<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Betül Nur Demirhan on Medium]]></title>
        <description><![CDATA[Stories by Betül Nur Demirhan on Medium]]></description>
        <link>https://medium.com/@betulnurdemirhan?source=rss-9adf94dec180------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*dmbNkD5D-u45r44go_cf0g.png</url>
            <title>Stories by Betül Nur Demirhan on Medium</title>
            <link>https://medium.com/@betulnurdemirhan?source=rss-9adf94dec180------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 22:20:28 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@betulnurdemirhan/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Veri Biliminde Geri Bildirim ile Dönüşüm: Closed Loop]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/veri-biliminde-geri-bildirim-ile-d%C3%B6n%C3%BC%C5%9F%C3%BCm-closed-loop-4ec0685cf19b?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ec0685cf19b</guid>
            <category><![CDATA[large-language-models]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[closed-loop]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Thu, 20 Aug 2026 08:18:24 GMT</pubDate>
            <atom:updated>2026-08-20T08:18:24.600Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese Merhaba,</p><p>Yazımızda veri bilimi süreçlerinde önem teşkil eden bir kavram olan Closed Loop yani kapalı döngülerden bahsedeceğiz.</p><p>Bir LLM (büyük dil modeli)’in kullanıcıya yanıt vermesi model çıktısının kullanıldığı ana adımdır. Ancak asıl dinamik adım “modelin verdiği yanıtın gerçek dünyada oluşturduğu etkiyi bir <strong>feedback (geri bildirim)</strong> olarak geri almasıyla” başlar. Tam bu noktada <strong>Closed Loop (kapalı döngü)</strong> kavramı devreye girer. <br> <br> LLM bir çıktı üretir, sistem kullanıcının bu çıktıya verdiği reaksiyonu ölçer ve bu reaksyon bilgisini <strong>yeni bir girdi</strong> olarak modele ileterek modeli geri besler. Böylece LLM, statik gelişen bir yapay zeka olmaktan çıkıp veri bilimi prensipleriyle kendi sonuç ve hatalarından anlık ders çıkaran sürekli gelişen dinamik bir sistem haline gelir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-Dp8bBZU--xEuXPuwdRhMA.png" /></figure><p><strong>Open Loop (Açık Döngü)</strong>, bir modelin veya sistemin ürettiği tahminin/aksiyonun gerçek dünyadaki <strong>sonucunu izlemediği</strong> ve bu sonuçtan <strong>otomatik olarak ders çıkarmadığı</strong> yapıdır. Geri bildirim (feedback) mekanizması yoktur; sistem yaptığı hatayı kendiliğinden görüp düzeltemez, manuel müdahale gerektirir.</p><p><strong>Closed Loop (Kapalı Döngü) </strong>ise, bir modelin ürettiği tahminlerin veya aldığı aksiyonların sonuçlarının, <strong>otomatik olarak sistem tarafından toplanıp modeli sürekli eğitmek ve güncellemek üzere geri besleme (feedback) sağlayarak sisteme aktarıldığı</strong> yapıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*kDotRI8sbELyG6b6mpYy5Q.png" /></figure><blockquote>Klimanın çalışması, kapalı döngü (closed loop) mantığının günlük hayattaki en net örneğidir:</blockquote><blockquote>Siz klimayı 22°C’ye ayarladığınızda sistem sürekli çalışır. Klima oda sıcaklığını <strong>ölçer</strong> (tahmin/durum tespiti yaparsınız), hedef dereceyle arasındaki farkı <strong>değerlendirir</strong> ve odaya soğuk hava <strong>üfler</strong> (aksiyon alır). Oda 22°C’ye ulaştığında termostat bu değişimi anında bir <strong>geri bildirim (feedback)</strong> olarak algılar ve kompresörü yavaşlatır ya da durdurur. Oda tekrar ısındığında ise aynı döngü otomatik olarak baştan başlar.</blockquote><blockquote>Veri bilimindeki <strong>Kapalı Döngü</strong> de birebir aynıdır. Model bir karar verir, gerçek dünyadaki <strong>etkisini/sonucunu ölçer</strong> ve tıpkı klimanın dereceyi sabitlemek için kendini açıp kapatması gibi, performansını hep ideal seviyede tutmak için <strong>kendi parametrelerini otomatik olarak günceller</strong>.<br> <br> Açık Döngü ise; eski tip bir klimanın derecesi ayarlandıktan sonra belirlenen oranda sıcak veya soğuk havayı sabit şekilde üflemesini temsil eder. Yani model tahmini yapar ve bırakır; sonucun ne olduğuna bakıp kendini kapalı döngüdeki gibi otomatik olarak ayarlamaz.</blockquote><h4>Closed Loop Süreçleri</h4><p>Kapalı Döngü süreçleri aşağıdaki başlıklardan oluşur.</p><ul><li><strong>Tahmin / Aksiyon:</strong> Model, önündeki veriye göre bir karar verir <br>(Örneğin: <em>“Bu kullanıcıya X ürününü öner”</em>).</li><li><strong>Uygulama ve Etki:</strong> Öneri kullanıcıya gösterilir ve kullanıcı bir tepki verir.<br>(Tıklar, satın alır veya pas geçer).</li><li><strong>Geri Bildirim Toplama (Feedback Loop):</strong> Sistemin elde ettiği sonuç anlık veya periyodik olarak veri hattına (data pipeline) akar.<br>(Kullanıcını tepkisi verisi modele girdi olarak iletilir.)</li><li><strong>Yeniden Eğitim / İyileştirme:</strong> Model bu yeni gerçek veriyle (ground truth) kendisini otomatik olarak günceller/ yeniden eğitilir.<br>(Kullanıcı tepkisine göre model kendini eğitmeye başlar.)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*-l2Qo8sItFh5iI0Rx8n17w.png" /></figure><p><strong>Bir veri bilimci yukarıdaki süreçler doğrultuusnda kapalı döngü mimarisi kurmak için kısaca aşağıdaki adımları izlemelidir.</strong></p><ol><li><strong>Canlı Veri Hattı (Data Pipeline) Oluşturulmalı</strong> <br>Modelin canlı sistemde ürettiği tahminler ile kullanıcının verdiği yanıtların anlık veya periyodik olarak tutulduğu kesintisiz bir veri akış hattı kurulmalıdır.</li><li><strong>Otomatik Yeniden Eğitim (Continuous Training) Süreci Bağlanmalı<br></strong>Modelin belirli zaman aralıklarıyla (örneğin her hafta) veya belirli bir veri hacmine ulaşıldığında (örneğin her 10.000 yeni veride) insan müdahalesine ihtiyaç duymadan arka planda kendini yeniden eğitmesi sağlanmalıdır.</li><li><strong>A/B Testi ile Kontrol Mekanizması Kurgulanmalı</strong><br>Yeni eğitilen modelin mevcut canlı modelden daha yüksek performans gösterip göstermediği doğrulanmalıdır. Bunun için iki modeli otomatik olarak yarıştıracak ve daha başarılı olanı canlıya alacak bir değerlendirme sistemi yapılandırılmalıdır.</li></ol><h4><strong>Closed Loop için Olası Risk:</strong></h4><p><strong>Echo Chamber (Yankı Odası Etkisi)<br> </strong>Eğer model sadece kendi önerdiği şeylerden veri toplarsa kısıtlanabilir. Örneğin bir müzik uygulaması size sadece belirli bir tarz önerip siz de sadece ona tıkladıkça, model sizin farklı tarzları sevebileceğinizi asla öğrenemez. Bu yüzden kapalı döngü sistemlerde %5–10 gibi küçük bir oranda <strong>rastgele keşif (exploration)</strong> payı bırakılır.</p><p>Kapalı döngü sistemler kullanıcı tepkilerine göre sürekli kendini günceller. Ancak model <em>sadece</em> yüksek performans vereceğini bildirdiği alanlara odaklanırsa (<strong>Exploitation</strong>), kullanıcının henüz keşfedilmemiş tercihlerini kaçırır. Bu durumu dengelemek için sisteme <strong>Exploration</strong> enjekte edilir.</p><blockquote>Exploitation ve Exploraiton arasındaki fark aşağıdaki örnek üzerinden gözlemlenebilir.</blockquote><blockquote><strong>Mevcut Veriyi Kullanma (Exploitation):</strong> Kullanıcı sürekli ekonomi ve borsa haberlerini okuduğu için ana sayfa akışının tamamı finans haberleriyle doldurulur.</blockquote><blockquote><strong>Rastgele Keşif (Exploration):</strong> Sistem akışın %5&#39;lik kısmına son dönemde popüler olan bir “Uzay Araştırmaları / Bilim” haberi sıkıştırır.<br><strong>a) Habere tıklamadan geçerse:</strong> <em>“Bilim haberleri ilgi alanına girmiyor”</em> sinyali kaydedilir.<br><strong>b) Tıklayıp makaleyi belirli bir eşiğe kadar okursa:</strong> Model, kullanıcının finans dışında bilimsel gelişmelere de meraklı olduğunu öğrenir ve haber beslemesini bu yönde çeşitlendirir.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/459/1*tQg69q4l2AW0qhROIMdVQA.png" /></figure><p>Büyük teknoloji şirketleri, Büyük Dil Modellerini (LLM) kapalı döngü (closed loop) mimarileriyle destekleyerek modellerin kendi çıktılarından veya kullanıcı etkileşimlerinden beslenmesini sağlıyor. Aşağıdaki kullanım senaryoları buna örnektir. <br> <br><strong>OpenAI: Direct Preference Optimization (DPO) &amp; RLHF</strong></p><p>OpenAI, ChatGPT modellerinin davranışını optimize etmek için tam bir kapalı döngü mekanizması kullanır.</p><p><strong>Uygulama:</strong> ChatGPT arayüzünde bir cevabın altında gördüğünüz <strong>beğen/beğenme (thumbs up / thumbs down)</strong> butonları veya <em>“Hangi yanıt daha iyiydi?”</em> karşılaştırma ekranları dekoratif değildir.</p><p><strong>Nasıl İşliyor?</strong></p><ul><li>LLM kullanıcıya iki farklı yanıt veya tek yanıt sunar (<strong>Çıktı</strong>).</li><li>Kullanıcı cevabı oylar, kopyalar veya “Tekrar Dene” (Regenerate) butonuna basar (<strong>Geri Bildirim / Sonuç</strong>).</li><li>Bu veriler etiketlenerek <strong>RLHF (Reinforcement Learning from Human Feedback)</strong> ve <strong>DPO</strong> veri hatlarına akar.</li><li>Model, kendi ürettiği yanıtların insan tarafından değerlendirilmesiyle oluşan bu yeni veriyle periyodik olarak yeniden eğitilir ve bir sonraki sürüme geçilir (<strong>Girdi ve Otomatik Yeniden Eğitim</strong>).</li></ul><p><strong>2. GitHub Copilot (Microsoft): Real-Time Execution Feedback Loops</strong></p><p>Yazılımcıların kullandığı GitHub Copilot, yazdığı kodun çalışıp çalışmadığını izleyen kapalı döngü bir sistemle desteklenir.</p><p><strong>Uygulama:</strong> Microsoft ve GitHub’ın teknik belgelerinde açıklanan ve modern kod asistanlarında (Copilot, Cursor, Amazon Q) kullanılan mimariler.</p><p><strong>Nasıl İşliyor?</strong></p><ul><li>Copilot geliştiriciye bir kod blok önerisi sunar (<strong>Çıktı</strong>).</li><li>Geliştirici bu öneriyi kabul eder (Tab) veya reddedip kendi düzeltir. Eğer öneri kabul edilir ve IDE üzerindeki derleyici (compiler) / test aracı bir hata verirse, sistem bu hatayı yakalar (<strong>Geri Bildirim</strong>).</li><li>Yakalanan çalışma zamanı hatası (<em>runtime error</em>) veya linte takılan kısımlar, anında prompt’a eklenerek LLM’e otomatik sunulur (<strong>Çıktının Geri Dönüşle Girdi Olması</strong>).</li><li>Model kendi hatalı çıktısını ve hatanın mesajını girdi kabul ederek tek tıkla düzeltme sunar.</li></ul><h4>Kapalı Döngü Sistemlerin Avantajları</h4><p>- <strong>Hızlı Adaptasyon ve Trend Yakalama:</strong> Değişen pazar koşullarına, ani trendlere veya kullanıcı alışkanlıklarına uyum sağlama süreci aylar süren manuel müdahalelerden çıkarılarak günler, hatta saatler mertebesine indirilir. Değişimler günlerce beklenmeden anında yakalanır.</p><p>- <strong>Operasyonel Verimlilik ve Zaman Tasarrufu:</strong> Modelleri sürekli manuel olarak eğitme ve canlıya alma yükü ortadan kaldırılır. Böylece veri bilimcilerin zamanı tekrarlayan operasyonel süreçler yerine mimariyi ve algoritmik yapıyı iyileştirmeye yönlendirilir.</p><p>- <strong>Dinamik Kişiselleştirme:</strong> Kullanıcı etkileşimleri anlık geri bildirimler olarak işlendiğinden, kullanıcının anlık niyeti ve tercihleri çok daha hassas bir şekilde öğrenilir; kullanıcıya sürekli gelişen ve “yaşayan” bir sistem sunulur.</p><p><strong><em>Özetle;</em></strong><br>Modelin çıktısını nihai bir sonuç olarak değil, modelin bir sonraki adımı için en değerli “yeni girdi” olarak konumlandırdığımızda kendi kendini besleyen ve sürekli gelişen dinamik sistemlerden bahsetmeye başlayabiliriz. Bunun için<strong> Closed Loop </strong>doğru bir tercihtir.</p><p>Sonraki yazılarda görüşmek üzere.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ec0685cf19b" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/veri-biliminde-geri-bildirim-ile-d%C3%B6n%C3%BC%C5%9F%C3%BCm-closed-loop-4ec0685cf19b">Veri Biliminde Geri Bildirim ile Dönüşüm: Closed Loop</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sistemleşme: Veri Bilimi Modelinin Gerçek Sınavı]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/sistemle%C5%9Fme-veri-bilimi-modelinin-ger%C3%A7ek-s%C4%B1nav%C4%B1-33a0481f3216?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/33a0481f3216</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[data-modeling]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Wed, 03 Jun 2026 06:03:47 GMT</pubDate>
            <atom:updated>2026-06-03T06:03:47.699Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese Merhaba,</p><p>Yazımızda veri biliminde <strong>model- sistem kavramlarından ve modelin gerçek sınavı olan sistemleşme </strong>sürecinden bahsedeceğiz.</p><p>Veri bilimi dünyasında bir modelin başarısı genellikle bilgisayar başındaki test sonuçlarıyla, yani yüksek doğruluk oranlarıyla ölçülür. Ancak en başarılı algoritma bile, gerçek dünyadan kopuk kaldığı sürece sadece matematiksel bir denemeden ibarettir.<br> <br>Bir modelin gerçek değeri, sadece “en iyi tahmini yapmasıyla” değil; bu tahminin bir kullanıcıya ulaşması ve işe yarayan canlı bir sistemin parçası haline gelmesiyle ölçülür. İşte bu yüzden, bir modeli hazırlama aşamasından alıp günlük hayatta kullanılabilecek bir sistem haline getirmek sadece teknik bir adım değil; o modelin gerçekten işe yarayıp yaramadığını belirleyen asıl sınavdır.</p><p>Örneğin, modeliniz içinde devasa enerji barındıran tam dolu bir bataryadır. Potansiyeli çok yüksektir. Ancak o bataryayı bir telefona takıp işlemciye ve ekrana güç vermesini sağlamadığınız müddetçe sadece ağır bir metal parçasıdır. Aynen öyle de, modeli bir sisteme entegre etmek, o enerjiyi bir uygulamanın çalışması için gerekli olan güce dönüştürüp gayesine uygun şekilde kullanım sağlayabilmektir. <br>Bu noktada<strong> sistemleşme</strong>, veri bilimi modelinin gerçek sınavı olarak karşımıza çıkar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N4ENaddL3rxGssIbV60YBQ.png" /></figure><p>İlk olarak model kavramı ile başlayalım.</p><h3>Model:</h3><p>Modellerin temel amacı, karmaşık<strong> veri yığınlarından anlamlı çıkarımlar</strong> yapmaktır.</p><p>Bir veri modeli temel anlamda mevcut veriye bakarak gelecekte ne olacağını <strong>tahmin </strong>eder, insan gözüyle fark edilemeyecek kadar büyük verilerdeki <strong>korelasyonları</strong> yakalar ve şirketlerin veya araştırmacıların veriye dayalı, <strong>objektif kararlar</strong> almasına yardımcı olur.</p><h3>Model Nasıl Oluşturulur? (Model Geliştirme Yaşam Döngüsü)</h3><p>Bir modelin oluşturulma süreci genellikle aşağıdaki ana adımları izler:</p><ol><li><strong>Veri Toplama:</strong> Problemle ilgili ham verilerin bir araya getirilmesi.</li><li><strong>Veri Ön İşleme:</strong> Eksik verilerin tamamlanması, hatalı verilerin temizlenmesi ve verinin makinenin anlayacağı formata (sayısallaştırma) getirilmesi.</li><li><strong>Özellik Mühendisliği (Feature Engineering):</strong> Tahmin gücünü artıracak en önemli değişkenlerin seçilmesi veya türetilmesi.</li><li><strong>Eğitim (Training):</strong> Bir algoritmanın (örneğin: Karar Ağaçları, Lojistik Regresyon) seçilip veriye uygulanması.</li><li><strong>Değerlendirme (Evaluation):</strong> Modelin başarısının test edilmesi (Model ne kadar doğru tahmin yapıyor?).</li></ol><p>Bu maddeleri gerçekleştirirken aşağıdaki hususlara da dikkat edilmesi önemlidir.</p><blockquote><strong>Aşırı Öğrenme (Overfitting):</strong> Modelin eğitim verisini “ezberlemesi” ve yeni gelen verilere karşı başarısız olması durumudur. İstenmeyen bir durumdur.<br><strong>Yetersiz Öğrenme (Underfitting):</strong> Modelin verideki yapıyı öğrenemeyecek kadar basit kalmasıdır.<br><strong>Hiperparametre Optimizasyonu:</strong> Modelin performansını en üst düzeye çıkarmak için ayarlarının (parametrelerinin) en iyi seviyeye getirilmesi süreci.<br><strong>Yanlılık ve Varyans Dengesi (Bias-Variance Tradeoff):</strong> Modelin karmaşıklığı ile hatası arasındaki dengeyi kurma sanatıdır.<br><strong>Model Yayına Alma (Deployment):</strong> Eğitilen modelin gerçek dünyada (örneğin bir mobil uygulamada) canlı olarak çalışır hale getirilmesi.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*3uXSEkzEc9MItEhFtYK0VQ.png" /></figure><h3>Modellerle Neler Yapılabilir?</h3><p>Modellerle sınıflandırma, kümeleme, anomali tespitleri, öneri sistemleri gibi birçok çalışmanın temeli atılabilir. Oldukça geniş olan kullanım alanlarına bazı somut örnekler verebiliriz.</p><blockquote><strong>Sınıflandırma (Classification):</strong> Bir e-postanın spam olup olmadığını veya bir müşterinin bankadan ayrılıp ayrılmayacağını sınıflandırarak belirlemek.<br><strong>Regresyon (Regression):</strong> Bir evin fiyatını veya yarınki hava sıcaklığını sayısal olarak tahmin etmek.<br><strong>Kümeleme (Clustering):</strong> Müşterileri benzer satın alma alışkanlıklarına göre gruplara ayırmak, kategorize etmek.<br><strong>Anomali Tespiti:</strong> Kredi kartı işlemlerindeki olağan dışı (dolandırıcılık şüphesi olan) hareketleri yakalamak.<br><strong>Öneri Sistemleri:</strong> İzlediğiniz filmlere göre size yeni film önerilerinde bulunmak.</blockquote><h3>Sistem Nedir?</h3><p><strong>Sistem</strong>, bir modeli çevreleyen, onun dış dünyayla konuşmasını ve ayakta kalmasını sağlayan <strong>tüm altyapıya denir.</strong></p><p>Başarılı bir sistem için<strong> input-output kanalları</strong> ile verinin nereden geleceği ve sonucun nereye gideceği belli olmalı, hatalı bir veri geldiğinde çökmemeli, arkasında<strong> log</strong> bırakmalı ve<strong> sürekliliği </strong>sağlamalıdır. Eğer <strong>otomasyon </strong>sistemi ise manuel müdahale olmadan, belirli bir kurala göre kendi kendine de çalışabilmelidir.</p><p>Model ve sistem kavramlarından bahsettiğimize göre artık modelin sisteme dönüşmesi sürecine geçebiliriz.</p><h3>Modelin Sistemleşmesi</h3><p>Eğitilmiş bir modelin yaşayan, hizmet veren bir sistem haline gelmesini sağlayan <strong>sistemleşme</strong> sürecinde gereksinimlere göre çeşitli metotlar izlenebilmektedir.<br>İmkanlara, isterlere ve kullanılacak teknolojiye göre bu adımlar değişiklik gösterebilir. Dört temel adımda özetleyebiliriz; mobil, web, cihaz içi, toplu işleme.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SqFO1-d6EN1LQdoSI0jVdg.png" /></figure><h4>A) “Merkezi Beyin” Sunucu Yöntemi (API/ Cloud &amp; On-Prem)</h4><p>En popüler yöntemdir. Model bir sunucuda (bulutta veya yerel sunucuda) durur, uygulama (mobil veya web) onunla entegre olup ağ üzerinden soru sorar.<br>Eğer model çok büyükse (örneğin dev bir yapay zeka modeli) ve son kullanıcının cihazı bunu kaldıramayacaksa, bu yöntem zorunlu olacak kadar kritikleşir.</p><blockquote><strong>Altyapı Seçenekleri (Model Nerede Duracak?)<br>Bulut (Cloud):</strong> AWS, Google Cloud veya Azure gibi sağlayıcılardan kiralanan uzak sunucular. Hızlı ölçeklenir, fiziksel bakım gerektirmez ama internet zorunludur.<br><strong>Yerel Sunucu (On-Prem):</strong> Şirketin veya evin kendi fiziksel sunucusu. Veri gizliliği ve internet bağımsızlığı (sadece yerel ağ/LAN üzerinden çalışma) sağlar ancak kurulum ve bakım maliyeti sahibindedir.</blockquote><h4>B) “Cihazın İçine Gömme” Yöntemi (On-Device ML)</h4><p>Bu yöntemde model sunucuya değil, doğrudan kullanılacak cihazın içine veya web tarayıcısının içine yüklenir.<br> İnternet olmasa da sistemin çalışması isteniyorsa ve verilerin gizliliği çok kritikse (verinin cihazdan çıkmaması gerekiyorsa) bu metot tercih edilmelidir.</p><h4>C) “Hızlı ve Pratik” Yöntemi (No-Code / Low-Code Panels)</h4><p>Eğer sadece bir arayüz sunmak isteniyorsa bu yol idealdir. Sadece Python kodunu yazarak bu araçlar ile otomatik olarak bir web paneli ve bir URL oluşturulabilir. Detaylı yazılım bilgisine ihtiyaç yoktur.<br><strong>Streamlit</strong>, <strong>Gradio</strong> veya <strong>Hugging Face Spaces</strong> araçları örnek verilebilir.<strong><br></strong>Bu yöntem genellikle profesyonel, milyonlarca kişinin kullanacağı uygulamalar için değil, daha çok test ve sunum aşamaları (prototip) içindir.</p><h4><strong>D) Toplu İşleme (Batch Processing)</strong></h4><p>Bu yöntemde canlı bir arayüz veya anlık bir yanıt yoktur. Model, devasa bir veri yığınının üzerinden ayarlanan belirli periyotlarda geçer, tahminlerini bir veritabanına yazar ve gerektiğinde yetkililer o sonuçları inceler. <br>Genelde milisaniyelerin kritik olmadığı, ancak milyonlarca satır verinin işlenmesi gereken kurumsal senaryolarda bu yöntem tercih edilir.</p><p>Bahsedilen yöntemlerden biri ile model dönüştürüldükten sonra da iş sorumlulukları devam etmektedir. <br>Bu sorumluluklar modelin statik başarısından ziyade <strong>sistemin dinamik sürekliliği ve güvenilirliği</strong> üzerine odaklanır.</p><h3>SİSTEM OLDUKTAN SONRA SÜREKLİLİK NASIL SAĞLANABİLİR?</h3><h4>1. Operasyonel Süreklilik ve Otomasyonun Korunması</h4><p>Modelin bir “sistem” olarak kendi kendine çalışmasını sağlamak en temel sorumluluktur.<br><strong>Akış Denetimi:</strong> Verinin web siteleri, sensörler veya veri tabanlarından modele kesintisiz akışı ve sonuçların hedeflenen kanallara (API, panel vb.) doğru iletimi doğrulanmalıdır.<br><strong>Otomatik Çalışma:</strong> Sistemin manuel müdahaleye (“Run” tuşu) ihtiyaç duymadan, belirlenen kurallar çerçevesinde otomatik çalışıp çalışmadığı kontrol edilmelidir.</p><h4>2. Sistemsel Dayanıklılık ve Hata Yönetimi</h4><p>Gerçek dünya verisinin barındırdığı gürültüye karşı sistemin dayanıklılığı korunmalıdır.<br><strong>Hata Yakalama:</strong> Hatalı veya eksik veri girişlerinde sistemin çökmesi engellenmeli; bu durumlar loglanarak sistemin kullanıcıya uygun yanıtlar vermesi sağlanmalıdır.<br><strong>Log Analizi:</strong> Kaydedilen hatalar düzenli olarak incelenmeli ve sistemin zorlandığı noktalar saptanmalıdır.</p><h4>3. Canlı İzlenebilirlik (Observability) ve Performans Takibi</h4><p>Sistem canlıya alındıktan sonra operasyonel durum şeffaf tutulmalıdır.<br><strong>Sağlık Taraması:</strong> Yanıt süreleri, sunucu yükü ve modelin anlık doğruluk metrikleri bir panel üzerinden sürekli olarak izlenmelidir.<br><strong>Eşik Değerleri:</strong> Performans düşüşlerinde veya aşırı yüklenmelerde anında uyarı verecek mekanizmalar kurulmalıdır.</p><h4>4. Sürüm Yönetimi ve Güvenli Geri Dönüşler (Rollback)</h4><p>Güncellemelerle birlikte gelen riskler profesyonelce yönetilmelidir.<br><strong>Tam Sürümleme:</strong> Sadece yazılım kodunun değil, model dosyasının ve kullanılan veri setlerinin de sürümü tutulmalıdır.<br><strong>Acil Müdahale:</strong> Yeni yayınlanan modelde sorun çıkması durumunda, tek tuşla güvenli eski sürüme dönme (rollback) kabiliyeti hazır bulundurulmalıdır.</p><h4>5. Dünyadaki Değişime Adaptasyon (Drift Detection)</h4><p>Zamanla eskiyen model bilgilerinin güncel kalması sağlanmalıdır.<br><strong>Performans Kayması Takibi:</strong> Modelin tahmin başarısının zamanla düşüp düşmediği yakından izlenmelidir.<br><strong>Yeniden Eğitim (Retraining):</strong> Belirlenen performans eşikleri aşıldığında, yeni verilerle eğitim süreci tetiklenerek model güncel tutulmalıdır.</p><h4>6. Güvenlik ve Sınırların Korunması</h4><p>Modelin ve verilerin kötü niyetli girişimlere karşı korunması teknik bir zorunluluktur.<br><strong>Erişim Kontrolü:</strong> API anahtarları ve yetkilendirme katmanları kullanılarak modele kimlerin erişebileceği denetlenmelidir.<br><strong>Kapasite Koruma:</strong> Aşırı yüklenmelere karşı istek sınırlama (rate limiting) gibi önlemlerle sistem bütünlüğü savunulmalıdır.</p><p>Bu yazımızda bir modelin sistemleşme süreci ve sistemleşme sonrasındaki bir takım adımlardan bahsettik. <br>Sonraki yazılarda görüşmek üzere.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=33a0481f3216" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/sistemle%C5%9Fme-veri-bilimi-modelinin-ger%C3%A7ek-s%C4%B1nav%C4%B1-33a0481f3216">Sistemleşme: Veri Bilimi Modelinin Gerçek Sınavı</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[LLM’den LAM’e: Cevap Üreten Modellerden Aksiyon Alan Sistemlere]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/llmden-lam-e-cevap-%C3%BCreten-modellerden-aksiyon-alan-sistemlere-9ecd2c7f51d4?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/9ecd2c7f51d4</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Thu, 29 Jan 2026 06:27:57 GMT</pubDate>
            <atom:updated>2026-01-29T06:27:57.220Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba,</p><p>Yapay zekâ artık yalnızca bilgi üreten bir yapı olmaktan çıkıp, doğrudan iş yapan sistemlere dönüşmektedir. Bu dönüşüm iki temel kavramla açıklanabilir: <br>Büyük Dil Modelleri (<strong>Large Language Model-LLM</strong>),<br>Büyük Aksiyon Modelleri (<strong>Large Action Model-LAM</strong>).</p><p>Yazımda bu yapılar ve iş akışlarından bahsediyor olacağım.</p><p>LLM’ler yapay zekânın <strong>ne bildiğini ve nasıl anlattığını</strong>, LAM’ler ise <strong>bu bilginin gerçek dünyada nasıl eyleme dönüştüğünü</strong> temsil eder. Modern yapay zekâ sistemleri, bu iki yaklaşımın birlikte çalışmasıyla yalnızca öneren değil, görev tamamlayan yapılara dönüşmektedir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/543/1*cOkJv0sFtrbRe1wV3Qq4qw.png" /></figure><p>LLM’ler (Büyük Dil Modelleri), temel olarak bilgiye erişim ve bu bilgiyi bağlam içinde yeniden üretme konusunda güçlü yapılardır. Büyük miktarda veriden öğrenerek;</p><ul><li>Bir problemi tanımlayabilir ve açıklayabilir,</li><li>Olası çözüm yollarını dilsel olarak ifade edebilir,</li><li>Kullanıcıya rehberlik eden öneriler sunabilir,</li><li>Karmaşık bilgileri sadeleştirerek anlaşılır hâle getirebilirler.</li></ul><p>Ancak bu yetenekler çoğunlukla <strong>yorumlama ve öneri üretme</strong> düzeyinde kalır. LLM’ler, doğrudan bir sistemde işlem başlatma, harici araçları kullanma veya çok adımlı iş süreçlerini kendi başına yürütme kapasitesine sahip değildir. Başka bir ifadeyle, ne yapılması gerektiğini söyleyebilirler; fakat bunu fiilen gerçekleştiremezler.</p><p>Bu sınırlılık noktası, <strong>Büyük Aksiyon Modelleri (LAM)</strong> kavramının ortaya çıkmasına zemin hazırlamıştır. LAM’ler, LLM’lerin ürettiği çıktıları yalnızca metin olarak değerlendirmekle kalmaz; bu çıktıları eyleme dönüştürür. Bu kapsamda LAM’ler;</p><ul><li>Harici aracları ve servisleri çağırabilir,</li><li>Karar akışlarını adım adım yönetebilir,</li><li>Birden fazla işlemi belirli bir sırayla koordine edebilir,</li><li>Sonuç odaklı ve ölçülebilir eylemler gerçekleştirebilir.</li></ul><p>Bu nedenle LLM ve LAM arasındaki fark, yalnızca model türü olarak değildir. <strong>Anlayan ve yorumlayan</strong> bir sistemden, <strong>harekete geçen ve uygulayan</strong> bir sisteme doğru değişimi temsil eder. <br>Güncel yapay zekâ uygulamalarında bu iki yaklaşımın birlikte kullanılması ile daha otonom, ölçeklenebilir ve taleplere doğrudan müdahale edebilen sistemler geliştirilebilmektedir.</p><p>Süreç halinde ilerleyen bu dönüşüm ve bu dönüşümde var olan bazı kavramlardan bahsedeceğiz.</p><p><strong><em>LLM</em></strong>’den yani Büyük hacimli metin verileriyle eğitilen bu yapay zekâ modellerinden bahsederken ilk etapta karşımıza <strong><em>NLP (Natural Language Processing- Doğal Dil İşleme) </em></strong>kavramı çıkmaktadır.</p><p>LLM’ler, NLP ile insan dilini anlama, metin üretme ve bağlamı doğru şekilde yorumlama konularında yüksek bir performans sergilerler. LLM’ler, milyarlarca parametre içeren karmaşık bir mimariye dayanır ve bu yapı sayesinde dilin gramer kurallarından anlamsal ilişkilerine kadar pek çok farklı düzeyi eş zamanlı olarak işleyebilir.<br> <br>LAM ise LLM’lerin anlayış yeteneğine <strong>A<em>gentic AI (Ajan Tabanlı Yapay Zeka)</em></strong> yaklaşımını ekler ve gerçek dijital eylemler gerçekleştirebilir. Buradaki temel fark, <strong><em>LAM</em></strong><em>’</em>ların etkileşim yeteneğidir. LLM’ler yalnızca metin üretirken, LAM’lar:</p><ul><li>Web sayfalarını gezebilir</li><li>Kullanıcı arayüzlerini tanıyabilir</li><li>Veritabanlarına erişebilir</li><li>E-posta gönderebilir</li><li>Arayüz üzerinden veri girişi yapabilir</li></ul><p>Bu özellikler, LAM’lar sayesinde yapay zekânın “sadece bilen” değil, aynı zamanda “süreci yürüten” rolünde olabileceğini gösterir.</p><h4><strong>LAM Çalışma Prensibi ve İş Akışı</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*13G_XtFepl3Tlw75QTykYw.png" /></figure><p><strong>-Anlama ve Analiz (Understanding &amp; Analysis)</strong></p><p>LAM ilk adımda kullanıcıdan gelen isteği veya ortamdan aldığı girdileri analiz ederek süreci başlatır. Bu aşamada amaç, talebin ne olduğunu ve hangi bağlamda ele alınması gerektiğini net biçimde ortaya koymaktır. Sağlıklı bir analiz, LAM’in sonraki adımları doğru şekilde kurgulayabilmesi için temel oluşturur.</p><p><strong>-Hedef Belirleme ve Planlama (Goal Setting &amp; Planning)</strong></p><p>Analiz edilen istekten yola çıkarak ulaşılması gereken nihai sonuç ve izlenecek yollar belirlenir. Hedef tek seferlik bir aksiyon olarak değil; mantıksal sıraya sahip, birbirini tamamlayan adımlar bütünü şeklinde ele alınır.</p><p><strong>-Araç ve Eylem Seçimi (Tool &amp; Action Selection)</strong></p><p>Bu aşamada LAM yalnızca yapılacak işlemleri değil, bu işlemlerin hangi araçlar ve sistemler üzerinden gerçekleştirileceğini de kararlaştırır.</p><p><strong>-Eylemin Gerçekleştirilmesi (Execution &amp; Task Completion)</strong></p><p>Seçilen araçlar aracılığıyla işlemler fiilen başlatılır. Form doldurma, API çağırma, dosya oluşturma veya sistemler üzerinde değişiklik yapma gibi somut eylemler bu aşamada gerçekleşir. Sonuçlanmış bir eylem çıktısı oluşur.</p><p><strong>-Geri Bildirim ve Uyarlama (Feedback &amp; Adjustment)</strong></p><p>Gerçekleştirilen eylemlerin sonucu değerlendirilir. Hedefe ulaşılamaması veya beklenmeyen bir durumla karşılaşılması hâlinde süreç yeniden gözden geçirilir ve gerekli uyarlamalar yapılır. Bu sayede LAM, statik değil duruma göre kendini ayarlayabilen dinamik bir yapı sergiler.</p><h4>LLM’ler Doğrudan LAM’e Dönüşebilir mi?</h4><p>LLM’den LAM’a geçiş, tek başına daha güçlü bir model kullanmakla gerçekleşmez. Bu dönüşümün merkezinde <strong>Agentic AI</strong> yer alır. Agentic AI, bu iki dünya arasında köprü kuran ve yapay zekâyı “<em>pasif bir yorumlayıcı”</em> olmaktan çıkarıp <em>“aktif bir yürütücü”</em> hâline getiren mimari yaklaşımdır.<br> <br><strong> Nedir Agentic AI?</strong><br> Agentic AI, bir yapay zekâ sisteminin:</p><ul><li>Kendisine verilen bir <strong>hedefi </strong>anlayabilmesi,</li><li>Bu hedefi <strong>alt görevlere bölerek plan oluşturabilmesi</strong>,</li><li>Uygun <strong>araçları seçip kullanabilmesi</strong>,</li><li>Süreç boyunca <strong>geri bildirim alarak kendini düzeltebilmesi </strong>yeteneğine sahip olmasıdır.</li></ul><p>Kritik nokta şudur:<br>Agentic AI, tek seferlik bir yanıt üretmez; <strong>sürekli karar veren bir süreç</strong> yürütür. Bu da devamlılığı sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/486/1*10v1K2kJtb7gQzdSbJFN-A.png" /></figure><p>Agentic AI süreci üç temel adımda gerçekleşir.</p><p><strong>1. Yorumdan Hedefe: Metni Hedeften Ayırmak<br></strong><em>(Intent Understanding → Goal Management)</em></p><p>LLM’ler kullanıcıdan gelen isteği dilsel olarak doğru şekilde anlayabilir ve açıklayabilir. Ancak bu anlayış çoğu zaman “yorum” seviyesinde kalır. Agentic AI burada devreye girerek bu yorumu net ve ölçülebilir bir hedefe dönüştürür.<br>Bu aşamada Agentic katman kullanıcının gerçek amacını belirler, hedefin tamamlanmış sayılacağı koşulları tanımlar, başarılı/ başarısız sayılacağı koşulları tanımlar.</p><blockquote>Örneğin, kullanıcıdan gelen istek şudur:<br> <strong>“Aylık satış raporunu hazırla ve yönetime gönder.”</strong></blockquote><blockquote>LLM bu isteği dilsel olarak doğru şekilde anlar ve yorumlar. Bunun bir raporlama talebi olduğunu ve yönetime bilgi aktarımını amaçladığını açıklar. Ancak bu hâliyle istek hâlâ “yorum” seviyesindedir.</blockquote><blockquote>Agentic AI burada devreye girerek bu yorumu net ve ölçülebilir bir hedefe dönüştürür. Bu aşamada sistem:<br>-Hangi dönemin satış verilerinin kullanılacağını belirler,<br>-Raporun hangi formatta hazırlanacağını tanımlar,<br>-Rapor yönetime iletildiğinde görevin tamamlanmış sayılacağını netleştirir,<br>-Veri eksikliği veya gönderim hatası gibi durumları başarısızlık koşulu olarak tanımlar.<br>Bu hedef tanımı yapılmadan LAM’ın ne zaman duracağı veya görevin tamamlandığını nasıl anlayacağı belirsiz kalır. Bu nedenle hedef yönetimi, LAM için temel bir ön koşuldur.</blockquote><p><strong>2. Metinden Sürece: Cümleden İş Akışına<br></strong><em>(Text Output → Action Plan)</em></p><p>LLM, bir görevi metin olarak ifade edebilir; ancak bu metin doğrudan uygulanabilir bir plan değildir. Agentic AI, LLM çıktısını alarak onu yürütülebilir bir sürece dönüştürür.</p><p>Bu süreçte Agentic AI, görevi mantıksal adımlara böler, adımlar arasındaki bağımlılıkları belirler, her adım için hangi araç veya sistemin kullanılacağını seçer.</p><blockquote>Örneğin, “<strong>Aylık satış raporunu hazırla ve yönetime gönder</strong>” ifadesi, LLM için açıklanabilir bir taleptir. <br>Agentic AI ise bu talebi veri toplama, raporlama, dosya oluşturma ve iletişim gibi alt süreçlere ayırarak gerçek bir iş akışı hâline getirir.</blockquote><p><strong>3. Tepkisel Değil, Döngüsel Davranış<br></strong><em>(Reactive → Iterative)</em></p><p>LAM sistemlerinin gerçek gücü, sabit komutları çalıştırabilmelerinden değil, değişen koşullara uyum sağlayabilmelerinden gelir. Bu yetenek Agentic AI sayesinde mümkün olur.</p><p>Agentic AI, ortamdan gelen geri bildirimleri değerlendirir, bir hata veya engel ile karşılaştığında süreci yeniden gözden geçirir, aynı hedefe ulaşmak için alternatif yollar dener.</p><blockquote>Örneğin satış verilerinin bir kısmına erişilemediğinde ya da rapor oluşturulurken hata alındığında sistem süreci durdurmaz.</blockquote><blockquote>Agentic AI bu noktada:<br>-Ortamdan gelen geri bildirimi değerlendirir,<br>-Eksik veri varsa alternatif kaynağa yönelir,<br>-Rapor oluşturma adımında hata oluşursa süreci yeniden dener,<br>-Aynı hedefe ulaşmak için farklı bir yol izler.</blockquote><blockquote>Bu döngüsel yapı olmadan LAM, yalnızca önceden tanımlı adımları izleyen bir otomasyon sistemine dönüşür. Agentic AI ise LAM’a otonomi kazandırarak, sistemin koşullara göre karar alabilmesini sağlar.</blockquote><p>LLM, LAM ve Agentic AI olarak bahsettiğimiz üç kavram arasındaki semantik ilişkiyi aşağıdaki şekilde özetleyebiliriz:</p><ol><li><strong>LLM</strong> → Anlama ve üretme katmanı</li><li><strong>Agentic AI</strong> → Karar, planlama ve kontrol katmanı</li><li><strong>LAM</strong> → Eylem ve uygulama katmanı</li></ol><p>LAM kullanımını içeren uçtan uca örnek bir senaryo ile devam edebiliriz.</p><p><strong>Senaryo: </strong>“Bu hafta için bana bir seyahat planla.” olarak bir kullanıcı isteği geliyor</p><p><strong>1) LLM → Anlama ve Üretme Katmanı: <br></strong>Seyahat kavramını, tarih aralığını,kriterleri ve beklentiyi anlar. Olası hedef ve seçenekler hakkında fikir üretir.<br><em>(Henüz sadece konuşma ve öneri vardır.)</em></p><p><strong>2) Agentic AI → Karar, Planlama ve Kontrol Katmanı:<br></strong>Hedefi netleştirir: “Uçuş + konaklama + takvim planı”, <br>Adımları belirler: “Uygun uçuşları ara, otel seçeneklerini filtrele, en uygun olanları seç”,<br>Alternatif planlar oluşturur,<br>Bir seçenek başarısız olursa diğerine geçer.<br><em>(Sistem artık karar veren bir yapıdadır.)</em></p><p><strong>3) LAM → Eylem ve Uygulama Katmanı:<br></strong>Uçak bileti sitesine girer,<br>Otel rezervasyonu yapar,<br>Takvime seyahati ekler.<br><em>(Dijital dünyada somut aksiyonlar alınır.)</em></p><h4>RİSKLER</h4><p>Her teknolojik gelişme gibi LLM -&gt; LAM dönüşümü de risklerini beraberinde getirmektedir. <br> <br>LLM hata yaptığında bu hata <strong>metinle sınırlı kalır</strong>; yanlış bilgi üretir ama <strong>doğrudan eyleme geçmez</strong>. Bu yüzden risk çoğunlukla <strong>yorumlanabilir ve düzeltilebilir</strong> düzeydedir.</p><p>LAM hata yaptığında ise bu hata <strong>doğrudan aksiyona dönüşür</strong>. Yanlış kararlar sistemlere, süreçlere veya gerçek dünyaya etki edebilir. Bu ise<strong> </strong>güvenlik açısından ciddi sonuçlar doğurabilir. <br> <br> <strong>LLM’de risk bilgi düzeyindedir, LAM’de risk eylem düzeyindedir.</strong><br> Bu nedenle gerekli tüm proaktif tedbirlerin alındığından emin olunmak zorunlu olmalıdır.</p><h4>LLM ve LAM Farkları/ Özet</h4><p>LLM ve LAM için her iki yapının farklarını içeren özet tabloyu aşağıda paylaşmaktayım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*JrlFIaJTXSBtbPHoJlmJ0Q.png" /></figure><p>LAM ve LLM’in yeteneklerini iyi anlamak, doğru ve etkili kullanım açısından önem arz etmektedir. <br>.<br>.<br>.<br>Bir sonraki yazıda görüşmek üzere..</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ecd2c7f51d4" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/llmden-lam-e-cevap-%C3%BCreten-modellerden-aksiyon-alan-sistemlere-9ecd2c7f51d4">LLM’den LAM’e: Cevap Üreten Modellerden Aksiyon Alan Sistemlere</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Verinin Anlamlandırılması: NLP]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/verinin-anlamland%C4%B1r%C4%B1lmas%C4%B1-nlp-32599ca3ac2e?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/32599ca3ac2e</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[naturallanguageprocessing]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[nlp]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Wed, 18 Jun 2025 06:33:42 GMT</pubDate>
            <atom:updated>2025-06-18T06:33:42.617Z</atom:updated>
            <content:encoded><![CDATA[<h3>Herkese Merhaba,</h3><p>Bugünkü yazımızda özellikle metin verileri üzerinde çalışırken kullandığımız <strong>Natural Language Processing (NLP)</strong> yani doğal dil işleme tekniğinden bahsediyor olacağız.</p><p>Günümüzde önemli bir güç olan veriyi işlenmemiş bir maden gibi düşünebiliriz. Değeri ancak doğru araçlar ve yöntemlerle işlendiğinde ortaya çıkıyor. Veri bilimi kavramı ise tam bu noktada devreye giriyor ve verinin anlamlı, yorumlanabilir bir değere dönüşmesi sürecinde rol alıyor. Üzerinde çalıştığım bir projeden örneklerle, bir veri bilimi sürecinin NLP’ye nasıl dönüştüğünü inceleyeceğiz.</p><p>Bunun için ilk etapta<strong> Veri Bilimi </strong>nedir kısaca bundan bahsedelim.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/233/1*W6SZhYN5Tb7PE0CaszyoYw.png" /></figure><h3>1. Veri Bilimi Nedir?</h3><p>Veri bilimi, elde edilen ham verilerden anlamlı sonuçlar elde etmeye yarayan bir analiz sürecidir. İstatistik, programlama, derin öğrenme, makine öğrenmesi gibi yöntemleri kullanarak veriye dayalı kararlar almayı, verileri yorumlamayı sağlar. <br>Bir veri bilimi projesi sürecini aşağıdaki şekilde özetleyebiliriz:</p><ul><li>Problemin Anlaşılması ve verilerin toplanması</li><li>Veri Ön İşleme ve Temizleme</li><li>Keşifsel Veri Analizi (EDA) ve Veri Doğrulama</li><li>Özellik Mühendisliği</li><li>Modelleme ve Değerlendirme</li><li>Kod ve Analiz Doğrulama</li><li>Sonuçların Sunumu ve Yorumlanması</li></ul><h3>2. NLP Nedir ve Hangi Alanlarda Karşımıza Çıkıyor?</h3><p>NLP (Doğal Dil İşleme) için, bilgisayarların insan dilini <strong>anlayabilmesi, analiz edebilmesi ve işleyebilmesini</strong> sağlayan bir yapay zeka alanı diyebiliriz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/972/1*jK2YtqU5eh0xs-6-q9jb-g.png" /></figure><p>NLP’nin temel amacı<strong> bilgisayarların insan dilini anlayıp doğru şekilde yorumlayabilmesidir. </strong>Buna örnekler verecek olursak:</p><p>-“Siri, saat kaç?” dediğimizde sesi metne dönüştürüp ardından o metin üzerinde analiz yaparak bizi anlayan şey NLP’dir. Aynı şekilde uygulamaların chatbotları da bu teknolojiyle çalışır.</p><p>-“Bu ürünü çok beğendim!” gibi bir yorumun olumlu olduğunu, NLP otomatik olarak anlayabilir. Sosyal medya, müşteri yorumları, anket analizlerinde sıkça kullanılır.</p><p>-Uzun bir haberin altındaki “3 cümlede özet” bölümü, NLP teknolojisiyle hazırlanır. Karmaşık metinler bu sayede anlamlı özetlere dönüşür.</p><p>-Arama motoruna yazılan bir metnin hangi dilde olduğunun otomatik fark edilmesi de bu kapsamdadır.</p><p>-E-postaların spam ve normal olarak filtrelenmesi, reklam içeriklerinin türüne göre (giyim, teknoloji, gıda vb.) sınıflandırılması da NLP ile gerçekleşmektedir.</p><h4><strong>NLP ile Müşteri Yorumları Duygu Analizi</strong></h4><p>Bir proje örneği üzerinden NLP süreçlerinden bahsedecek olursak: Bir e-ticaret sitesinde binlerce ürün yorumu var. Bu yorumların ne kadarının olumlu, olumsuz veya nötr olduğunu otomatik olarak analiz etmek istiyoruz. Müşteriler memnun mu, değil mi? Genel memnuniyet durumunu duygu analizi yaparak NLP ile rahatlıkla yorumlayabiliriz.</p><p>Bu süreçte gerçekleştiren adımlardan genel olarak bahsedeceğim. <br>İlk olarak e-ticaret sitesindeki binlerce ürün yorumunu içeren data setini pandas kütüphanesini kullanarak .csv formatında içe aktarıyoruz.</p><p>Aktardığımız dataların üzerinde çalışılabilir temiz veri olması için gerekli manipülasyon işlemlerini yapıyoruz.</p><p><strong>Manipülasyon işlemlerine</strong>; eksik verilerin temizlenmesi, özel karakterlerin ve emojilerin silinmesi, büyük-küçük harf farkının kaldırılması, stop-word’lerin atılması (“ve”, “ama”) gibi adımları örnek verebiliriz.</p><p>Ardından dataları eğitim ve test verisi olarak ayırıyoruz.</p><blockquote><strong>Neden Ayırıyoruz?</strong></blockquote><blockquote>Eğer hem eğitimi hem testi aynı veriyle yaparsak:<br>- Model ezberlemiş gibi görünür.<br>- Gerçek dünyada yeni verilerle başarısız olur.</blockquote><blockquote>Bu yüzden veri genellikle şu şekilde bölünür:<br>- %70–80 eğitim<br>- %20–30 test</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1GcRpbqN3KQwSI1uIKZsjQ.png" /></figure><p>Eğitim verilerimiz üzerinde işlem yapma ve metni modelin anlayabileceği sayısal değerlere çeviriyoruz.<br>Ardından modelleme aşamasına geçmeden hem önce hem sonra keşifsel veri analizi (EDA) ile sürece devam ediyoruz.</p><p>Keşifsel veri analizinde veriler arasında aşağıdaki gibi anlamlı ilişkiler kurmaya çalışılır.</p><ul><li><strong>Yorumlar uzun mu, kısa mı?</strong> Olumsuz yorumlar daha mı kısa?</li><li><strong>Kelime dağılımları nasıl? </strong>Olumlu yorumlarda “harika”, olumsuzlarda “başarısız” gibi kelimeler daha mı sık geçiyor?</li><li><strong>Format hataları var mı?</strong> Tüm yorumlar string mi? Tarih, puan gibi sütunlar doğru formatta mı?</li><li><strong>Regresyon:</strong> Yorum uzunluğu ile olumsuzluk arasında korelasyon var mı?</li><li><strong>Eksik veriler var mı?</strong> Örneğin yorum var ama puan yok mu?</li></ul><p>Burada alınan yanıtlar model seçiminde bizlere rehberlik edecektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/631/1*g5JtkmFpchQuCPKVJqL91g.png" /></figure><p>Model seçimi ile devam edelim. Öncelikle probleme göre uygun modelleme yöntemlerinden birini seçiyoruz. Elimizde sınıflandırma problemi olduğundan ( yorumlarının <strong>olumlu / olumsuz / nötr</strong> şeklinde sınıflanması), temel bir başlangıç modeli olarak <strong>Lojistik Regresyon</strong> kullandık. Ancak bu zorunlu değildir. Veri yapısına ve karmaşıklığa göre<strong> Naive Bayes, Random Forest </strong>gibi modeller de kullanılabilir.</p><p>Modelimizle eğitimi gerçekleştirdikten sonra modelin başarısını bazı metriklerle test edeceğiz. Yalnızca <strong>accuracy</strong> (doğruluk oranı) modele başarılı demek için yeterli değildir. Aşağıda incelenmesi gereken temel metriklerden bahsedeceğim.</p><blockquote><strong>Kullanılması Gereken Başlıca Değerlendirme Metrikleri:</strong></blockquote><blockquote><strong>Precision</strong>: Doğru pozitif tahminlerin, tüm pozitif tahminlere oranı<br><strong>Recall</strong>: Doğru pozitif tahminlerin, gerçek pozitiflere oranı<br><strong>F1-Score</strong>: Precision ve Recall’ün dengeli ortalaması<br><strong>Confusion Matrix</strong>: Hangi sınıfların birbiriyle karıştırıldığını gösteren tablo<br><strong>ROC-AUC</strong> (özellikle ikili sınıflandırmalarda)<br><strong>Log Loss / Cross Entropy</strong>: Tahmin edilen olasılıkların ne kadar sapma gösterdiğini ölçer.</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/819/1*R6GYCznUnrN_NCocxilYTg.png" /></figure><p><strong>Peki tüm metrikleri inceleyerek modeli değerlendirdiğimizde modelin başarı oranı düşük çıkarsa ne yapılmalıdır?</strong></p><ul><li>Eksik, hatalı, sahte verileri temizleyin.</li><li>Etiketleme hatalarını düzeltin, gerekirse veriyi yeniden etiketleyin.</li><li>Aykırı (outlier) verileri tespit edin.</li><li>Sınıf dengesizliği varsa <strong>Class Weight</strong> ayarı yapın veya <strong>SMOTE</strong> gibi teknikleri deneyin.</li><li>Yeni ve daha anlamlı özellikler oluşturun.</li><li><strong>Özellik seçimi</strong> (Feature Selection) yapın.</li><li><strong>Özellik ölçeklendirme</strong> (Feature Scaling) uygulayın.</li><li>Farklı model algoritmaları deneyin.</li><li><strong>Hiperparametre ayarı</strong> (Hyperparameter Tuning) yapın.</li><li><strong>Çapraz doğrulama</strong> (Cross-Validation) kullanın.</li></ul><p>Bu metrik sonuçlarını görselleştirme ve istatistiksel yöntemlerle belirleyebiliriz ve başarı oranını artırabiliriz.</p><p>Modelimiz yeterli başarı oranına ulaştığında, artık sadece toplu veri üzerinden değil, <strong>tekil kullanıcı yorumları üzerinden de tahmin yapabilir</strong> hâle geliriz. Bu noktada, modeli sadece eğitmekle kalmayıp, pratikte nasıl işlediğini görmek için basit bir arayüz oluşturmak oldukça faydalı.<br>Bunun için <strong>Streamlit</strong> kullandım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/222/1*GnyUsmF_qbNJZroVmqXrjg.png" /></figure><h4>Streamlit Nedir?</h4><p>Streamlit, Python ile yazılmış makine öğrenimi modellerinizi ve veri görselleştirmelerinizi hızlıca web uygulamasına dönüştürmenizi sağlayan açık kaynaklı bir kütüphanedir. <br>Özellikle veri bilimciler ve NLP projeleriyle uğraşanlar için kod yazma konforundan ödün vermeden arayüz geliştirme imkânı sunar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*y-2noGL78f9Uym35pF4BrA.png" /></figure><h4>Ne Yaptık?</h4><p>Kullanıcının yazdığı herhangi bir yorum metnini modele bağladık. Model, bu metnin <strong>olumlu / olumsuz / nötr</strong> olup olmadığını anlık olarak tahmin etti. Böylece modelin sahada nasıl çalıştığını, gerçek zamanlı olarak test edebilmiş olduk.</p><p>Bu yazımızda bir NLP projesinin uçtan uca nasıl kurgulanabileceğini; veri toplama, temizleme, keşifsel analiz, modelleme ve değerlendirme adımlarıyla birlikte ele aldık. Gerçek bir örnek üzerinden, kullanıcı yorumlarının duygu analizini nasıl gerçekleştirdiğimizi inceledik.</p><p><strong>NLP ve veri bilimi projelerinde bu gibi tekrar eden süreçlerle modelleri her adımda daha sağlam hale getirebilir, model genel performansını sürdürülebilir şekilde artırabilirsiniz.</strong></p><p>Sonraki yazıda görüşmek üzere. :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=32599ca3ac2e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/verinin-anlamland%C4%B1r%C4%B1lmas%C4%B1-nlp-32599ca3ac2e">Verinin Anlamlandırılması: NLP</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AWS Cloud Practitioner & Migration Strategies]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/aws-cloud-practitioner-migration-strategies-2dcab6d0ca41?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/2dcab6d0ca41</guid>
            <category><![CDATA[aws]]></category>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[amazon-web-services]]></category>
            <category><![CDATA[aws-cloud]]></category>
            <category><![CDATA[aws-cloud-practitioner]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Fri, 11 Oct 2024 08:32:31 GMT</pubDate>
            <atom:updated>2024-10-11T08:32:31.440Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese Merhaba!</p><p>Cloud kavramı artık hepimizin aşına olduğu kavramlardan birisi haline geldi. Yazımızda 2024 yılı itibariyle pazarın %32’sini oluşturmuş olan ve ilk akla gelen firmalar arasında yer alan AWS Cloud’a geçiş stratejilerinden, geçiş sonrası planlamamızda bize yardımcı olacak araçlardan bahsedeceğiz. AWS’ye geçiş yapmak isteyen biri bu konuda nasıl ilerleyebilir, hangi servisleri kullanabilir? <br> İlk olarak genel hatlarıyla AWS’nin hizmetlerine değinerek başlamak, konuyu somutlaştırmak için bize destek olacaktır. AWS hizmetlerini 6 başlıkta toplayabiliriz:</p><blockquote><strong>1. Bilgi İşlem (Compute)</strong></blockquote><blockquote><strong>2. Depolama (Storage)</strong></blockquote><blockquote><strong>3. Veritabanı (Database)</strong></blockquote><blockquote><strong>4. Ağ (Networking)</strong></blockquote><blockquote><strong>5. Güvenlik ve Kimlik (Security &amp; Identity)</strong></blockquote><blockquote><strong>6. Yönetim ve Yönetim (Governance &amp; Management)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/390/1*MPWYm1mfmwBoki0MoDf7xw.png" /></figure><p>Öncelikle Bilgi İşlem kavramından ve sunulan hizmetlerden başlayalım.</p><p><strong>Bilgi İşlem (Compute):</strong> İş yüklerini bulut üzerinde çalıştırarak esnek ve ölçeklenebilir şekilde kaynak kullanımını optimize etmeye yarayan bu araç, kaynakları dinamik olarak ayarlamanızı ve yalnızca kullandığınız kadarı için ödeme yapmanızı sağlar. Adını çok sık duyacağımız sanal sunucular üzerindeki çeşitli instance türlerini ihtiyaca göre ölçeklemenize yardımcı olan EC2 yani <strong>Elastic Compute Cloud,</strong> sunucu yönetimi gerekmeden işlem yapan kod parçacıklarını otomatik olarak ölçeklendiren <strong>serverless </strong>mimarisiyle öne çıkan Lambda, Docker ile çalışan ve konteyner yönetimi sağlayan ECS (Elastic Container Service) bu bölümün kritik kavramları diyebiliriz.</p><p><strong>Depolama (Storage):</strong> Bulut üzerinde nesne, blok, dosya bazında farklı şekillerde veri depolama, yedekleme ve yönetme metotları izleyebilmenize olanak sağlayan depolama hizmetleri sunar. Sınırsız kapasite ihtiyaçlarını karşılayıp büyük veriler için en fazla tercih edilen nesne tabanlı depolama sağlayan hizmet S3, blok tabanlı depolama sağlayan EC2 instance’ları ile birlikte kullanılan, kalıcı veri saklama noktalarında ilk sırada yer alan EBS (Elastic Block Store), arşiv depolama, düşük erişimli uzun vadeli veriler için en uygun olan Glacier bu konu başlığının enleridir diyebiliriz.</p><p><strong>Veritabanı (Database): </strong>Genelde ilişkisel ve ilişkisel olmayan olarak iki başlıkta ele alınarak hizmetler sunar. İlişkisel veritabanı hizmeti olarak burada en çok bilinen ve kullanılan iki kavram: RDS ve AURORA’dır. Otomatik yedekleme ve ölçeklenebilirlik ile birlikte, MySQL, PostgreSQL, Oracle ve SQL Server gibi database’leri destekleme özellikleri için RDS, Yüksek performanslı ilişkisel veritabanını sunan MySQL ve PostgreSQL ile uyum aradığımızda ise Aurora’yı tercih ederiz.</p><p>İlişkisel olmayan (<strong>NoSQL</strong>) veritabanları için ise DynamoDB, DocumentDB , buranın en popüler başlıklarıdır diyebiliriz. Düşük gecikme süresi, web uygulamaları ve oyun verileri için uygunlukta en sık tercih edilen DynamoDB iken, MonogDB ile uyumluluk aradığımızda DocumentDB tercih edilir düzeydedir.</p><p>Bu verileri analiz etmek ve veri sıkıştırmaları için de Amazon’un <strong>Redshift</strong> hizmetinden yararlanıldığını da dipnot düşmek yararlı olacaktır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/474/1*MB0Uso38DOrrpEeukGheqw.png" /></figure><p><strong>Ağ (Networking)</strong>: Sanal ağ güvenliği, trafik yönetimi gibi noktalarda yüksek erişilebilirlik sağlamak üzere global ağ hizmetleriyle entegrasyon sağlar. VPC, DC, Global Accelerator, Route 53 bu konunun en sık geçen kavramlarıdır.</p><p><strong>VPC yani Virtual Private Cloud, </strong>sanal özel bulut oluşturma, ağları izole etme, güvenli ağ yapılandırma hizmetlerini bizlere sunar.</p><p><strong>Direct Connect</strong>, özel ağ bağlantısı ve düşük gecikme süresi ile öne çıkar. Yüksek bant genişliği gereksinimleri ve güvenli bağlantılar için uygunluğu yüksektir.</p><p>Düşük gecikme ve yüksek kullanılabilirliğe sahip <strong>Global Accelerator </strong>hizmeti, uygulama performansını artırmak için küresel ağ sunmanıza olanak sağlar.</p><p><strong>Route 53, </strong>DNS hizmeti sağlar ve trafik yönlendirme ile yük dengelemesi yapar.</p><p>Şimdi sırada Bulut kaynaklarına erişimi kontrol etmek adına Güvenlik ve Kimlik hizmetlerini ele alalım.</p><p><strong>Güvenlik ve Kimlik (Security &amp; Identity): </strong>Kimlik doğrulama ve veri şifreleme metotları ile güvenliği artırma yönünde izleme ve raporlama hizmetleri sağlayan bu kısmın kavramları ise IAM, KMS, Shield, Secrets Manager ‘ dır.</p><p><strong>AWS IAM (Identity and Access Management), </strong>Kullanıcı yönetimi, izin kontrolü ve rol yönetimi sağlar.<strong> KMS (Key Management Service) </strong>şifreleme anahtarlarını yönetir, veri şifreleme ve anahtar yönetimi sağlar. <strong>Shield, </strong>DDoS koruması sağlar; Standard ve Advanced seçenekleri bulunmaktadır. <strong>AWS Secrets Manager </strong>ise<strong> </strong>şifrelerin ve gizli bilgilerin yönetimi için şifreleme ve rota sağlar.</p><p>Son olarak AWS’de yönetime ve izlemeye destek veren servisleri ele alalım.</p><p><strong>Yönetim (Governance &amp; Management): </strong>Çok çeşitli hizmetleri bulunan bu kısımda API çağrılarını izleme ve kayıt altına alma, olay günlüklerini sunma ve loglama için <strong>CloudTrail,</strong> performans izleme, metrik toplama uyarılar, sistem sağlık raporları ve alarm oluşturma özellikleri için <strong>CloudWatch,</strong> kaynak konfigürasyonlarını izleme, denetleme ve değişiklik geçmişi sunma özellikleri için <strong>Config</strong>, kullanımları en sık tercih edilen servisler arasında yerini korumakta.</p><p>AWS hakkında temel bilgileri öğrendiğimize göre Migration’a geçebiliriz. Mevcut bir uygulama, veri veya altyapının aslında bir bulut sağlayıcısına aktarılmasına Migration denir. <strong>AWS Migration ise bu sistemlerin AWS ortamına taşınması demektir.</strong> AWS Migration süreci ilk olarak değerlendirme ile başlar. Yani ihtiyaçlar belirlenip altyapı analiz edilir bu aşamada. Ardından aşağıda yer alan stratejiler özelinde planlama yapılır. Şimdi geçiş stratejilerine bir göz atalım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/515/1*4Fn7CLC2i63RYBm062lhjg.png" /></figure><p>AWS Göç Stratejileri: Göç işlemleri aslında birçok farklı şekilde karşımıza çıkar. Tamamen bir uygulamayı veya bir uygulamanın bileşenlerini taşıma, uygulamaları yeniden tasarlama, yerinde bırakma gibi eylemlerin her biri için aşağıda listelediğim isimleri kullanmaktayız. Bu eylemle birlikte bazı AWS araçlarını da yardımcı olması niteliğiyle tercih edebilmekteyiz. Bu detaylara aşağıda yer vermiş bulunmaktayım. <br>Genel olarak şu şekilde özetlenebilir:</p><blockquote><strong>Rehost (Lift and Shift):</strong> Mevcut uygulamaları buluta taşıma yöntemidir. Hızlı geçiş sağlar ve minimal değişiklik gerektirir. Genellikle acil durum geçişleri için uygundur. AWS Migration Hub ve AWS Server Migration Service gibi araçlar ile kullanılır.</blockquote><blockquote><strong>Replatform (Lift, Tinker, and Shift):</strong> Uygulama bileşenlerinde bazı değişikliklerle buluta taşıma yönteminin adıdır. Performans ve maliyet optimizasyonu sağlar. AWS Elastic Beanstalk ve Amazon RDS araçları kullanılır.</blockquote><blockquote><strong>Refactor (Re-architect):</strong> Uygulamaları bulut-native hizmetler için yeniden tasarlama yöntemi. Modernizasyon ve yüksek ölçeklenebilirlik sağlar. AWS Lambda, Amazon ECS ve AWS Fargate araçları kullanılır.</blockquote><blockquote><strong>Retire: </strong>Kullanılmayan veya gereksiz uygulamaları kapatma yöntemi. Maliyetleri azaltma ve gereksizlikleri ortadan kaldırma sağlar. AWS Trusted Advisor ve AWS Cost Explorer araçları kullanılır.</blockquote><blockquote><strong>Retain</strong>: Bazı uygulamaların yerinde kalmasına karar verme yöntemi. Bulut geçişi gerekmeyen uygulamalar için uygundur. Genellikle özel bir araç gerektirmez.</blockquote><blockquote><strong>Relocate: </strong>Mevcut uygulamaları veya verileri, bulut ortamında barındırmak üzere taşımak anlamına gelir. Bu strateji, uygulamaları fiziksel bir veri merkezinden bulut altyapısına taşır.</blockquote><p>Buradaki tercihlerimiz veya taşımalarımızın ardından kaynak ve bütçe belirlenip bu kısmın planlamasına geçilir. Artık taşımaya hazır durumdayız. Belirlediğimiz stratejiye göre veri veya uygulamalar taşınır, altyapı yeniden kurulur ve işlem tamamlanır. Geçişten sonra ilk iş olarak test ve doğrulama yapılır. Devamında yukarıda saydığımız maddeler özelinde optimizasyona geçilerek ilerlenir.</p><p>Tabii ki de göç ettikten sonra işlem bitmiş değil. Göç sonrası kaynakları etkin yönetebilmek adına yine AWS’nin sunmuş olduğu bazı araçları bilmemizde yarar görmekteyim.</p><h3>Göç Ettikten Sonra Kaynakları Etkin Yönetme Araçları Nelerdir?</h3><p><strong><em>Göç tamamlandıktan sonrası da en az göç kadar önem arz etmektedir.</em> </strong>AWS’nin aşağıda değineceğimiz hizmetlerinden yararlanarak kaynakları etkin yönetme noktasında yol haritası oluşturabilirsiniz.</p><p>Maliyetlerinizi analiz etmek ve optimizasyon yapmak için <strong>AWS Cost Explorer</strong> kullanılır. Geçmiş harcamalarınızı inceleyebilir, maliyet trendlerini görebilir ve bütçeler oluşturabilirsiniz. Ardından <strong>AWS Trusted Advisor </strong>ile AWS ortamınızı analiz edip öneriler alabilirsiniz. Güvenlik, performans, maliyet optimizasyonu ve hizmet limitleri hakkında tavsiyeler alarak kaynaklarınızı en iyi şekilde yapılandırabilirsiniz. Performans ve maliyet verimliliğini artırmak için compute kaynaklarınızın kullanımını analiz eden <strong>AWS Compute Optimizer’ı </strong>kullanabilirsiniz.</p><p><strong>AWS Budgets ile</strong> belirlediğiniz bütçeleri aştığınızda uyarılar alabilir ve harcamalarınızı kontrol altında tutabilirsiniz.<br>Tüm bu kaynakların bir de performanslarını takip etmeniz lazım!<strong>AWS CloudWatch </strong>bunun için en iyi seçim olabilir. Kaynaklarınızın performansını izler ve alarmlar kurar. Performans verilerini toplar, sistem sağlık raporları sunar ve gerektiğinde müdahale etmenizi sağlar.<strong>AWS Control Tower </strong>ise tüm bu süreçler için otomasyon ve uyumluluk araçları sunar.</p><p>Bu yazımızda temel anlamda AWS’den bahsedip ardından Migraton’a geçtik. Göç ve göç sonrası bilgi edinirken AWS’nin bizlere sunduğu birçok hizmete de yer vermiş olduk.</p><p>Bir sonraki yazımızda görüşmek üzere hoşçakalın :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2dcab6d0ca41" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/aws-cloud-practitioner-migration-strategies-2dcab6d0ca41">AWS Cloud Practitioner &amp; Migration Strategies</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Openstack/ Freezer Nedir?]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/openstack-freezer-nedir-ae3fc4776bff?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/ae3fc4776bff</guid>
            <category><![CDATA[backup]]></category>
            <category><![CDATA[openstack]]></category>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[cloud-storage]]></category>
            <category><![CDATA[open-source]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Mon, 05 Feb 2024 07:52:56 GMT</pubDate>
            <atom:updated>2024-02-05T07:52:56.479Z</atom:updated>
            <content:encoded><![CDATA[<p>Merhabalar!</p><p>Önceki yazımızda OpenStack’in açık kaynaklı bir bulut bilişim platformu olduğundan ve farklı birçok hizmet sunduğundan bahsetmiştik. Bahsedilen bu hizmetler arasında depolama ve yedekleme hizmetleri de bulunmaktadır.</p><p>İşte tam olarak burada Freezer çözümü devreye girer:</p><h4><strong>“ Freezer, OpenStack depolama hizmetlerinde kullanılan bir yedekleme ve geri yükleme çözümüdür. Depolama sistemlerindeki verilerin yedeklenmesi için kullanılır. “</strong></h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/441/1*HPEFO8PD7ESgjz5txhEiXA.png" /></figure><p>Freezer, farklı depolama sistemleri ve veri türleri için yapılandırılabilir ve özelleştirilebilir. Bu sayede verilerin kaybolmasını veya bozulmasını önlemek mümkündür. Ayrıca bu hizmet açık kaynaklı ve ücretsizdir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/205/1*viqHcvP7xmVbA_JlfGqFJw.png" /></figure><p>Openstack’in yedekleme çözümü olan Freezer’ın detaylarına değinmeden önce genel anlamda neden yedeklemeye ihtiyaç duyarız, yedekleme türleri nelerdir gibi konulardan bahsedelim.</p><h4><strong>Neden Veri Yedekleme?</strong></h4><blockquote>Yedekleme; veri kaybını önlemek, felaket durumlarına karşı hazırlıklı olmak ve veri bütünlüğünü sağlamak amacıyla gerçekleştirilen bir işlemdir. Kullanılan yöntemlere göre farklı yedekleme türleri bulunmaktadır.</blockquote><h3><strong>Yedekleme Türleri</strong></h3><p><strong>1. Tam Yedekleme </strong>(<em>Full Backup</em>)<strong>:</strong> Tüm veri setini yedekler. Bu, en kapsamlı yedekleme türüdür ancak depolama alanı ve zaman açısından maliyetlidir.</p><p><strong>2. Artımlı Yedekleme</strong> (<em>Incremental Backup)</em>: Yalnızca bir önceki yedeklemeden bu yana yapılan değişiklikleri yedekler. Bu, depolama kullanımını azaltır ancak geri yükleme işlemi daha karmaşık olabilir.</p><p><strong>3. Diferansiyel Yedekleme</strong> (<em>Differential Backup</em>): Son tam yedekleme ile karşılaştırılarak yapılan değişiklikleri yedekler. Depolama kullanımı artabilir, ancak geri yükleme süreci artımlı yedeklemeye göre daha basittir.</p><p><strong>4. Sürekli Yedekleme</strong> <em>(Continuous Backup</em>): Verilerdeki her değişikliği anında yedekler. Bu, sürekli koruma sağlar ancak sürekli olarak işlem gücü ve bant genişliği kullanır.</p><p><strong>5. Aynalama Yedekleme</strong> <em>(Mirror Backup</em>): Kaynak veri setinin tam bir kopyasını oluşturur. Bu, yedekten geri yükleme sürecini hızlandırabilir, ancak depolama ihtiyacını artırır.</p><p><strong>6. Hibrid Yedekleme <em>(</em></strong><em>Hybrid Backup</em>)<strong>: </strong>Birden fazla yedekleme türünün kombinasyonunu içerir. Örneğin, tam yedekleme ile periyodik artımlı yedeklemeyi birleştirebilir.</p><p>Her yedekleme türünün kendisine göre avantaj ve dezavantajları olduğundan güvenlik ihtiyaçları, depolama maliyetleri ve geri yükleme süreçleri gibi faktörleri baz alarak seçim yapmak önemlidir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/228/0*1iDDfqGc4bal4hVI" /></figure><h4><strong>FREEZER ÇALIŞMA MANTIĞI NEDİR?</strong></h4><p>Freezer, OpenStack’te kullanılan bir<strong> yedekleme ve geri yükleme çözümüdür.</strong> Bu sayede depolama sistemleri, veritabanları, dosya sistemleri gibi birçok veri kaynağından veriler yedeklenebilir.</p><p>Yedeklenen verilerin ne kadar saklanacağına, hangi koşullarda silineceğine, yedekleme işlemlerinin hangi sıklıkta yapılacağına ve yedeklerin nereye kaydedileceğine dair de kullanıcılara esneklik sağlamaktadır.</p><p>Freezer, yedekleme işlemlerini farklı modlarda gerçekleştirir. Örneğin, tam yedekleme modunda tüm verilerin yedeklenmesi gerçekleştirilirken, artımlı yedekleme modunda sadece değişen veriler yedeklenir. Böylece depolama alanında tasarruf sağlanır ve yedekleme işlemi daha hızlı tamamlanır. Kendi ihtiyaçlarınızı göz önünde bulundurarak, yedekleme işlemlerinizi yapılandırıp uygun yedekleme modu ve stratejilerini seçebilirsiniz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/180/0*bC8Y5TghHEWQfmH6" /></figure><p><strong>OPENSTACK FREEZER İLE BULUTTA YEDEKLEME</strong></p><p>OpenStack Freezer, hem lokalde hem bulutta yedekleme işlemlerini destekleyen bir araçtır. Belirli bir bulut depolama sağlayıcısıyla entegre olarak çalışabilir ve bu sayede bulut tabanlı yedekleme işlemleri gerçekleştirilir.</p><p><em>Bulut yedekleme işlemleri genel olarak şu şekilde gerçekleşir:</em></p><p>Freezer, kullanıcıların tercih ettikleri<strong> bulut depolama sağlayıcısı</strong>nı kullanmalarına olanak tanır. (Amazon S3, OpenStack Swift, Google Cloud Storage gibi.) Bu nedenle ilk etapta bir bulut depolama sağlayıcısı seçmeliyiz. Bulut depolama sağlayıcısıyla iletişim kurabilmek için ise <strong>yetkilendirme</strong> bilgilerinin yapılandırılması gerekmektedir. Bu bilgiler erişim anahtarları, parolalar veya diğer yetkilendirme yöntemlerini içerebilir. Ardından az önce bahsettiğimiz hangi kaynakların yedekleneceği,<strong> yedeklemenin ne sıklıkta</strong> <strong>olacağı</strong> gibi politikalar belirlenir ve yedekleme işlemlerine geçilir. Freezer, belirlenen politikalara göre kaynakların anlık görüntülerini alır ve bu görüntüleri belirlenen bulut depolama alanına yedekler.</p><p>Yedekleme işlemi esnasında en önemli noktalardan biri de hiç şüphe yok ki:<strong> Güvenlik!</strong> Freezer, yedekleme verilerini şifreleyerek güvenli bir şekilde bulut depolama sağlayıcısına iletir. Bu sayede yedekleme işlemi kesintisiz tamamlanmış olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/239/1*W53SFKjU-4zFFyGQeeB97A.png" /><figcaption>D a t a B a c k u p</figcaption></figure><p><strong>FREEZER İLE NELERİN YEDEĞİNİ ALABİLİRİM?</strong></p><p>Freezer, farklı veri kaynaklarından yedekleme yapmamıza olanak tanır.</p><p>Bu kaynaklardan bazılarını şu şekilde sıralayabiliriz:</p><blockquote><strong>- Dosya sistemleri</strong>ndeki dosyaların yedeklenmesini sağlar. Böylece, sunucuların verileri kaybetmesi durumunda yedeklerden geri yükleyebilirsiniz.</blockquote><blockquote><strong>- Veritabanlarının </strong>yedeklerini almanızı sağlar. (MySQL, PostgreSQL, MongoDB, gibi)</blockquote><blockquote><strong>- Blok depolama</strong> sistemlerindeki verilerin yedeklenmesine olanak tanır. Bu, özellikle büyük ölçekli depolama sistemleri için fayda sağlamaktadır.</blockquote><blockquote><strong>- Ağa bağlı depolama (NAS)</strong><em> </em>sistemlerindeki verilerin yedeklenmesine olanak tanır. Dosya tabanlı depolama için faydalıdır.</blockquote><blockquote><strong>- Sanal makineler;</strong> OpenStack’daki sanal makinelerin yedeklerini almanıza olanak tanır. Bu, sanal makinelerin hızlı bir şekilde geri yüklenmesini sağlayabilir.</blockquote><blockquote><strong>- Uygulama verileri</strong>nin yedeklerini almanızı sağlar. Özel uygulamalar için kolaylık sağlamaktadır.</blockquote><h3><strong>OPENSTACK FREEZER İLE YEDEKLEMENİN AVANTAJ &amp; DEZAVANTAJLARI NELERDİR?</strong></h3><p>OpenStack Freezer’ı tercih etmenin avantajları ve dezavantajları şu şekilde özetlenebilir:</p><p><strong>Avantajlar:</strong></p><ul><li><strong>OpenStack Entegrasyonu: </strong>Freezer, OpenStack ekosistemine entegre edilmiş olduğu için bulut ortamında çalışan kaynakları daha iyi yönetmenizi ve kullanmanıza olanak sağlar.</li><li><strong>Çeşitli Kaynakları Destekleme: </strong>Sanal makineler, Cinder volume’ları ve Swift nesneleri gibi çeşitli OpenStack kaynaklarını desteklemesi özelliğiyle farklı türde verilere sahip kaynaklardan yedekleme alınabilmektedir.</li><li><strong>Anlık Görüntü <em>(Snapshot)</em> Desteği: </strong>Belirli bir anlık görüntüyü hızlı şekilde alabilme yeteneği sunmasıyla veri bütünlüğünü sağlar ve belirli bir zamandaki durumu geri yükleyebilmenize olanak tanır.</li><li><strong>Planlı Yedeklemeler: </strong>Belirli bir plana göre yedekleme işlemleri oluşturmanıza olanak tanıdığı için otomatik yedekleme stratejileri geliştirebilmesi sağlanmış olur.</li></ul><p><strong>Dezavantajlar:</strong></p><ul><li><strong>Karmaşıklık: </strong>Freezer’ın kullanımı bazen karmaşık olabilir. Doğru yapılandırma ve kullanım için hakimiyet gerektirebilir.</li><li><strong>Performans Etkisi: </strong>Yedekleme işlemleri, özellikle büyük veri setlerinde kaynakların performansını etkileyebilir. Bu yüzden yedekleme sürelerinin ve kaynak kullanımının dikkatli şekilde yönetilmesi gerekmektedir.</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pLs7z1PJvOl5964BA67ixg.png" /></figure><h3><strong>ETKİLİ BİR OPENSTACK/ FREEZER KULLANIMI İÇİN NE GEREKİR?</strong></h3><p>İlk olarak Freezer, Openstack üzerinde çalışan bir proje olduğu için temel anlamda <strong>Openstack kavramları</strong>nı bilmek işinizi bu süreçte kolaylaştıracaktır. Freezer’ı kurmak, yapılandırmak ve yönetmek gibi kısımlarda <strong>Linux</strong> da bilgi sahibi olmak, temel komut satırı becerileri, paket ve sistem yönetimi ile ilgili konulara hakim olmak gerekmektedir. Yine OpenStack, sanallaştırma teknolojilerinde kullandığı için VM ve Docker gibi <strong>sanallaştırma teknolojileri</strong> hakkında temel bilgiler edinebilirsiniz.</p><p>Çeşitli veritabanlarına entegre olmasından dolayı <strong>veritabanı bilgisi</strong>ne hakim olmanız da bu konuda yetkinliğinizi arttıracaktır. Aynı şekilde backup, recovery konularında aşinalık kazanmanız da bu konudaki hızınıza etki edecektir. Freezer Python dilinde yazılmıştır. Bu sebeple<strong> temel Python bilgisi</strong>ne sahip olmanız yapılandırma dosyalarında size pratiklik sağlayacaktır.</p><p>Her projede <strong>dokümantasyon</strong> en kritik nokta olduğu için Freezer’ın resmi dokümantasyonunu anlamanız ve gerekli desteği almanız da çok önemlidir.</p><p>Yukarda saydığımız kavramlara aşina değilseniz bile bu Openstack atmosferine girmenize bir engel değil :) Biraz araştırma ve deneyim ile Openstack dünyasında siz de yerinizi alabilirsiniz :)</p><p>Sonraki yazımızda görüşmek üzere! 🖐</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ae3fc4776bff" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/openstack-freezer-nedir-ae3fc4776bff">Openstack/ Freezer Nedir?</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AiOps & Makine Öğrenimi]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/aiops-makine-%C3%B6%C4%9Frenimi-63b34af75811?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/63b34af75811</guid>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[automation]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[aiops]]></category>
            <category><![CDATA[big-data]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Fri, 15 Sep 2023 07:05:15 GMT</pubDate>
            <atom:updated>2023-09-15T07:05:15.350Z</atom:updated>
            <content:encoded><![CDATA[<p>Herkese merhaba, bugünkü yazımızda “AiOps ve Makine Öğrenimi” kavramları üzerinde duracağız. <br>İlk olarak:</p><h4>Nedir AiOps?</h4><p>Gartner tarafından geliştirilen AiOps (Artificial intelligence for IT operations), yani IT operasyonları için yapay zeka , operasyonel iş akışlarını otomatikleştirmek ve kolaylaştırmak için doğal dil işleme ve makine öğrenimi modelleri gibi yapay zeka (AI) yeteneklerinin uygulanmasıdır .</p><p>AiOps’un üç temel bileşeni; büyük veri, analiz ve makine öğrenimi yetenekleridir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/883/1*AxbzqAGi9SoQ4t7OyR6oBw.png" /></figure><h3>AiOps’ta Makine Öğrenimi</h3><p>Makine öğrenimi, AiOps’un temel bileşenlerinden biridir ve büyük veri analizini, otomasyonu ve tahmini mümkün kılar. AiOps, makine öğrenimi sayesinde verilerden anlamlı bilgiler elde ederek IT operasyonlarındaki günlük iş yükünü azaltır ve daha iyi kararlar alınmasına yardımcı olur.</p><p>AiOps’ta makine öğreniminin kullanıldığı alanlara değinecek olursak:</p><p><strong>1. Veri Analizi ve Öğrenme:</strong> AiOps, büyük operasyonel veriyi analiz eder ve makine öğrenimi algoritmaları sayesinde sistem ve uygulamaların normal davranış kalıplarını öğrenir. Normal kalıpları öğrenerek anormal kalıpları tanır. Bu veri analizi, altyapı hataları, uygulama performans sorunları ve kullanıcı deneyimi gibi kritik bilgilere ulaşılmasını sağlar.</p><p><strong>2. Büyük Veri İşleme: </strong>AiOps, büyük miktarda veriyi işlemek ve anlamlı bilgiler çıkarmak için makine öğrenimini kullanır. <em>Bu geleneksel yöntemlerle zor işlenen verilerin daha etkili bir şekilde analiz edilmesini sağlar.</em></p><p><strong>3. Tahmin ve Öneriler: </strong>AiOps, makine öğrenimiyle veri analizini kullanarak gelecekte oluşabilecek sorunları tahmin eder. <em>Bu sayede IT ekipleri, proaktif önlemler alarak gelecekteki olası sorunların etkisini azaltabilir.</em></p><p><strong>4. Verimlilik ve Otomasyon:</strong> AiOps, makine öğrenimiyle tekrarlayan görevleri ve manuel işlemleri otomatikleştirir. <em>Bu, IT insan hatalarının önüne geçer ve maksimum verim sağlar.</em></p><p><strong>5. Otomatik Sorun Tespiti:</strong> Makine öğrenimi, AiOps’un sorunları otomatik olarak tespit etmesini sağlar. <em>Sistem ve uygulamaların normal davranışını anlayan algoritmalar, anomalileri hızla tespit ederek operasyonel kesintileri önlemeye yardımcı olur.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/566/1*C_6cXQY7yq9jnaP0mmRlHw.png" /></figure><h3>Neden AiOps/ Makine Öğrenmesinden Faydalanmalıyız?</h3><p>Bunları beş maddede sıralayabiliriz:</p><p><strong>1. Hızlı sorun tespiti ve çözümü sağlar</strong></p><p>- AiOps, büyük veri kümelerini gerçek zamanlı analiz ederek sorunları hızlı bir şekilde tespit eder.</p><p>- Sorunların otomatik olarak tanımlanması sayesinde IT ekipleri zamanında müdahale edebilir ve sistem kesintilerini en aza indirebilir.</p><p>- <em>Örnek: AiOps, sunucu performansında beklenmedik bir düşüş tespit ederek sorunun bir kötücül yazılımdan kaynaklandığını belirler ve yazılımı izole eder.</em></p><p><strong>2. Proaktif bakım ve önleyici tedbirler sağlar</strong></p><p>- Makine öğrenimi algoritmaları, veri analizinden gelecekteki sorunları tahmin eder ve önleyici önlemler almayı sağlar.</p><p>- Daha önce oluşan benzer olaylardan öğrenerek, sistem performansında olası bir düşüşe neden olacak faktörleri önceden belirler.</p><p><em>- Örnek: AiOps, ağdaki belirli bir cihazın yakında hizmet dışı kalabileceğini tahmin eder ve IT ekiplerine zamanında bir yedekleme cihazı temin etmelerini önerir.</em></p><p><strong>3. Daha iyi veri analizi ve görselleştirme sağlar</strong></p><p>- AiOps, büyük veri miktarlarını etkili bir şekilde işleyerek anlamlı bilgiler elde eder.</p><p>- Görselleştirmeler ve raporlar, IT ekiplerine karmaşık verileri anlamak ve eğilimleri hızla görmek için kolaylık sağlar.</p><p><em>- Örnek: AiOps, ağ performansını canlı bir grafik üzerinde sunar ve ağ trafiğinde anormal bir artış olduğunda IT ekiplerini hemen uyarır.</em></p><p><strong>4. Otomasyon ve verimlilik artışı sağlar</strong></p><p>- Tekrarlayan görevleri otomatikleştirerek insan hatalarını ve zaman kaybını azaltır.</p><p>- IT ekiplerinin daha stratejik görevlere odaklanmasını ve daha yaratıcı projelere katkıda bulunmasını sağlar.</p><p><em>- Örnek: AiOps, anormal ağ trafiğini otomatik olarak tespit eder ve engeller. Siber güvenlik ekiplerinin zamanını diğer kritik görevlere ayırmasına olanak tanır.</em></p><p><strong>5. Kullanıcı Deneyimi İyileştirmesi Sağlar</strong></p><p>- Sorunları hızlıca tespit ederek, kullanıcıların kesintisiz ve daha güvenilir bir deneyim yaşamasını sağlar.</p><p>- Daha az sistem kesintisi ve performans düşüşü, müşteri memnuniyetini artırır ve işletmenin itibarını güçlendirir.</p><p><em>-Örnek: AiOps, web sitesindeki yavaş yükleme sürelerini tespit eder ve sunucu kapasitesini artırmak için otomatik olarak önerilerde bulunur.</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/660/1*ZJu-G7qbduLMpoxoDDJgsg.png" /></figure><h3>Olası Dezavantajlar Neler?</h3><p>Her teknolojide olduğu gibi AiOps’un kullanımı ve uygulanması konusunda da bazı dezavantajlar bulunmaktadır. Bunlardan bazılarını açıklayacak olursak:</p><p><strong>1.Veri Güvenliği ve Mahremiyet Sorunları:</strong></p><p>AiOps, büyük miktarda operasyonel veri toplar ve analiz eder. Ancak, bu verilerin güvenliği ve mahremiyeti endişe kaynağı olabilir. Hassas verilerin kötü niyetli kişilerin eline geçmesi veya yanlış ellere ulaşması potansiyel bir risktir.</p><p><strong>2. Kompleks Uygulama ve Entegrasyon:</strong></p><p>AiOps’un başarılı bir şekilde uygulanması, mevcut altyapı ve sistemlerle entegrasyon gerektirir. Kurum içinde birden fazla sistem ve uygulama ile etkili bir şekilde çalışmak, zorlayıcı ve zaman alıcı olabilir.</p><p><strong>3. Yüksek Maliyet:</strong></p><p>AiOps’un uygulanması ve altyapı için gerekli teknolojilerin satın alınması, işletmelere yüksek maliyetlere neden olabilir. Ayrıca, eğitim ve uzman personel gereksinimi de ek maliyetlerle birlikte gelir.</p><p><strong>4. Doğruluk ve Güvenilirlik Sorunları:</strong></p><p>Makine öğrenimi modelleri ve algoritmaları, tüm durumlarda %100 doğru olamaz. Yanlış veri etiketlemesi, model hataları ve veri analizindeki dış etmenler, AiOps’un tahminlerinde ve önerilerinde yanlış sonuçlara neden olabilir.</p><p><strong>! AiOps’un başarılı bir şekilde kullanılması için işletmelerin bu potansiyel avantaj ve dezavantajları göz önünde bulundurarak uygun stratejiler belirlemesi önemlidir. Doğru bir strateji ile AiOps’tan maksimum verim elde etmek mümkün olacaktır.</strong></p><h4>AiOps’un Küresel Çapta Etkisi Nedir?</h4><p>Küresel Pazar Araştırması, BT operasyonları için Yapay Zeka (AIOps) öngörüyor Pazar büyüklüğü 2020&#39;de 2 milyar ABD Dolarını aştı ve 2021&#39;den 2027&#39;ye kadar %20&#39;nin üzerinde kazanç kaydederek 10 Milyar ABD Dolarına ulaşması bekleniyor.</p><p>Digital Enterprise Journal’ın araştırmasına göre , 2018&#39;den bu yana AIOps yeteneklerini dağıtan veya dağıtmayı düşünen kuruluşların sayısında %83&#39;lük bir artış oldu.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*wve_634D9uMNq2oqi__9FQ.jpeg" /></figure><p>AiOps ve Makine Öğrenimi konularından bahsettiğim yazımız burada sona eriyor. Bir sonraki yazımızda görüşmek üzere :)</p><h4><strong>Kaynak:</strong></h4><ul><li>[<a href="https://www.ibm.com/aiops">https://www.ibm.com/aiops</a>]</li><li>[<a href="https://www.cisco.com/c/en/us/solutions/artificial-intelligence/what-is-aiops.html">https://www.cisco.com/c/en/us/solutions/artificial-intelligence/what-is-aiops.html</a>]</li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=63b34af75811" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/aiops-makine-%C3%B6%C4%9Frenimi-63b34af75811">AiOps &amp; Makine Öğrenimi</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Openstack Nedir?/ Openstack Servisleri Ne İşe Yarar?]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/openstack-nedir-openstack-servisleri-ne-i%CC%87%C5%9Fe-yarar-636c5899488f?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/636c5899488f</guid>
            <category><![CDATA[openstack]]></category>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[iaas]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Tue, 18 Jul 2023 12:59:33 GMT</pubDate>
            <atom:updated>2023-07-18T12:59:33.524Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*AIsGR2sdSTNAUhUA.png" /></figure><p>Herkese merhaba,</p><p>Openstack hakkındaki yazı serimin ilkinde Openstack’ten ve Openstack servislerinden genel hatlarıyla bahsedeceğim.</p><p>Öncelikle Openstack nedir, ne için kullanılır bununla başlayalım:</p><p><strong>OpenStack;</strong> bulut bilişim altyapıları için<em> </em><strong><em>açık kaynaklı</em></strong> bir yazılımdır. Farklı bileşenleri sayesinde bir çok başlığı tek bir çatı altında toplar. Bunlara hesaplama, ağ, depolama ve diğer bulut kaynaklarının yönetimini örnek verebiliriz. Ö<strong>zel </strong>veya <strong>hibrit</strong> bulut altyapıları oluşturmak isteyen kuruluşlar <strong><em>ölçeklenebilir</em></strong> ve <strong><em>esnek</em></strong> bir şekilde bu kaynakları kullanabilirler.</p><p>OpenStack, özellikle <strong><em>yüksek performans</em></strong>, <strong><em>güvenilirlik</em></strong><em> </em>ve <strong><em>özelleştirilebilirlik</em></strong> gibi özellikleri sayesinde, birçok kuruluş tarafından tercih edilen bir <strong>IaaS</strong> <strong>(Infrastructure as a Service)</strong> yani altyapı olarak hizmet aracıdır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/745/1*ZQ1FDGRA0Eir-k2LKtY1_w.png" /></figure><p><strong>Openstack servislerinin ve bileşenlerinin ilişkilendirilmiş haritası aşağıdaki gibidir:</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MvCliJy-lT081Tihi7YDKg.jpeg" /></figure><p>Openstack’in ne olduğundan bahsettiğimize göre şimdi Openstack servislerinden ve hangi amaçlarla kullanıldıklarından bahsedelim.</p><p>İlk olarak;</p><p><strong>1)</strong> <strong>Web Frontend/ Horizon</strong></p><p>OpenStack Dashboard’unun diğer bir adıdır ve kullanıcılara bir web arayüzü üzerinden OpenStack platformuna erişme imkanı sağlar. Bu arayüz, kullanıcılara iş yüklerini yönetme, kullanıcı hesaplarını yönetme, sunucuların durumunu izleme ve diğer OpenStack kaynaklarını yönetme gibi işlevleri gerçekleştirme imkanı verir. Horizon aynı zamanda, OpenStack platformunda bulunan diğer bileşenlerle de etkileşime girerek kullanıcılara daha kapsamlı bir yönetim deneyimi sunar.</p><p>Bir diğer bileşenimiz;</p><p><strong>2)</strong> <strong>EC2API Proxies</strong></p><p>OpenStack platformundaki bileşenler arasındaki iletişimi koordine etmek için kullanılan bir bileşendir. OpenStack’teki bileşenler arasındaki iletişimi optimize ederek, API trafiğini kontrol eder ve dağıtır.</p><p><strong>3)</strong> <strong>Workload Provisioning</strong></p><p>Kullanıcıların kaynaklarını kolay bir şekilde talep etmelerini sağlar ve ihtiyaçlarına göre hızlı bir şekilde çalışabilmelerini sağlar.</p><p>Bunun da çeşitli bileşenleri vardır:</p><p>a. <strong>Magnum:</strong> Magnum, OpenStack’in konteyner yönetim sistemi bileşenidir. Kullanıcılar Docker, Kubernetes ve Mesos gibi konteyner çözümlerinin oluşturulması, yönetilmesi ve ölçeklendirilmesi için Magnum’u kullanabilirler.</p><p>b. <strong>Trove:</strong> Trove, OpenStack’un veritabanı hizmeti bileşenidir. Trove, kullanıcılar için veritabanı sunucusu oluşturmayı ve yönetmeyi kolaylaştırır.</p><p>c. <strong>Sahara:</strong> Sahara, OpenStack’un büyük veri çözümleri için bir bileşenidir. Hadoop, Spark ve Storm gibi büyük veri çözümlerinin oluşturulması, yönetimi ve ölçeklendirilmesi için kullanılır.</p><p><strong>4)</strong> <strong>Application Lifecycle</strong></p><p>Uygulama geliştirme sürecinin her aşamasını destekleyip otomatikleştiren ‘Uygulama Yaşam Döngüsü’ bileşenleri:</p><p>a. <strong>Murano:</strong> OpenStack’ta uygulama yaşam döngüsü yönetimi için bir yazılım kataloğu ve uygulama dağıtım hizmetidir.</p><p>b.<strong> Solum: </strong>OpenStack’ta uygulama geliştirme platformu olarak kullanılır ve geliştiricilerin uygulama kodunu oluşturmasına, derlemesine ve dağıtmasına olanak tanır.</p><p>c.<strong> Masakari:</strong> OpenStack’ta yüksek kullanılabilirlik ve felaket kurtarma için bir hizmettir ve uygulama yaşam döngüsü boyunca, donanım ve yazılım arızalarına karşı yüksek kullanılabilirlik sağlar.</p><p>d. <strong>Freezer: </strong>Openstack’ta kullanılan bir yedekleme ve geri yükleme aracıdır. Freezer, sanal ve fiziksel makine yedeklemeleri yapabilir, veritabanları, dosya sistemleri, uygulamalar ve OpenStack nesneleri gibi birçok farklı kaynağı yedekleyebilir. Yedeklemeleri alınan veriler, dosya sistemi veya nesne depolama gibi çeşitli hedeflerde depolanabilir ve istenildiğinde geri yüklenebilir. Ayrıca Freezer, otomatik planlama ve yürütme gibi bir dizi özellik sunar ve yedeklemelerin durumunu izleyebilir.</p><p><strong>5)</strong> <strong>Orchestration</strong></p><p>Karmaşık bulut kaynaklarının otomatik olarak dağıtılması, yapılandırılması ve yönetilmesini sağlayan bir özelliktir. Bileşenleri şunlardır:</p><p>a. <strong>Heat:</strong> OpenStack’ta bulunan bir Orchestration motorudur. Şablon tabanlı yaklaşımı kullanarak, birden fazla kaynak arasındaki ilişkileri tanımlayarak ve uygulayarak uygulama dağıtımlarını otomatikleştirir.</p><p>b. <strong>Senlin: </strong>OpenStack’un otomatik ölçeklendirme hizmetidir. Bu, uygulama ölçeklendirme ihtiyacı olduğunda kaynakların otomatik olarak eklenmesi veya çıkarılması anlamına gelir.</p><p>c. <strong>Mistral:</strong> OpenStack’ta bulunan bir iş akışı yöneticisidir. İş akışları oluşturmak için tanımlayıcı bir dil olan YAML kullanır ve bu iş akışları, birden fazla servisi birleştirerek tek bir işlemi gerçekleştirebilir.</p><p>d.<strong> Zaqar:</strong> OpenStack’ta bulunan bir mesajlaşma servisidir. Uygulamalar arasında asenkron mesajlaşma sağlar. Bu, dağıtılmış uygulamalarda, uygulama bileşenleri arasındaki iletişimi kolaylaştırmak için kullanılabilir.</p><p>e. <strong>Aodh:</strong> OpenStack’ta bulunan bir olay altyapısı hizmetidir. Bu bileşen, çeşitli OpenStack bileşenlerinden gelen olaylar için alarm oluşturmanıza olanak tanır. Örneğin, bir sunucu kaynak tüketim limitini aştığında, Aodh bu durumu algılayabilir ve ilgili eylemi gerçekleştirebilir.</p><p>f. <strong>Blazar:</strong> OpenStack’ta bulunan bir kaynak yönetimi hizmetidir. Bu bileşen, belirli kaynakların kullanımını kontrol etmek için bir arayüz sağlar. Örneğin, bir veritabanı sunucusunun kullanımını kontrol etmek için Blazar kullanılabilir.</p><p>Bir diğer servis;</p><p><strong>6)</strong> <strong>Storage</strong></p><p>OpenStack Storage, kullanıcılara esnek, ölçeklenebilir ve güvenli bir depolama\yedekleme çözümü sağlamasının yanı sıra farklı depolama teknolojilerini destekleyerek çeşitli kullanım senaryolarına uyum sağlar. Bileşenleri şu şekildedir:</p><p>a. <strong>Swift:</strong> OpenStack’ta bulunan bir nesne depolama sistemidir. Bu bileşen, büyük veri dosyalarını depolamak için kullanılır ve uygulamalar arasında veri paylaşımı yapmak için kullanılabilir. Swift, verileri yüksek ölçeklenebilirlik, dayanıklılık ve düşük maliyetli depolama sağlayacak şekilde yönetir.</p><p>b. <strong>Cinder:</strong> OpenStack’ta bulunan bir blok depolama hizmetidir. Bu bileşen, sanal makineler ve diğer uygulamalar için blok depolama sağlar. Cinder, sanal diskleri, sanal makineleri ve diğer blok cihazlarını yönetir.</p><p>c. <strong>Manila:</strong> OpenStack’ta bulunan bir paylaşılan dosya sistemi hizmetidir. Bu bileşen, uygulamaların birbirleriyle paylaşılan dosyalara erişmesini sağlar. Manila, uygulamaların dosyaları buluta yüklemelerine, bulutta saklamalarına ve bulutta paylaşmalarına olanak tanır.</p><p>Bir diğeri;</p><p><strong>7)</strong> <strong>Compute</strong></p><p>Kullanıcılara sanal makinelerin oluşturulması, yönetilmesi ve ölçeklendirilmesi için bir hizmet sunan Compute’nin bileşenleri olan:</p><p>a. <strong>Nova:</strong> OpenStack’un hesaplama (compute) bileşenidir. Bu bileşen, kullanıcıların sanal makineler (VM) oluşturmasına, başlatmasına, durdurmasına ve yönetmesine olanak tanır. Nova, VM’leri farklı bilgisayar düğümlerine dağıtarak ölçeklenebilir ve yüksek kullanılabilirlik sağlar.</p><p>b.<strong> Zun:</strong> OpenStack’ta bulunan bir konteyner hizmetidir. Zun, kullanıcıların konteynerleri (Docker, Kubernetes vb.) oluşturmasına ve yönetmesine olanak tanır. Nova’dan farklı olarak, Zun sadece konteynerlerin oluşturulması ve yönetimi ile ilgilenir.</p><p>Kullanıcılar için ağ kaynaklarının oluşturulması, yapılandırılması ve yönetilmesi servisi olan Networking’e gelecek olursak;</p><p><strong>8)</strong> <strong>Networking</strong></p><p>Farklı sanal ağları ve alt ağları tanımlayarak ağ segmentasyonunu sağlar.</p><p>a. <strong>Neutron:</strong> OpenStack’un ağ (network) bileşenidir. Bu bileşen, kullanıcıların sanal ağlar, alt ağlar, yönlendirme kuralları, güvenlik duvarı kuralları vb. oluşturmasına ve yönetmesine olanak tanır.</p><p>b. <strong>Octavia: </strong>OpenStack’ta bulunan bir yük dengeleyici (load balancer) hizmetidir. Octavia, yük dengeleyici hizmetleri sağlayarak uygulamaların yüksek kullanılabilirliği ve ölçeklenebilirliği için tasarlanmıştır.</p><p>c. <strong>Designate:</strong> OpenStack’ta bulunan bir DNS yönetim hizmetidir. Designate, kullanıcıların DNS kayıtlarını oluşturmasına, yönetmesine ve sorgulamasına olanak tanır.</p><p><strong>9)</strong> <strong>Hardware Lifecycle</strong></p><p>Donanımın yaşam döngüsü boyunca geçirdiği aşamaları kapsayan bir kavramdır. Bileşenleri:</p><p>a. <strong>Ironic:</strong> OpenStack’ta bulunan bir donanım yönetim hizmetidir. Bu bileşen, kullanıcıların fiziksel sunucuları yönetmesine olanak tanır. Ironic, bare-metal sunucularının otomatik olarak dağıtılmasını, yönetilmesini ve ölçeklendirilmesini sağlar.</p><p>b. <strong>Cyborg: </strong>OpenStack’ta bulunan bir akseleratör<strong>*</strong> yönetim hizmetidir. Bu bileşen, farklı akseleratör türlerini (GPU, FPGA, NIC vb.) OpenStack bulutuna entegre etmek için tasarlanmıştır. Cyborg, akseleratörlerin otomatik olarak yönetilmesini ve uygulama performansını artırmak için kullanılmasını sağlar.</p><p><em>[</em><strong><em>*</em></strong><em>Akseleratör; bilgi işlem sistemlerinin performansını artırmak için tasarlanmış donanım veya yazılım bileşenidir.]</em></p><p><strong>10)</strong> <strong>Shared Services</strong></p><p>OpenStack platformunda birden fazla projenin paylaştığı ortak hizmetleri sağlar:</p><p>a. <strong>Keystone:</strong> OpenStack bileşenleri arasındaki kimlik doğrulama ve yetkilendirme hizmetlerini sağlar. Kullanıcıların, hizmetlerin ve rollerin yönetimi için bir API sağlar.</p><p>b. <strong>Placement:</strong> OpenStack Compute (Nova) bileşeninin kaynak yönetimini yapar. Fiziksel kaynakları (CPU, bellek, depolama vb.) keşfeder ve bu kaynakları OpenStack Compute (Nova) bileşeni tarafından kullanılabilir hale getirir.</p><p>c. <strong>Glance:</strong> OpenStack Image Service’de kullanılan bir bileşendir. Sanal makineler, disk görüntüleri ve diğer kaynakların depolanması ve yönetimi için bir arayüz sağlar.</p><p>d. <strong>Barbican:</strong> OpenStack bileşenleri arasında kullanılan gizli bilgilerin (örneğin şifreler, sertifikalar vb.) depolanması, yönetimi ve korunması için bir arayüz sağlar.</p><p>Tüm bu Openstack servisleri ve servislerin sağladığı olanakların bilgisinden sonra ihtiyacımız olan servis ve bileşenleri seçip projelerimizde kullanabiliriz.</p><p>Bir sonraki yazımızda ise Openstack servislerinden Freezer’ı detaylı şekilde ele alacağız.</p><p>Sonraki yazıda görüşmek üzere. :)</p><p>.</p><p>.</p><p>[ -Kaynak: <a href="https://www.openstack.org/software/">https://www.openstack.org/software/</a> ]</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=636c5899488f" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/openstack-nedir-openstack-servisleri-ne-i%CC%87%C5%9Fe-yarar-636c5899488f">Openstack Nedir?/ Openstack Servisleri Ne İşe Yarar?</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Progressive Web Application (PWA) Nedir?]]></title>
            <link>https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/progressive-web-application-pwa-nedir-9515e631661e?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/9515e631661e</guid>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[pwa]]></category>
            <category><![CDATA[progressive-web-app]]></category>
            <category><![CDATA[push-api]]></category>
            <category><![CDATA[technology]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Tue, 07 Mar 2023 11:06:21 GMT</pubDate>
            <atom:updated>2023-03-07T15:22:21.487Z</atom:updated>
            <content:encoded><![CDATA[<h3>Progressive Web Application (PWA)</h3><p>Progressive Web Application (İleri Web Uygulaması), modern web uygulamalarının mobil uygulama gibi çalışmasına izin veren bir teknolojidir.</p><p>PWA’nın gelişiminden hızlıca bahsedecek olursak:</p><p>PWA’lar 2007&#39;de Steve Jobs tarafından iPhone’un piyasaya sürülmesiyle ortaya çıkmıştır. İlk olarak <strong>mobil uygulamalar için bir alternatif olarak düşünülen</strong> PWA’lar, hızla gelişmiştir ve <strong>uygulama benzeri özellikler sunabilen</strong> modern web sitelerini ortaya çıkarmıştır.</p><p>PWA’ların gelişimi, 2015 yılında Google’ın “<em>manifest</em>” adlı bir dosya formatı ve “<em>service worker</em>” adlı bir JavaScript özelliği geliştirmesiyle hız kazanmıştır.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Sa2NHXdFbE2hGfR1KiXayw.png" /></figure><p><em>Manifest</em> dosyası ve<em> Service Worker</em> scripti sayesinde;</p><p>· Web siteleri hızlanmış,</p><p>· Web sitelerinin çevrimdışı modda çalışması sağlanmış,</p><p>· Cihazın kamera, mikrofon ve konum gibi donanım özellikleri daha etkili kullanılmaya başlanmıştır.</p><p>Bugün ise PWA’lar uygulama mağazalarına ihtiyaç duymadan, tüm cihazlarda çalışabilen, yüksek performanslı web uygulamaları oluşturmak için hem web geliştiricileri hem de büyük şirketler için popüler bir seçenek haline gelmiştir.</p><h3><strong>Neden PWA Kullanmalıyım?</strong></h3><p>1) PWA’lar <strong>kullanıcıların uygulama indirmelerine gerek kalmadan yalnızca bir URL ile web uygulamalarını kullanabilmelerini</strong> sağlar.</p><p>2) PWA’lar<strong>, </strong>modern teknolojileri kullanmasıyla<strong> </strong>geleneksel web sitelerine kıyasla<strong> mobil cihazlarda ve düşük internet hızlarında bile yüksek performans</strong> gösterirler.</p><p>3) PWA’lar, offline çalışma özelliği sayesinde<strong>, internet bağlantısı olmadan bile kullanılabilirler.</strong> Bu özellik, kullanıcıların web uygulamasına her zaman erişebilmesini sağlar ve kullanıcı deneyimini iyileştirir. <em>(İnternet bağlantısı yokken Google üzerinden oynanan </em><strong><em>Chrome Dino Game</em></strong><em> buna örnektir.)</em></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/318/1*ppdwZSXW_hiHA7W1-TRJLw.png" /></figure><p>4) PWA’lar, uyarlamalı arayüz özelliği sayesinde<strong>, farklı cihazlarda ve ekran boyutlarında kolayca kullanılabilirler</strong>. (<em>Tablet, telefon , bilgisayar gibi bir çok cihazdan erişime imkan sağlar ve kullanılabilirlik artar.</em>)</p><p>5) PWA’lar, bildirimler özelliği sayesinde, kullanıcılara <strong>web uygulamasındaki</strong> <strong>yeni içerikler hakkında bildirimler</strong> göndererek, kullanıcıları daha aktif hale getirirler.<em> (</em><strong><em>Push API</em></strong><em> kullanarak.)</em></p><p>6) PWA’lar, geleneksel mobil uygulamaların aksine birden çok platform için ayrı ayrı geliştirilmesine gerek yoktur. Bu, PWA geliştirmenin maliyetini düşürür ve işletmelerin <strong>daha az harcama yaparak uygulama geliştirme</strong>sine olanak tanır. <em>(IoS için ayrı Android için ayrı geliştirme yapma maliyetlerinden kurtarır.)</em></p><p>7) PWA’lar, web tarayıcısını kullanarak çalışır <strong>ve kullanıcının uygulamayı kullanması için herhangi bir güncelleme yapmasına gerek yoktur</strong>. Uygulamanın güncellenmesi, geliştiricinin yapacağı değişikliklerle otomatik olarak gerçekleşir.</p><h3><strong>Web Sitemi Nasıl PWA’ya Uyumlu Hale Getiririm?</strong></h3><p>Web sitenizi sadece birkaç adımda PWA’ya uyumlu hale getirebilirsiniz:</p><p>1)Web sitenizi <strong>HTTPS protokolü</strong> ile güvenli hale getirin. PWA teknolojisi, güvenli bir bağlantı gerektirir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/294/1*JZ2igRnuxnCXaJNpshVFeQ.png" /></figure><p>2) Web sitenizin <strong>manifest dosyasını</strong> oluşturun. Bu dosya, web uygulamanızın adı, simgesi, arka plan rengi ve diğer özelliklerini tanımlar.</p><p>3) <strong>Service Worker dosyanızı</strong> oluşturun. Service Worker, web uygulamanızın offline çalışmasını sağlar ve web sitenizin ön belleğini yönetir.</p><p>4) <strong>Push bildirimlerini </strong>yapılandırın. PWA teknolojisi, web uygulamanızda push bildirimleri kullanmanıza olanak tanır.</p><p>5) Web uygulamanızda <strong>App Shell modelini</strong> kullanın. App Shell modeli, web uygulamanızın statik kısmını önbelleğe almanızı sağlar.<em> (Sonraki bölümde detaylı bahsedilmektedir.)</em></p><p>6) PWA özelliklerini test edin. Web uygulamanızı <strong>farklı cihazlarda ve tarayıcılarda test edin</strong> ve PWA özelliklerinin doğru şekilde çalıştığından emin olun.</p><h3><strong>PWA Nasıl Yüksek Hız Sağlar?</strong></h3><p>Web uygulamanızın statik kısmı, genellikle <strong>HTML, CSS, JavaScript</strong> dosyaları ve resimlerdir. Bu kaynaklar, her sayfa isteği için sunucudan tekrar indirilmezse, yüklenme süresi önemli ölçüde azaltılabilir. Bu, özellikle yavaş internet bağlantısına sahip kullanıcılar için önemlidir.</p><p><strong>Web uygulamanızın statik kısmını önbelleğe almak</strong>, uygulamanın kaynaklarını bir kez indirip tarayıcının önbelleğinde saklamak anlamına gelir. Bu sayede, kullanıcılar uygulamayı tekrar ziyaret ettiklerinde, kaynakları yeniden indirmelerine gerek kalmaz ve sayfa daha hızlı yüklenir.</p><p>Önbelleğe alma aynı zamanda, sunucu yükünü azaltır ve uygulama <strong>için gereksiz trafik oluşumunu engeller</strong>. Bu da, sunucunun daha hızlı yanıt vermesine ve daha fazla talebe cevap verebilmesine olanak tanır.</p><h3><strong>PWA İle Kullanıcıya Nasıl Bildirim Gönderirim?</strong></h3><p>Push bildirimlerini yapılandırmak için şu adımlar izlenebilir:</p><p>1)<strong>HTTPS sunucusuna sahip olun</strong>: Push bildirimleri, HTTPS protokolüne sahip sunucularda kullanılabilir. Bu nedenle, öncelikle sunucunuzda HTTPS protokolü olduğundan emin olun.</p><p>2)<strong> Service Worker ekleme:</strong> Push bildirimleri için Service Worker’ı yapılandırmanız gerekiyor. Service Worker, tarayıcının arka planda çalışan bir parçasıdır ve push bildirimleri için gereklidir.</p><p>3) <strong>Push API kullanma:</strong> Push API, push bildirimlerini yapmanızı sağlar. Tarayıcınızın ve cihazın bu API’yı desteklediğinden emin olun. Push API, bazı tarayıcılarda farklı şekilde uygulanabilir, ancak genellikle şu adımları izlersiniz:</p><p>· Push aboneliği için kullanıcının iznini isteyin.</p><p>· Push aboneliği oluşturun ve sunucuya gönderin.</p><p>· Sunucudan push bildirimi gönderin.</p><p>· Kullanıcının cihazına push bildirimini gönderin.</p><p>4) <strong>Push bildirimlerinin gösterilmesi:</strong> Push bildirimlerini göstermek için bildirimler API’sini kullanabilirsiniz. Bildirimler API’si, tarayıcılar tarafından sağlanan bir API’dir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*ssnPeoPzhEiJi7F8oxSjWQ.png" /></figure><h3><strong>Popüler PWA Kullanımlarına Neler Örnek Verilebilir?</strong></h3><h4><strong>Büyük Ölçekli Örnekler:</strong></h4><ul><li><strong>Twitter Lite: </strong>Twitter, hızlı yükleme süresi, çevrimdışı modda kullanım ve uygulama benzeri navigasyon özellikleri sunan bir PWA olan Twitter Lite’ı sunmaktadır.</li><li><strong>Starbucks:</strong> Starbucks, kullanıcıların mobil cihazlarından kolayca sipariş vermelerini sağlamak için PWA kullanan bir kahve zinciridir. Starbucks PWA’sı, müşterilerin çevrimdışı modda bile sipariş vermelerini sağlayacak şekilde tasarlanmıştır.</li><li><strong>Pinterest:</strong> Pinterest, hızlı yükleme süresi, uygulama benzeri navigasyon özellikleri ve çevrimdışı modda kullanım gibi özellikler sunan bir PWA sunmaktadır.</li><li><strong>AliExpress: </strong>AliExpress, PWA kullanarak müşterilerine uygulama benzeri bir alışveriş deneyimi sunar. PWA’sı, çevrimdışı modda bile çalışabilen hızlı bir kullanıcı arayüzüne sahiptir.</li><li><strong>Trivago:</strong> Trivago, seyahat arama motoru olarak hizmet veren bir web sitesidir. Trivago, PWA teknolojilerini kullanarak, çevrimdışı modda çalışan, hızlı yükleme süresine sahip ve uygulama benzeri bir kullanıcı arayüzü sunan bir PWA geliştirdi.</li><li><strong>Uber:</strong> Uber, kullanıcıların hızlı bir şekilde bir araç çağırmalarını ve yolculuklarını planlamalarını sağlayan bir PWA sunmaktadır. PWA’sı, hızlı yükleme süresi, uygulama benzeri navigasyon özellikleri ve çevrimdışı modda kullanım gibi özellikler sunar.</li></ul><h4><strong>Küçük Ölçekli Örnekler:</strong></h4><ul><li><strong>Weather PWA:</strong> Bu PWA, OpenWeatherMap API’sini kullanarak hava durumu bilgileri sağlar. Bu PWA, çevrimdışı modda çalışabilen, bildirimler gönderebilen ve ev ekranına eklenebilen bir PWA örneğidir.</li><li><strong>Notes PWA: </strong>Bu PWA, kullanıcının notlarını çevrimdışı olarak kaydetmesine olanak tanır. Kullanıcılar, uygulamayı ev ekranına ekleyebilir, uygulama içi arama yapabilir ve notlarını düzenleyebilir.</li><li><strong>Timer PWA: </strong>Bu PWA, kullanıcılara bir kronometre ve sayaç sağlar. Kullanıcılar, uygulamayı ev ekranına ekleyebilir, çevrimdışı modda kullanabilir ve bildirimler ayarlayabilir.</li><li><strong>Calculator PWA:</strong> Bu PWA, basit bir hesap makinesi sağlar. Kullanıcılar, uygulamayı ev ekranına ekleyebilir ve uygulamayı çevrimdışı modda kullanabilir.</li></ul><p>Bu örnekler, PWA’ların birçok farklı sektörde kullanılabileceğini ve web geliştiricilerinin kullanıcılar için uygulama benzeri deneyimler sunmak için PWA’ları benimsemeye başladığını göstermektedir.</p><p>Son olarak:</p><h3><strong>Nasıl PWA Testi Yapabilirim?</strong></h3><p><strong>Lighthouse</strong>,<strong> </strong>Google’ın Chrome ekibi tarafından hazırlanmış bir ilerlemeli web uygulamalarını test etme aracıdır. Lighthouse, Node.js’de veya bir Chrome eklentisi olarak çalışabilir ve GitHub’ta da bulunabilir.</p><p>Lighthouse testini localhost’ta yapamazsınız, testi yapmak için web sitenizin çevrimiçi olarak kullanılabilir olması gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/945/1*FWkAqSqEJaTJgBsUWg91Mg.png" /></figure><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9515e631661e" width="1" height="1" alt=""><hr><p><a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri/progressive-web-application-pwa-nedir-9515e631661e">Progressive Web Application (PWA) Nedir?</a> was originally published in <a href="https://medium.com/t%C3%BCrk-telekom-bulut-teknolojileri">Turk Telekom Bulut Teknolojileri</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Sanallaştırma & Veri Yedekleme]]></title>
            <link>https://betulnurdemirhan.medium.com/veri-sanalla%C5%9Ft%C4%B1rma-veri-yedekleme-5bd1883a7a3a?source=rss-9adf94dec180------2</link>
            <guid isPermaLink="false">https://medium.com/p/5bd1883a7a3a</guid>
            <category><![CDATA[yedekleme]]></category>
            <category><![CDATA[veri]]></category>
            <category><![CDATA[sanallaştırma]]></category>
            <category><![CDATA[bulut-bilişim]]></category>
            <dc:creator><![CDATA[Betül Nur Demirhan]]></dc:creator>
            <pubDate>Thu, 01 Dec 2022 08:19:42 GMT</pubDate>
            <atom:updated>2023-03-03T10:03:23.995Z</atom:updated>
            <content:encoded><![CDATA[<p>Bu haftaki yazımda Türk Telekom Bulut Bilişim Kampı notlarımdan düzenlediğim bir kısmını paylaşacağım. Öncelikle Sanallaştırma nedir, neden sanallaştırmaya ihtiyaç duyarız sorularının cevaplarıyla başlayacağım.</p><p>Sanallaştırma; fiziksel bir bilgisayardaki bellek, işlemci, hafıza gibi donanım elemanlarını kullanarak birden fazla makine oluşmasını sağlar ve bu oluşan makineler sanal makinelerdir. Bu sayede bir yazılım lisansına bağlı birden çok sunucuda yüksek performans elde ederiz, iş yükünü dağıtıp dengeleriz ve altyapı/elektrik gibi maliyetleri en aza indiririz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/848/1*H12r-LLoQ1Bds15We6shkg.png" /></figure><p>Geleneksel modelde donanım katmanından hemen sonra İşletim sistemi ve ardından işletim sistemi üzerine kurulan uygulamalar gelir. Ancak Sanallaştırma yönteminde donanım ve işletim istemleri arasında Hypervisor adlı katmanda sanallaştırma işlemi yapılır ve kurulan sanal makine sayısı kadar işletim sistemi de kurulur ve her biri birbirinden farklı olabilmekle beraber birbirinden bağımsızdır.</p><p>Bu ise bize şu avantajları sağlar:</p><p>Yönetim bileşenlerini kontrol etmemiz için işletim sistemi gerekmez.</p><p>Denetim katmanı bileşenleri için güvenlik yaması gerekmez.</p><p>Aynı anda birçok işletim sistemi senkron şekilde çalışabilir.</p><p>Düşük maliyetin yanı sıra yüksek performans sağlar.</p><p>Hızlı kurulum ve donanım bağımsızlığı sağlar.</p><p>Aynı kaynakla daha çok iş, yüksek erişilebilirlik sağlar.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/333/1*QIy2Tv1NrspWXpTGqdvfPA.png" /></figure><p>Sanallaştırmanın yanı sıra Veri Yedekleme kavramı da bu işin bir hayli temelinde. Çünkü yaptığımız her bir işlemin sonucunda veriler oluşur ve bizim bu verileri nasıl yedeklediğimiz önem teşkil etmektedir. Yedekleme işleminin üç ana amacı vardır:</p><p>1- Felaket Kurtarma</p><p>2- Geri Dönüş (Restore)</p><p>3- Arşivleme</p><p>Peki verilerimizi neden yedekleriz? Bunun da beş temel nedeni vardır:</p><p>1- Silinme ihtimali</p><p>2- Veritabanında oluşabilecek arıza, hata ihtimali</p><p>3- Donanım arızaları</p><p>4- Felaket ihtimali</p><p>5- Regülasyon, kanunlar</p><p>Veri yedekleme (Backup) işleminde Geleneksel olan donanım yedeklemesi isminden anlaşılacağı üzere verilerin flash disk, harddisk, CD gibi donanımlar aktarılmasıdır. Sanal yedekleme ise, tüm bu işlemleri bulut tabanında sanal olarak gerçekleştirmemizi sağlar. Peki bu şekilde gerçekleştiğinde bizim karımız ne olur:</p><p>Daha yüksek kaynak performansı sağlar,</p><p>Yönetim maliyetlerini azaltır,</p><p>Esnekliği ve kullanılabilirliği artar,</p><p>Ölçeklenebilirliği artar,</p><p>Ulaşılabilirliği artar.</p><p>Daha etkili bir yedekleme işlemi için yedeklemeden önce ne yapılabilir sorusuna ise veri tekilleştirme ve veri sıkıştırma cevabı verilebilir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/439/1*gp5T6f2E-Nrs8hGSBnhszw.png" /></figure><p>Veri Tekilleştirme(Dedup): yinelenen verilerin ve bu verilere ait kopyaların ortadan kaldırılması için uygulanan bir tekniktir. Bu sayede depolama alanında gereksiz verilerin yer kaplamasının önüne geçilir ve etkili depolama alanı kullanımı sağlanır. Transfer edilen veri de azalmış olacağından performans iyileştirmesi sağlanmış olur.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/342/1*mdolkVHJX-5v1vIll95IQw.png" /></figure><p>Veri Sıkıştırma: Verinin sıkıştırma işlemi uygulanarak mevcut boyutundan daha küçük bir boyutlu dosya şeklinde depolanmasıdır. Bu sayede fiziksel depolama maliyetlerinden tasarruf edilir, ham içerik korunarak depolama alanında hacimsel küçülme gerçekleştirilir, depolama sisteminin verimliliği artar. Sıkıştırılmış veri bir yerden bir yere iletilirken zamandan ve bant genişliğinden tasarruf edilir çünkü sıkıştırma işlemini yaparak orijinal veri bit sıklığını azaltıp verinin daha az bir sıklığı ile tutulmasını sağlamış oluruz.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/390/0*Ggzr_Lk1LU34DdYn.jpg" /></figure><p>Son olarak verilerinizi yedeklerken 3–2–1 ilkesine dikkat etmeyi ihmal etmeyin. Yani;</p><p><strong>Verilerinizin en az 3 kopyasını birbirinden farklı 2 ortam türünde saklayın ve bunlardan birini işletmenizin dışında tutun</strong>.</p><p>.</p><p>.</p><p>Bir sonraki yazıda görüşmek üzere :)</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=5bd1883a7a3a" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>