AIOps (Artificial Intelligence for IT Operations), sunucu, ağ, uygulama ve bulut ortamından gelen metrik, log, alarm ve değişiklik kayıtlarını makine öğrenmesiyle birlikte analiz eden BT operasyonları yaklaşımıdır. Binlerce alarmı birkaç anlamlı olaya indirir, normalden sapmayı eşik aşılmadan fark eder ve olası kök nedeni önerir. Böylece BT ekibi kesintiyi daha erken görür, daha hızlı çözer.
Kısaca
- AIOps, metrik, log, alarm ve değişiklik kayıtlarını makine öğrenmesiyle birlikte okuyarak ilişkili uyarıları tek olayda toplar.
- Sabit eşik yerine her sistemin kendi geçmişinden öğrenilen dinamik normal kullanılır; bozulma eşik aşılmadan görülür.
- AIOps hizmet sürekliliğine, SIEM ise güvenliğe odaklanır; ikisi aynı log kaynaklarından beslenip birbirini tamamlar.
- Uptime Institute'un 2025 anketinde katılımcıların %57'si son büyük kesintilerinin 100.000 dolardan fazlaya mal olduğunu bildirdi.
- Geçiş envanter ve veriyle başlar; tek senaryo, gölge mod pilot ve kademeli otomasyonla ilerler.
BT ekibinin gerçek durumu: alarm çok, bağlam az
Orta ölçekli bir şirketin BT ekibini düşünün: ERP (kurumsal kaynak planlaması) sunucusu, dosya sunucusu, güvenlik duvarı, anahtarlar, birkaç bulut hizmeti ve fabrikadaki SCADA (merkezi denetim ve veri toplama) bilgisayarları. Her biri kendi izleme ekranına ve kendi e-posta uyarısına sahip. Disk doluluğu %85'i geçince bir mail, CPU %90'ı geçince bir mail, bağlantı koptuğunda üç ayrı mail gelir. Sabah gelen kutusunda iki yüz uyarı vardır; hangisinin gerçek sorun olduğunu kimse bilmez.
Bu alarm yağmurunun sonucu tanıdıktır: ekip uyarılara körleşir, asıl kesintiyi kullanıcı telefonu açtığında öğrenir. Sorun çıktığında da nedeni bulmak için dört farklı ekrana bakılır, loglar elle karşılaştırılır. Dün akşam yapılan bir güncellemenin sorunla ilgisi çoğu zaman saatler sonra fark edilir.
AIOps, bu tabloya eklenen yeni bir izleme aracı değildir. Mevcut araçların ürettiği veriyi tek yerde toplayıp birbirine bağlayan ve ekibin dikkatini gerçekten önemli olana yönelten bir katmandır.
Kesintiyi geç fark etmek şirkete neye mal olur?
BT kesintisinin bedeli küçük değildir ve çoğu zaman teknik ekibin dışına taşar:
Uptime Institute'un 2026 kesinti analizinde paylaştığı 2025 yıllık anketine göre katılımcıların %57'si son büyük kesintilerinin 100.000 dolardan fazlaya mal olduğunu söyledi; ikinci yıl üst üste her beş katılımcıdan biri 1 milyon doları aşan maliyet bildirdi. (Uptime Institute — Annual Outage Analysis 2026 duyurusu)
Uptime Institute'un aynı raporu, insan hatasından kaynaklanan kesintilerde başlıca etkenin yerleşik prosedürlere uyulmaması olduğunu belirtiyor. Bu bulgu, AIOps'un yalnızca "daha akıllı alarm" değil, doğru prosedürü doğru anda öne çıkaran bir destek olarak da değer taşıdığını gösteriyor.
Güvenlik tarafında da tespit hızı belirleyicidir. IBM'in 2025 Veri İhlali Maliyeti raporuna göre güvenlik operasyonlarında yapay zeka ve otomasyonu yoğun kullanan kurumlar, bir ihlali tespit edip kontrol altına alma süresini ortalama 80 gün kısalttı. Türkiye'de de risk soyut değil: TÜİK'in Girişimlerde Bilişim Teknolojileri Kullanım Araştırması 2026 bültenine göre girişimlerin %9,4'ü 2025'te en az bir bilgi ve iletişim teknolojileri güvenliği ihlali yaşadı.
AIOps nedir, klasik izlemeden farkı nedir?
Klasik izleme "bu değer eşiği aştı mı?" sorusunu sorar. AIOps ise "bu olaylar birbiriyle ilişkili mi, bu davranış bu sistem için normal mi, en olası neden ne?" sorularına cevap arar. Güvenlik odaklı SIEM (güvenlik bilgi ve olay yönetimi) ve log yönetimi saldırı izini ararken, AIOps'un birincil hedefi hizmet sürekliliği ve performanstır; ikisi aynı log kaynaklarından beslenebilir.
| Konu | Klasik eşik tabanlı izleme | AIOps yaklaşımı |
|---|---|---|
| Uyarı mantığı | Sabit eşik (ör. CPU %90) | Sistemin kendi geçmişinden öğrenilen dinamik normal |
| Alarm hacmi | Her belirti ayrı uyarı | İlişkili uyarılar tek olayda gruplanır |
| Kök neden | Mühendis ekranları elle karşılaştırır | Zaman, topoloji ve değişiklik kaydıyla olası neden önerilir |
| Değişiklik ilişkisi | Genellikle kurulmaz | Son güncelleme ve yapılandırma değişiklikleri olayla eşleştirilir |
| Bilgi erişimi | Runbook ve eski kayıtlar ayrı yerde | Benzer geçmiş olaylar ve çözüm adımları olayla birlikte sunulur |
| Müdahale | Tamamen elle | Onaylı, düşük riskli adımlar otomatikleştirilebilir |
Sapmayı yakalayan çekirdek teknik anomali tespitidir: her sunucu, servis ya da kullanıcı için normal davranış öğrenilir ve ondan sapma işaretlenir. Pazartesi sabahı yüksek olan trafik normaldir; pazar gecesi aynı trafik değildir. Sabit eşik bu farkı göremez.
BT operasyonlarında yapay zeka neler yapar?
BT operasyonlarında yapay zeka, yani AIOps, tek bir özellik değil, birbirini tamamlayan birkaç yetenektir. Hepsiyle birden başlamak gerekmez:
- Gürültü azaltma ve olay gruplama. Aynı anahtarın arızasından doğan yirmi uyarı, "şu anahtar ve bağlı sunucular" diye tek olaya dönüşür. Tekrar eden ve hiçbir aksiyona yol açmayan uyarılar ayrıca işaretlenir.
- Dinamik eşik ve erken uyarı. Disk dolma hızı, bellek sızıntısı ya da yanıt süresindeki yavaş bozulma, eşik aşılmadan günler önce görülebilir.
- Kök neden önerisi. Kök neden analizini hızlandırmak için olayın başladığı an, etkilenen bileşenler ve son değişiklik kayıtları yan yana konur; sistem "en olası neden şu güncelleme" gibi gerekçeli bir öneri üretir.
- Olay özeti ve bilgi asistanı. Büyük dil modeli (LLM), olay kaydını düz dille özetler; kurum içi runbook (operasyon el kitabı) ve geçmiş çözüm notlarından cevap veren bir asistan, RAG (erişimle zenginleştirilmiş üretim) yaklaşımıyla kaynak göstererek adım önerir.
- Kontrollü otomatik müdahale. Servisi yeniden başlatmak, geçici dosyaları temizlemek gibi düşük riskli adımlar, tanımlı kurallar ve insan onayıyla çalıştırılır.
Yapay zeka benimsemesinde BT fonksiyonu öne çıkıyor. Stanford HAI'nin AI Index 2026 raporunda aktarılan McKinsey anketine göre yapay zeka ajanlarının ölçekli kullanımı neredeyse tüm iş fonksiyonlarında tek haneli oranlarda kalırken, teknoloji sektöründe BT fonksiyonunda %22'ye ulaştı. Otomatik müdahaleye yaklaşırken yapay zeka ajanlarının yetki sınırlarını baştan çizmek gerekir.
Altyapı optimizasyonu da BT operasyonlarında yapay zekanın parçasıdır. Şirketin 2016'da açıkladığına göre Google, DeepMind'ın makine öğrenmesi sistemini kendi veri merkezlerine uygulayarak soğutma için kullanılan enerjiyi yüzde 40'a kadar azalttı (Google DeepMind blogu). Bu ölçekte bir sonuç her şirkete taşınamaz; ama operasyon verisinin optimizasyon için kullanılabileceğini gösteren erken ve somut bir örnektir.
AIOps'a nasıl geçilir? 7 adımlık plan
Başarılı AIOps projeleri araçla değil, veriyle ve süreçle başlar. Şu sıra pratikte iyi işler:
- Envanteri ve kritik hizmetleri çıkarın. Hangi sunucu, uygulama ve ağ bileşeni hangi iş hizmetini taşıyor? ERP durduğunda neyin etkilendiğini bilmeden kök neden önerisi üretilemez.
- Veri kaynaklarını tek yerde toplayın. Metrikler, sistem ve uygulama logları, alarm kayıtları ve değişiklik kayıtları ortak bir zaman damgasıyla birleşmeli. Saatleri senkronize olmayan sunucular korelasyonu bozar.
- Mevcut alarm gürültüsünü ölçün. Son birkaç haftanın uyarılarını sayın; kaçı aksiyona yol açtı, kaçı yok sayıldı? Bu, projenin başlangıç çizgisidir.
- Tek ve ölçülebilir bir kullanım senaryosu seçin. Örneğin "ERP yavaşlamalarını kullanıcı şikâyetinden önce yakalamak". Her şeyi aynı anda çözmeye çalışan projeler dağılır.
- Modeli gölge modda çalıştırın. Öneriler bir süre yalnızca kaydedilsin, ekibin gerçek kararlarıyla karşılaştırılsın. Yanlış alarm oranı kabul edilebilir düzeye inmeden kimseye bildirim gitmesin.
- Otomasyonu kademeli açın. Önce öneri, sonra onaylı müdahale, en son ve yalnızca düşük riskli işlerde tam otomasyon. Hangi durumda kural tabanlı otomasyonun yeterli olduğunu da bu aşamada netleştirin.
- Modeli canlı tutun. Altyapı değiştikçe "normal" de değişir. Yeniden eğitim, sürüm takibi ve performans izleme için MLOps disiplini gerekir.
AIOps projesinin sonucunu ölçmek için birkaç göstergeyi baştan tanımlayın: haftalık alarm sayısı, olayların kullanıcıdan önce fark edilme oranı, ortalama tespit süresi (MTTD) ve ortalama çözüm süresi (MTTR). Yatırımın karşılığını hesaplarken yapay zeka projesi ROI ölçümü yazımızdaki çerçeve işinize yarar.
AIOps projelerinde en sık yapılan hatalar nelerdir?
AIOps projelerinde en yaygın hata, verisi dağınık bir ortamda aracın mucize yaratmasını beklemektir. RAND'ın 2024 raporu, bazı tahminlere göre yapay zeka projelerinin %80'inden fazlasının başarısız olduğunu ve bunun yapay zeka içermeyen BT projelerinin iki katı olduğunu aktarıyor. AIOps'ta da başarısızlığın başlıca nedeni genellikle model değil, eksik envanter ve kalitesiz veridir; diğer yaygın nedenleri yapay zeka projeleri neden başarısız olur yazımızda ele aldık.
İkinci hata, güvenlik ve uyum boyutunu atlamaktır. Loglar kullanıcı adı ve IP adresi gibi kişisel veriler içerebilir; bu durumda erişim yetkisi ve saklama süresi 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) açısından da planlanmalıdır. İnternet erişimi sunan kurumlar için ayrıca 5651 sayılı Kanun kapsamındaki log tutma yükümlülükleri gündeme gelir.
Üçüncü hata, otomasyonu erken açmaktır: yanlış teşhisle yeniden başlatılan bir veritabanı, kesintiyi büyütebilir. Tespit edilen sorunların bir kısmı da aslında süreç sorunudur; eksik güncellemeler için yama yönetimi süreci kurulmadan AIOps aynı alarmı tekrar tekrar üretir.
Digital Bridge AIOps projelerini nasıl yürütür?
Digital Bridge olarak AIOps'u hazır bir paket olarak satmıyoruz; mevcut altyapınızdan ve ekibinizin gerçek sorunundan başlıyoruz:
- Keşif ve ihtiyaç analizi. Sunucu, ağ, uygulama ve log kaynaklarınızı, mevcut izleme araçlarınızı ve alarm hacminizi birlikte çıkarıyoruz. Sorun bir kural setiyle çözülebiliyorsa bunu açıkça söylüyoruz.
- Veri birleştirme. Farklı araçlardan gelen metrik ve logları sistem entegrasyonları ile ortak bir yapıda topluyoruz; mevcut izleme yazılımınızı değiştirmeniz gerekmez.
- Sapma modelleri. Anomali tespiti hizmetimizde her sunucu ve servis için normali geçmiş veriden öğrenen, uyarıyı gerekçesiyle üreten ve eşiği ekibinizin inceleme kapasitesine göre ayarlanan modeller kuruyoruz.
- Pilot ve iş akışına bağlama. Tek bir kritik hizmetle gölge modda pilot yapıyor, sonuçlar ölçülebilir hale gelince uyarıların destek kaydı ya da görev olarak doğru ekibe düşmesini yapay zeka entegrasyonu kapsamında kuruyoruz.
- Bilgi asistanı. Runbook ve geçmiş olay notlarınızdan kaynak göstererek cevap veren bir kurumsal LLM asistanı, gece nöbetindeki teknisyenin doğru prosedürü bulmasını kolaylaştırır.
- Güvenlik tarafı. Olağandışı oturum ve erişim davranışlarını izlemek istiyorsanız kurguyu siber güvenlik danışmanlığı ile birlikte ele alıyoruz.
Endüstriyel sahalarınız da varsa, sahadaki cihazların durumunu aynı resme katmak için uzaktan izleme platformu yazımıza da göz atabilirsiniz. Yapay zekayı şirket genelinde nereden başlatacağınızı düşünüyorsanız şirketlerde yapay zeka nereden başlamalı rehberimiz ve Yapay Zeka konu sayfamız iyi birer başlangıç noktasıdır.
Sonraki adım
BT ekibiniz alarm yağmuru altında çalışıyorsa ya da kesintileri kullanıcıdan öğreniyorsanız, ilk adım mevcut durumu ölçmektir. Altyapınızı, izleme araçlarınızı ve en çok zaman kaybettiren olay türlerini birlikte gözden geçirelim; AIOps'un sizde hangi senaryoda değer üreteceğini ve hangisinde gerek olmadığını netleştirelim. Görüşme için iletişim sayfamızdan bize ulaşabilirsiniz.