MLOps (Machine Learning Operations), bir yapay zeka modelinin eğitildikten sonra canlıda güvenilir biçimde çalışmasını sağlayan süreç ve araçlar bütünüdür. Veri ve model sürümlemeyi, kontrollü canlıya almayı, doğruluk ve veri kayması izlemeyi, yeniden eğitimi ve geri dönüşü kapsar. Kısacası MLOps, modeli bir defalık projeden bakımı yapılan bir üretim sistemine çevirir.
Model teslim edildi; sonra ne oluyor?
Çoğu şirkette yapay zeka projesi şöyle ilerler: bir veri bilimci ya da tedarikçi, geçmiş verilerle bir model eğitir, test setinde iyi bir doğruluk gösterir ve modeli bir sunucuya koyar. İlk haftalarda sonuçlar beklendiği gibidir. Birkaç ay sonra ise kimse modelin hâlâ doğru çalışıp çalışmadığını bilmez; çünkü bunu ölçen bir düzen yoktur. Bu yüzden izleme ve yeniden eğitim sorumluluğu, daha yapay zeka teklifi değerlendirilirken netleştirilmelidir.
Bunun nedeni, modelin sahada gördüğü verinin sürekli değişmesidir. Yeni bir tedarikçi, farklı bir ambalaj, değişen müşteri davranışı ya da bir kameranın açısının kayması, modelin eğitimde hiç görmediği bir dünya yaratır. Buna veri kayması (data drift) denir; girdi ile sonuç arasındaki ilişkinin kendisi değiştiğinde ise kavram kayması (concept drift) söz konusudur. Model hata vermez, sessizce yanılır.
Model eğitiminin kendisini firmaya özel yapay zeka modeli yazımızda, eğitim verisinin hazırlanmasını ise veri etiketleme rehberimizde anlattık. Bu yazı, o sürecin bittiği yerden başlıyor: model canlıya çıktıktan sonra onu doğru, izlenebilir ve güncel tutmak.
Modeli işletmemenin maliyeti
Yapay zeka kullanmak ile ondan iş değeri almak aynı şey değil. OECD'nin 2026 D4SME anketine (Empowering SMEs in the age of AI) göre 12 ülkede ankete katılan KOBİ'lerin %61'i yapay zeka kullanıyor; ancak bunların %76'sı hazır araçları tekil işlerde kullanan "yeni başlayan" düzeyinde ve yalnızca beşte biri (%21) belirgin bir etki görüyor. Modeli iş sürecine yerleştirip düzenli olarak işletmeyen bir şirketin bu çoğunluğun dışına çıkması zordur.
Sorunun önemli bir kısmı veride. Drexel LeBow ve Precisely'nin 2025 Outlook: Data Integrity Trends and Insights raporuna göre ankete katılan 565 veri ve analitik uzmanının %62'si yapay zeka girişimlerinin önündeki en büyük veri engelinin yönetişim eksikliği olduğunu söylüyor; verisini yapay zekaya hazır görenlerin oranı yalnızca %12. Kimin hangi veriyle hangi modeli eğittiği kayıt altında değilse, hatalı bir tahminin nedenini bulmak da imkânsızlaşır.
Stanford HAI'nin AI Index Report 2026 verisine göre AI Incident Database'e kaydedilen yapay zeka kaynaklı olay sayısı 2024'teki 233'ten 2025'te 362'ye çıktı.
Güvenlik tarafı da ayrı bir maliyet kalemi. IBM Cost of a Data Breach Report 2025 bültenine göre kuruluşların %13'ü yapay zeka modeli veya uygulamasında ihlal bildirdi ve bunların %97'sinde uygun yapay zeka erişim kontrolleri yoktu. Model dosyasına, eğitim verisine ve tahmin servisine kimin erişebildiği MLOps'un doğrudan konusudur.
MLOps'un yapı taşları
MLOps, yazılım dünyasındaki DevOps pratiklerinin makine öğrenmesine uyarlanmış hâlidir; fark, burada koddan başka veri ve model de değişen bir bileşen olmasıdır. Küçük bir ekipte bile şu altı yapı taşı bulunmalıdır:
- Sürümleme: Kod, eğitim verisi kesiti, etiket kılavuzu ve model dosyası birlikte sürümlenir. "Mart modeli hangi veriyle eğitildi?" sorusunun cevabı tek yerde durur.
- Deney kaydı: Her eğitimin parametreleri, metrikleri ve kimin çalıştırdığı kaydedilir; iki model yan yana karşılaştırılabilir.
- Model kaydı (registry): Onaylanmış modeller, durumlarıyla (deneme, onaylı, canlıda, emekli) tek bir listede tutulur.
- Otomatik canlıya alma: Model, elle kopyalama yerine test edilmiş bir hat üzerinden yayına çıkar; bir önceki sürüme dönmek tek adımdır.
- İzleme: Girdi dağılımı, tahmin dağılımı, gecikme ve mümkün olduğunda gerçekleşen sonuçla karşılaştırılan doğruluk izlenir.
- Yönetişim: Erişim yetkileri, onay kayıtları ve kişisel veri içeren eğitim setlerinin KVKK değerlendirmesi süreçte tanımlıdır.
Bu bileşenlerin veriden beslenen tarafı, kurumun genel veri yönetişimi çerçevesine bağlanmalıdır. Model için ayrı, veri ambarı için ayrı sahiplik kuralı yazmak, aynı soruyu iki kez tartışmak demektir. Eğitim setinde kişisel veri varsa hangi soruların sorulması gerektiğini yapay zeka ve KVKK yazımızda ele aldık.
MLOps olgunluğu: nerede duruyorsunuz?
Her şirketin tam otomatik bir hatta ihtiyacı yok. Ayda bir tahmin üreten bir talep tahmini modeli ile saniyede onlarca görüntü işleyen bir kalite kontrol modeli aynı disiplini gerektirmez. Aşağıdaki tablo, bugünkü durumunuzu ve bir sonraki makul adımı görmenize yardım eder.
| Alan | Elle (başlangıç) | Tekrarlanabilir | Otomatik |
|---|---|---|---|
| Eğitim | Bir kişinin bilgisayarında, not tutulmadan | Betik ve kayıtlı parametrelerle | Tetikleyiciyle çalışan eğitim hattı |
| Veri | Klasördeki dosyalar | Sürümlenmiş veri kesitleri | Kaynaktan otomatik, kalite kontrollü akış |
| Canlıya alma | Dosya elle kopyalanır | Onaylı model kaydından yayın | Test sonrası kademeli yayın, tek adımda geri dönüş |
| İzleme | Şikâyet gelince fark edilir | Haftalık metrik raporu | Eşik aşımında uyarı |
| Yeniden eğitim | Hatırlanınca | Takvime bağlı | Kayma ya da doğruluk düşüşüyle tetiklenen |
| Denetim izi | Yok | Kim, ne zaman, hangi model | Model kartı ve onay kaydı otomatik |
Çoğu KOBİ için hedef, önce "tekrarlanabilir" sütunudur. Otomasyon, modelin iş etkisi ve değişme sıklığı bunu haklı çıkardığında eklenir.
MLOps nedir sorusundan uygulamaya: 7 adımlık çerçeve
- İş metriğini ve model metriğini birlikte tanımlayın. Model doğruluğu tek başına anlam taşımaz; "yanlış reddedilen parça oranı" ya da "stoksuz kalınan gün sayısı" gibi iş metriğiyle eşleştirilir. Hesaplama yöntemini yapay zeka yatırım getirisi yazımızda anlattık.
- Taban çizgisini kaydedin. Canlıya çıkıştaki doğruluk, girdi dağılımı ve tahmin dağılımı referans olarak saklanır. Sonraki her ölçüm bu çizgiyle karşılaştırılır.
- Veri hattını sabitleyin. Modeli besleyen veri hangi sistemden, hangi dönüşümle geliyorsa o adım belgelenir ve sürümlenir. Veri hattı tasarımını ETL mi ELT mi yazımızda ele aldık.
- Model kaydı ve onay akışı kurun. Hiçbir model, kaydı ve onayı olmadan canlıya çıkmaz. Onaylayan kişi, test sonuçları ve eğitim verisi kesiti modele iliştirilir.
- Kontrollü yayın yapın. Yeni model önce gölge modda, yani eski modelin yanında karar vermeden çalıştırılır ya da trafiğin küçük bir kısmına açılır. Sonuçlar tutarsa tamamına geçilir.
- İzleme ve eşikleri belirleyin. Girdi kayması, tahmin dağılımı ve gecikme için eşikler tanımlanır; eşik aşıldığında sorumlu kişiye uyarı gider. Gerçek sonuç geç geliyorsa (örneğin talep tahmininde ay sonu), ara göstergeler izlenir.
- Yeniden eğitim ve emeklilik kuralı yazın. Hangi koşulda yeniden eğitileceği, yeni modelin eskisini hangi farkla geçmesi gerektiği ve geri dönüşün nasıl yapılacağı önceden yazılır.
Yedinci adım, yazılımdaki bakım disiplinine çok benzer. Nasıl ki işletim sistemi güncellemeleri yama yönetimi süreciyle planlanıyorsa, model güncellemeleri de rastgele değil takvimli ve kayıtlı yapılır. Modelin dışındaki sistemlerin izlenmesinde aynı disiplinin yapay zekayla nasıl desteklendiğini AIOps ile BT operasyonları yazımızda anlattık.
Hangi modeller MLOps'a en çok ihtiyaç duyar?
Değişen dünyayı izleyen modeller en hızlı eskir. Görüntü işlemeyle kalite kontrolde yeni bir ürün varyantı, aydınlatma değişikliği ya da kamera bakımı modelin gördüğü görüntüyü değiştirir. Sensör verisinden arıza öngören kestirimci bakım modelleri ise makine revizyonundan sonra yeni bir normale alışmak zorundadır.
Anomali tespiti ve talep tahmini gibi modellerde de mevsimsellik, kampanyalar ve yeni ürünler taban çizgisini kaydırır. Büyük dil modeliyle çalışan asistanlarda durum biraz farklıdır: model genellikle yeniden eğitilmez, ama belge kaynağı, arama kalitesi ve cevap doğruluğu aynı mantıkla izlenir. Bu mimariyi RAG ve kurumsal LLM yazımızda anlattık.
Digital Bridge'de bu işi nasıl yapıyoruz?
MLOps'u ayrı bir ürün olarak değil, teslim ettiğimiz modelin parçası olarak ele alıyoruz. Amacımız, modelin sizin ekibiniz tarafından da anlaşılabilir ve işletilebilir olması.
- Keşif ve ihtiyaç analizi. Mevcut ya da planlanan modeli, onu besleyen veri kaynaklarını ve kararın iş sürecindeki yerini birlikte çıkarıyoruz. Modelin ne sıklıkla değişeceğine bakarak yukarıdaki tablodan hangi sütunun yeterli olduğunu açıkça söylüyoruz.
- Eğitimle birlikte izleme tasarımı. Firmaya özel yapay zeka model eğitimi hizmetimizde sürümleme, taban çizgisi ve test seti daha ilk eğitimde kuruluyor; böylece sonradan "hangi veriyle eğitilmişti?" sorusu kalmıyor.
- Pilot ve kontrollü yayın. Modeli önce gölge modda ya da sınırlı bir hat, depo veya ürün grubunda çalıştırıyor, sonuçları iş metriğiyle karşılaştırıyoruz. Canlıya geçiş, yapay zeka entegrasyonu kapsamında kullandığınız ERP ya da firmaya özel yazılımın içine yapılıyor.
- Veri hattı ve bağlantılar. Modeli besleyen ERP, MES, sensör ya da belge akışlarını sistem entegrasyonları hizmetimizle kalıcı ve izlenebilir hale getiriyoruz. Veri sahipliği ve kalite kuralları gerekiyorsa veri yönetişimi ve kalite çalışmasıyla birlikte ele alınıyor.
- Kendi altyapınızda çalışma. Model ve izleme bileşenleri kendi sunucunuzda çalışabilir; eğitim verisinin kurum dışına çıkması gerekmez.
Yapay zekaya yeni başlıyorsanız MLOps'tan önce doğru ilk projeyi seçmek gerekir; bunu şirketlerde yapay zeka nereden başlamalı rehberimizde adım adım anlattık.
Sonraki adım
Canlıda çalışan ya da çalışmak üzere olan bir modeliniz varsa üç şeyi hazırlayın: modelin verdiği kararı, bu kararın hangi iş metriğini etkilediğini ve modeli besleyen veri kaynaklarını. İletişim sayfamızdan bize ulaşın; mevcut durumu birlikte değerlendirip size uygun MLOps düzeyini ve kapsamı gösteren yazılı bir teklif hazırlayalım. Diğer kullanım alanları için Yapay Zeka rehberlerimize göz atabilirsiniz.