde calisir, sonuclar karsilastirilir	Yuksek riskli modeller
Canary Release	Trafigin kucuk yuzdesi yeni modele yonlendirilir	Kademeli gecis
Blue-Green	Iki ortam arasinda anlik gecis	Hizli rollback gereksinimi
A/B Test	Kullanici gruplarina farkli modeller sunulur	Performans karsilastirmasi

Model Izleme ve Drift Tespiti

Uretim ortamindaki modeller zamanla performans kaybi yasayabilir. Bu durum genellikle veri dagilimindan (data drift) veya konsept degisiminden (concept drift) kaynaklanir.

Drift Turleri

Data Drift: Girdi verilerinin dagiliminin egitim verisinden sapmasi. Ornegin, musteri demografisinin degismesi.

Concept Drift: Girdi-cikti iliskisinin degismesi. Ornegin, ekonomik kriz doneminde musteri davranislarinin koklü degisimi.

Feature Drift: Belirli ozelliklerin dagilim veya anlaminin degismesi.

# Evidently AI ile drift tespiti
from evidently.report import Report
from evidently.metric_preset import DataDriftPreset, TargetDriftPreset

# Referans ve guncel veri karsilastirmasi
drift_raporu = Report(metrics=[
    DataDriftPreset(),
    TargetDriftPreset(),
])

drift_raporu.run(
    reference_data=egitim_verisi,
    current_data=uretim_verisi,
)

# Sonuclari kaydet
drift_raporu.save_html("drift_raporu.html")

# Programatik erisim
drift_sonuclari = drift_raporu.as_dict()
dataset_drift = drift_sonuclari["metrics"][0]["result"]["dataset_drift"]

if dataset_drift:
    # Otomatik yeniden egitim tetikle
    trigger_retraining_pipeline()
    send_alert("Data drift tespit edildi - yeniden egitim baslatildi")

Izleme Metrikleri

Kapsamli bir model izleme sistemi asagidaki metrikleri takip etmelidir:

• Performans metrikleri: Accuracy, precision, recall, F1, AUC
• Veri kalitesi: Eksik deger orani, tip uyumsuzluklari, anomaliler
• Operasyonel metrikler: Gecikme suresi (latency), throughput, hata orani
• Is metrikleri: Donusum orani, gelir etkisi, kullanici memnuniyeti
• Adalet metrikleri: Demografik gruplara gore performans farklari

AI Yonetisimi Cercevesi

AI yonetisimi, yapay zeka sistemlerinin sorumlu, seffaf ve hesap verebilir sekilde gelistirilip isletilmesini saglayan kurumsal yapidir.

Yonetisim Bilesentleri

Model Risk Yonetimi: Her modelin risk seviyesi degerlendirilir ve buna uygun kontroller uygulanir.

Risk Seviyesi	Ornek Kullanim	Gerekli Kontroller
Dusuk	Icerik onerisi, arama siralama	Temel izleme, periyodik denetim
Orta	Kredi skorlama, fiyatlandirma	Detayli dokumantasyon, bagimsiz dogrulama
Yuksek	Tibbi teshis, otonom karar	Surekli izleme, insan gozetimi, dis denetim
Kritik	Guvenlik, hukuki karar destek	Tam seffaflik, duzenlleyici onay, surekli denetim

Model Kartlari (Model Cards): Her uretim modeli icin standart dokumantasyon olusturulmalidir:

# model_card.yaml
model_adi: musteri-churn-tahmini-v3
versiyon: 3.2.1
sahip: veri-bilimi-ekibi
olusturma_tarihi: 2026-02-15
son_guncelleme: 2026-03-01

amac:
  aciklama: "Musterilerin 30 gun icinde ayrılma olasiligini tahmin eder"
  hedef_kitle: "Musteri basari ekibi"
  kullanim_senaryosu: "Proaktif musteri tutundurma kampanyalari"

performans:
  metrikler:
    accuracy: 0.89
    precision: 0.85
    recall: 0.82
    f1_score: 0.83
    auc_roc: 0.91
  test_verisi: "2026-Q1 musteri verisi (n=45000)"

sinirlamalar:
  - "6 aydan kisa sureli musterilerde dusuk performans"
  - "Kurumsal musteriler icin ayri model gerektirir"
  - "Mevsimsel etkiler model performansini etkileyebilir"

etik_degerlendirme:
  adalet_analizi: "Yas ve cinsiyet gruplarina gore performans farki %2 altinda"
  olumsuz_etki_riski: "Dusuk - Yalnizca oneri sistemi olarak kullanilir"
  insan_gozetimi: "Kampanya kararlari musteri basari yoneticisi onayi gerektirir"

veri:
  egitim_donemi: "2024-01 - 2025-12"
  ozellik_sayisi: 47
  orneklem_boyutu: 180000
  guncelleme_sikligi: "Haftalik yeniden egitim"

Sorumlu AI Entegrasyonu

Sorumlu AI, yapay zeka sistemlerinin etik ilkelere uygun gelistirilmesini ifade eder. Temel ilkeler sunlardir:

Seffaflik: Model kararlari aciklanabilir olmalidir. SHAP ve LIME gibi araclar, model tahminlerinin arkasindaki nedenleri ortaya koyar.

Adalet: Model, farkli demografik gruplara karsi adil davranmalidir. Egitim verisindeki onyargilar tespit edilmeli ve giderilmelidir.

Gizlilik: Kisisel verilerin korunmasi, veri minimizasyonu ve anonimizasyon teknikleri uygulanmalidir.

Hesap verebilirlik: Her model karari icin sorumluluk zinciri tanimlanmali ve denetim izi tutulmalidir.

EU AI Act ve Duzenleyici Uyum

Avrupa Birligi AI Act, yapay zeka sistemlerini risk temelli bir yaklasimla duzenlemektedir. Turkiye'deki sirketler icin de onemli bir referans noktasidir, ozellikle AB pazarina hizmet veren organizasyonlar icin uyum zorunludur.

Risk Kategorileri

Kabul Edilemez Risk: Sosyal puanlama, bilincsiz manipulasyon gibi uygulamalar yasaklanmistir.

Yuksek Risk: Biyometrik tanimlama, kritik altyapi, egitim, istihdam ve hukuki karar destek sistemleri icin katı gereksinimler vardir.

Sinirli Risk: Seffaflik yukumlulukleri uygulanir. Chatbot ve deepfake gibi sistemler bu kategoridedir.

Minimal Risk: Spam filtreleri, oneri sistemleri gibi dusuk riskli uygulamalar icin ozel gereksinim bulunmaz.

Uyum Gereksinimleri

Yuksek riskli AI sistemleri icin temel gereksinimler:

• Risk yonetim sistemi kurulmasi
• Veri yonetisimi ve kalite kontrolleri
• Teknik dokumantasyon ve kayit tutma
• Seffaflik ve kullanicilara bilgi saglama
• Insan gozetimi mekanizmalari
• Dogruluk, saglamilik ve siber guvenlik

Kurumsal MLOps Mimari Desenleri

Merkezi MLOps Platformu

Buyuk organizasyonlar icin merkezi bir MLOps platformu, tutarlilik ve yonetisim acisindan ideal yaklasimdir.

+------------------------------------------+
|         MLOps Platform Katmani           |
|  +----------+  +----------+  +--------+ |
|  | Feature   |  | Model    |  | Deploy | |
|  | Store     |  | Registry |  | Engine | |
|  +----------+  +----------+  +--------+ |
|  +----------+  +----------+  +--------+ |
|  | Deney     |  | Izleme   |  | Yoneti-| |
|  | Takibi    |  | Sistemi  |  | sim    | |
|  +----------+  +----------+  +--------+ |
+------------------------------------------+
|         Altyapi Katmani                  |
|  Kubernetes | GPU Cluster | Object Store |
+------------------------------------------+
|         Veri Katmani                     |
|  Data Lake | Stream Processing | DWH     |
+------------------------------------------+

Temel Arac Secimi

Katman	Acik Kaynak	Bulut Yonetimli
Orkestrasyon	Kubeflow, Airflow	Vertex AI, SageMaker
Deney Takibi	MLflow, Weights & Biases	Neptune, Comet
Feature Store	Feast, Hopsworks	Vertex Feature Store, SageMaker FS
Model Serving	Seldon, BentoML	Vertex Endpoints, SageMaker Endpoints
Izleme	Evidently, Whylogs	Fiddler, Arize
CI/CD	GitHub Actions, GitLab CI	Cloud Build, CodePipeline

Smart Maple olarak Ankara merkezli projelerimizde, kurumsal MLOps platformlarinin tasarimindan uretim ortamina gecisine kadar tum asamalarda deneyim sahibiyiz. Ozellikle finansal hizmetler ve saglik sektorunde yuksek riskli AI sistemlerinin yonetisim cercevelerini olusturma konusunda uzmanlik sunuyoruz.

MLOps Pipeline Ornegi

Uçtan uca bir MLOps pipeline'inin temel adimlari asagidaki gibi yapilandirilabilir:

# mlops-pipeline.yaml (Kubeflow Pipeline tanimi)
apiVersion: argoproj.io/v1alpha1
kind: Workflow
metadata:
  name: churn-prediction-pipeline
spec:
  entrypoint: ml-pipeline
  templates:
    - name: ml-pipeline
      steps:
        - - name: veri-dogrulama
            template: validate-data
        - - name: feature-engineering
            template: compute-features
        - - name: model-egitimi
            template: train-model
        - - name: model-degerlendirme
            template: evaluate-model
        - - name: drift-kontrolu
            template: check-drift
        - - name: model-deploy
            template: deploy-model
            when: "{{steps.model-degerlendirme.outputs.parameters.f1_score}} > 0.80"

Uygulama Yol Haritasi

MLOps olgunlugunu artirmak icin asagidaki asamali yaklasim onerilir:

Ilk 3 Ay: Temel Altyapi

• Versiyon kontrolu ve deney takibi araclarini kurun
• Ilk ML pipeline'ini olusturun
• Model registry yapisini tanimlayin

3-6 Ay: Otomasyon

• CI/CD pipeline'larini ML is akislarina entegre edin
• Otomatik test ve dogrulama adimlarini ekleyin
• Feature store yapisini baslatin
• Temel model izleme mekanizmalarini kurun

6-12 Ay: Yonetisim

• Model risk degerlendirme cercevesini olusturun
• Model kartlari ve dokumantasyon standartlarini tanimlayin
• Drift tespiti ve otomatik mudahale mekanizmalarini kurun
• Duzenleyici uyum gereksinimlerini karsilayin

12+ Ay: Optimizasyon

• Maliyet optimizasyonu ve kaynak yonetimi
• Gelismis A/B test altyapisi
• Organizasyon genelinde MLOps standartlarini yayginlastirin
• Surekli iyilestirme dongusunu otomatiklestirin

Smart Maple olarak Ankara merkezli projelerimizde, organizasyonlarin mevcut olgunluk seviyesini degerlendirerek ozellestirilmis yol haritalari olusturuyoruz. Her organizasyonun ihtiyaclari ve kaynaklari farkli oldugu icin, pragmatik ve deger odakli bir yaklasim benimsiyoruz.

Sonuc

MLOps olgunlugu ve AI yonetisimi, yapay zeka yatirimlarindan surekli deger elde etmenin anahtaridir. Ad-hoc sureclerden tam otomatik ve yonetilen bir yapiya gecis, teknik yetkinlik kadar organizasyonel degisimi de gerektirir. EU AI Act gibi duzenleyici cercevelerin yururluge girmesiyle, AI yonetisimi artik isteğe bagli degil zorunlu bir kurumsal yetenektir.

Basarili bir MLOps stratejisi, dogru araclarin seciminden once dogru sureclerin ve kulturun olusturulmasini gerektirir. Kucuk adimlarla baslayin, deger odakli ilerleyin ve organizasyonunuzun olgunluk seviyesine uygun cozumler secin. Model yasam dongusu yonetimi, drift tespiti ve sorumlu AI ilkeleri, bu yolculugun ayrilmaz parcalaridir.