ML Ops Pipeline: Modelden Servise Uçtan Uca Yolculuk

Veri biliminde “modeli eğittik, bitti” devri çoktan kapandı. Artık işin asıl büyüsü, bu modellerin gerçek dünyada sorunsuz çalışmasını sağlamakta.
İşte bu sürecin adı: ML Ops (Machine Learning Operations).

Bu yazıda karmaşık terimlere boğulmadan, bir yapay zeka modelinin sıfırdan nasıl geliştirilip canlı sistemde çalışan bir servise dönüştüğünü, adım adım anlatacağız.

Adım 1: Veri Toplama

Her şey veriyle başlar.
Ama sadece çok veri değil, doğru veri gerekir.

Örnek:
Bir e-ticaret sitesinde kullanıcı yorumlarına bakarak ürün puanı tahmin etmek istiyoruz.
O zaman elimizde şunlar olmalı:

• Yorum metinleri

• Gerçek ürün puanları

• Tarih, kullanıcı ID, ürün kategorisi gibi ek bilgiler

Veri, modelin haritasıdır. Yanlış veri, yanlış yol demektir.

Adım 2: Veri Temizleme ve Hazırlama

Topladığınız veri her zaman pürüzlü gelir.

• Eksik alanlar? → Doldur, sil ya da işaretle

• Anlamlı değil mi? → “Ürün harika berbat” veya "ürün çok güzel ama üstte çıksın diye bir yıldız veriyorum" gibi çelişkili veya anlamsız yorumları tespit et

• Kategorik veriler? → Sayılara çevir ("erkek" → 0, "kadın" → 1)

“Çöp girerse, çöp çıkar.” Modelin ne öğrendiği, verdiğin veriye bağlıdır.

Adım 3: Model Eğitimi

Temiz veri artık hazırsa artık makine öğrenmesi zamanı!

• Örnek modeller: Logistic Regression, Decision Tree, XGBoost…

  Model seçimi problemin doğasına, verinin özelliklerine ve iş hedeflerine göre dikkatlice yapılmalıdır. Bu konuda Runelab’ın uzman ekibiyle iletişime geçebilir, hangi modelin projenize en uygun olduğunu birlikte değerlendirebilir ya da ilgili eğitimlerimizi inceleyerek konuyu derinlemesine öğrenebilirsiniz.

• Amaç: Girdiği yoruma göre kaç yıldız vereceğini tahmin etsin.

Burada model öğreniyor ama hâlâ kendi başına yürüyemez.

Adım 4: Modeli Test Etmek

Modeli test etmeden gerçek dünyaya çıkarmak, gözleri kapalı araba kullanmak gibidir.

• Eğitim verisi ≠ Gerçek dünya

• Model, sadece ezberlediyse işimiz zor

Ne yapılır?

• Veriyi ikiye böl: Eğitim + Test

• Ölç: Accuracy, precision, recall, f1 score gibi metriklerle performans kontrolü yap

“Model %95 doğru!” demek yetmez. Neyi doğru, neyi yanlış anladığını da bilinmeli.

Adım 5: Modeli Paketlemek

Modeli eğittik, güzel. Ama nasıl kullanacağız?

İşte burada devreye ML Ops giriyor:

• Model dosyasını (.pkl, .pt, .joblib vs.) kaydederiz

• İleride kolayca yüklenebilir ve yeniden kullanılabilir hâle gelir

Adım 6: API’ye Dönüştürmek

Şimdi artık modelimizi başkalarının kullanabileceği bir servise dönüştürme zamanı.

• Flask, FastAPI gibi araçlarla modelimizi bir web servisi hâline getiririz

• Bir kullanıcı bu API’ye bir yorum gönderir, biz modelle puan tahmini döneriz

Adım 7: İzleme ve Güncelleme

Modeliniz canlıya çıktı ama iş bitmedi. Şimdi onu izlemelisiniz:

• Yanlış tahmin oranları arttı mı?

• Yeni gelen verilerle tekrar eğitilmeli mi?

• Veri dağılımı değişti mi? (data drift)

Gerçek dünya değişir, model de ayak uydurmalı.

Özet

Bir modeli hayata geçirmek yalnızca “model seçip eğitmek” değildir. Gerçek iş:

1. Doğru veri seçimi

2. Temizleme ve özellik mühendisliği

3. Uygun modelleme

4. Test ve doğrulama

5. Paketleme

6. API’ye dönüştürme

7. İzleme ve bakım

İşte tüm bu adımların birleşimine ML Ops Pipeline diyoruz.

Nereden Başlamalı?

Başlangıç için şu açık kaynak araçlar harika:

• DVC: Versiyonlu veri yönetimi

• MLflow: Model izleme ve deneme yönetimi

• FastAPI: Hızlı ve basit model API’leri

• Docker: Her ortamda aynı şekilde çalışması için model kapsülleme

Kapanış

Yapay zekâ modellerini sadece geliştirmek değil, sürdürülebilir şekilde yaşatmak da ayrı bir sanattır.
Bir sonraki yazıda görüşmek üzere!