Bilgisayarlı Görü Tedarikçisi Seçimi: Kurumsal Satın Alma Rehberi

Model işin kolay kısmıdır. Kurumsal bilgisayarlı görüde asıl iş, modelin arkasındaki etiketli veriler ve uçta kameralarda çıkarımı çalıştırmaktır; çoğu programın sessizce takıldığı yer de bu ikinci kısımdır. Bu kategorideki alıcı kılavuzları artık kendi görüntülerindeki doğruluğa ve uç dağıtımının gerçekçiliğine, önceden eğitilmiş özelliklerin kapsamını karşılaştırmaktan daha fazla ağırlık veriyor. Eski RFP'ler bu karşılaştırmaya gereğinden fazla önem veriyordu; çünkü yönetilen bir API genel özellikleri zaten karşılıyor, proje ise hâlâ zor, spesifik ve gecikme kısıtlı durumlarda başarısız oluyor.

Bu kılavuz, mimariyi belirleyen iki karara göre sekiz tedarikçiyi karşılaştırıyor: önceden eğitilmiş API mi, özel model mi ve bulut mu, uç mu. Ticari koşulları ancak bu gereksinimleri netleştirdikten sonra karşılaştır; aksi hâlde teklifler farklı sistemleri tarif eder.

Önem taşıyan iki karar#

Tedarikçileri karşılaştırmadan önce programını bu iki eksende konumlandır. Bu kategorideki satın alma hatalarının neredeyse tamamı, yanlış çeyrekteki bir tedarikçinin seçilmesinden kaynaklanır.

Önceden eğitilmiş API mi, özel model mi? Görevin genel nitelikteyse (belgelerden metin okuma, yaygın nesneleri algılama, içeriği denetleme) yönetilen bir API, makine öğrenmesi ekibine ihtiyaç duymadan bugün çözüm sunar. Görevin ürününe, parçalarına veya sürecine özgüyse hiçbir önceden eğitilmiş API üretim doğruluğuna ulaşamaz; bunun yerine eğitim ve veri hattı satın alıyorsun.

Bulut mu, uç mu? Çıkarım, bir veri merkezine gidip gelmeyi tolere edebiliyorsa bulut tedarikçileri en az engel çıkaran seçenektir. Tolere edemiyorsa (yüksek hızda çalışan bir hat, bir araç, bağlantının güvenilir olmadığı bir tesis veya tesis dışına çıkarılmasına izin verilmeyen veriler gibi) uç dağıtımı, kısa listedeki seçeneklerin çoğunu eleyen bir gereksinimdir.

Veri ve yaşam döngüsü çalışmalarını atlayıp bir platform satın alan program, üretime hiç ulaşmayan bir pilot sunar. Etiketleme ve MLOps'u ana iş kalemi olarak bütçele ve herhangi bir sözleşme imzalamadan önce en zor görüntülerinde doğruluğu kanıtla.

Tedarikçiler sıralamaya göre değil, alfabetik olarak listelenmiştir. Ultralytics bu kılavuzu yayımlıyor ve kılavuzda yer alıyor; bu nedenle sıralama bilinçli olarak tarafsız tutuldu ve her tedarikçi için açıkça belirtilmiş bir ödünleşim sunuldu.

AWS: Rekognition ve SageMaker AI#

Nedir? İki katman: yönetilen görü API'si olarak Amazon Rekognition, özel eğitim ve dağıtım platformu olarak Amazon SageMaker AI.

Güçlü yönleri. Rekognition; tam yönetilen görüntü ve video analizi (içerik denetimi, etiket ve metin algılama, KKD algılama) ile makine öğrenmesi ekibi olmadan göreve özgü modeller eğitmek için Custom Labels sunar. S3, Lambda ve Kinesis Video ile derin entegrasyonu, AWS tabanlı hatlar için en az engel çıkaran seçenek olmasını sağlar. Gereksinimler API'yi aştığında SageMaker AI; dağıtık eğitimi, otomatik ölçeklenen uç noktaları, GPU ve CPU filolarını, dağıtım hatlarını ve yaygın çerçevelerde deney takibini destekler.

Rekognition ayrıca yüz karşılaştırma ve arama da sunar. Bunu ek bir özellik olarak değil, ayrı bir satın alma konusu olarak ele al: biyometrik işleme kendi düzenleyici risklerini ve rıza yükümlülüklerini beraberinde getirir; ayrıca çeşitli yargı bölgelerinde kanuni tazminatlar söz konusudur. Buna ihtiyacın yoksa kapsam dışında olduğunu açıkça belirt ve "güvenlik" olarak etiketlenen çoğu görü uygulamasının buna ihtiyaç duymadığını unutma.

Ödünleşimler. Kapsam geniş, ancak entegrasyon işi de gerçek: Rekognition, SageMaker, depolama ve orkestrasyon bir araya geldiğinde ortaya bir ürün değil, bir mimari çıkar. Uç tarafı, kendi çözümünü oluşturan tedarikçilere kıyasla daha zayıftır.

En uygun kullanım. Bulut değiştirmeden bugün yönetilen görü hizmeti almak ve daha sonra özel çözümler geliştirme seçeneğini korumak isteyen, AWS tabanlı kuruluşlar.

Satın alma notu. KKD algılama, güvenlik izleme için gerçekten kullanışlıdır ve savunulabilir ilk başarıya ulaşmanın genellikle en hızlı yoludur.

Azure AI Vision#

Nedir? Hazır API'lerden özel model eğitimine uzanan Microsoft yönetimli görü platformu.

Güçlü yönleri. Azure AI Vision; görüntü analizi, OCR ve metin çıkarma, nesne algılama ve video içgörüleri için kullanıma hazır API'ler sunar; temel altyapıyı yönetme gereği olmadan dağıtım ve ölçeklendirme yapılır. Kendi sınıflandırma veya algılama modellerini eğitmesi gereken ekipler için AutoML özelliğini de içeren Azure Machine Learning güncel seçenektir ve tüm yaşam döngüsünü kapsar.

Satın alma notu: yalnızca özellik listesine değil, hizmetin yaşam döngüsüne de bak. Microsoft, eski Custom Vision hizmetini kullanımdan kaldırma sürecine aldı ve özel sınıflandırma ve algılama modelleri geliştiren müşterileri bunun yerine Azure Machine Learning'e yönlendiriyor. Bugün Custom Vision üzerine kurulan her çözümün yol haritasında bir geçiş var. Bulut tabanlı görü değerlendirmelerinin en sık başarısız olduğu nokta budur: özellik karşılaştırmasında ideal görünen hizmetin yerini başka bir hizmet almıştır ve kısa listeyi oluşturan karşılaştırma yazıları güncellenmemiştir. Herhangi bir büyük bulut sağlayıcısından teklifinde adı geçen her bir hizmetin destek ve kullanımdan kaldırılma durumunu yazılı olarak iste.

Ödünleşimler. Her büyük bulut sağlayıcısının görü hizmetinde olduğu gibi ücretlendirme kullanıma bağlıdır ve ölçek büyüdükçe maliyetler ekipleri şaşırtabilir. Uç dağıtımı mümkündür ancak tasarımın odak noktası değildir.

En uygun kullanım. Azure'da standartlaşmış, güçlü OCR ve belge anlama özelliklerine ihtiyaç duyan ve makine öğrenmesi ekibi yerine yönetilen hizmetleri tercih eden kuruluşlar.

Satın alma notu. Çıkarım başına maliyeti pilot hacminde değil, üretim hacminde modelle. Onaylanmış iş gerekçesini zarara sokan, kullanıma dayalı fiyatlandırmadır.

Cognex#

Nedir? Üretim ve lojistik için otomasyon donanımı ve yazılımı satan, makine görüşünde küresel bir lider.

Güçlü yönleri. Cognex, haklı nedenlerle endüstriyel görü alanında yerleşik bir tedarikçidir: ürünleri kusur algılama ve kalite kontrolde, varlık-yokluk doğrulamasında, lojistik ve ambalajlamada barkod okuma ve izlenebilirlikte kullanılır. ViDi ürün ailesinin devamı olan Cognex VisionPro Deep Learning, daha basit denetimler için uçta öğrenme seçeneklerinin yanı sıra fabrika otomasyonu için özel olarak geliştirilmiş endüstriyel düzeyde derin öğrenme sunar. Bir program PLC'lerle bütünleşen ve fabrika ortamında çalışmayı sürdüren görü sistemine ihtiyaç duyduğunda, bu bir kameraya yöneltilmiş bulut hizmeti değil, sahada kendini kanıtlamış bir ekipmandır.

Ödünleşimler. Endüstriyel bir donanım ekosistemine yatırım yapıyorsun; bunun maliyet yapısı ve tedarikçiye bağımlılığı da beraberinde geliyor. Bulut tabanlı, yazılım öncelikli ekipler için uygun değildir.

En uygun kullanım. Görü sisteminin veri platformunun değil, üretim hattının parçası olduğu üretim ve lojistik programları.

Satın alma notu. Hat çalışmaya başladıktan sonra modellerin nasıl güncellendiğini sor. Fabrika ekipmanlarında yeniden eğitim sıklığı, bulut uç noktasını yeniden dağıtmaktan çok farklı bir operasyonel konudur.

Encord#

Nedir? Açıklama ekleme ve veri kümesi kalitesine odaklanan, veri merkezli bir platform.

Güçlü yönleri. Encord, sonuçları model mimarisinin değil veri kalitesinin belirlediği görüşünü benimser. Açıklama ekleme, veri seçkisi oluşturma ve kalite yönetimi araçları sunar; tıbbi görüntüleme ve video alanlarında güçlü yönleri olduğu belirtilir.

Ödünleşimler. Sorunun veri tarafını ele alır. Eğitim ve dağıtım için yine bir platform gerekir.

En uygun kullanım. Özellikle düzenlemeye tabi veya uzmanlık gerektiren alanlarda, etiketleme kalitesinin darboğaz olduğu programlar.

Landing AI#

Nedir? Andrew Ng tarafından kurulan, üretim için görsel denetim platformu.

Kısa listeye almadan önce not. Landing AI, odağını belge ve ajan tabanlı yapay zekâya kaydırdı; denetim ürün hattı ise sürdürülüyor ancak artık öne çıkarılmıyor. ABB Motion Ventures, görü yapay zekâsını ABB robotlarına taşımak amacıyla 2025'te yatırım yaptı; dolayısıyla bu yeteneğin devam etmesi için bir yol var. Yine de fabrika denetimine yönelik yol haritası taahhütlerini doğrudan sor.

Güçlü yönleri. Landing AI, belirli ve gerçekten zor bir sorunu hedefliyor: kusur örneklerinin nadir olduğu görsel denetim. Teknikleri küçük veri kümeleri için tasarlanmıştır; endüstriyel ortamlarda bu olağan bir durumdur: ayda iki kez görülen bir kusurdan bin örnek toplayamazsın.

Ödünleşimler. Bu odak, kullanım alanını daraltır. Pek çok görev türünde genel amaçlı görü için daha kapsamlı bir platform daha uygundur.

En uygun kullanım. Kusur algılama sorunu olan ve geleneksel bir modeli eğitmek için yeterli kusur görüntüsüne sahip olmayan üreticiler.

Satın alma notu. Engelin model yeteneğinden çok veri kıtlığıysa kısa listeye alman gereken tedarikçi budur. En nadir kusur sınıfında kanıtla.

NVIDIA#

Nedir? Kurumsal görü çözümlerinin çoğunun altında yatan işlem ve yazılım katmanı: hızlandırılmış donanım, önceden eğitilmiş model araç takımları ve uç ile video analitiği için dağıtım çerçeveleri.

Güçlü yönleri. NVIDIA'nın satın alma açısından önemi genellikle uygulama düzeyinden çok yapısaldır: eğitim işlemlerinde kullandığın GPU'ları ve uç çıkarımının çalıştığı Jetson modüllerini sağlar; ayrıca çoklu akışlı video analitiği hatları için DeepStream ve model eğitimi ile optimizasyon için TAO sunan Metropolis platform katmanına sahiptir. Görüyü çok sayıda kamera akışına dağıtan programlar için platform seçimiyle NVIDIA seçimi çoğu zaman aynı karardır.

Ödünleşimler. Bu bir uygulama değil, altyapıdır. Veri hattına, modellere ve entegrasyon çalışmalarına hâlâ ihtiyacın var; bunları kendi ekibin veya başka bir tedarikçi sağlamalı.

En uygun kullanım. Uçta çok sayıda kamera akışı çalıştıran veya özel modelleri geniş ölçekte eğiten programlar.

Satın alma notu. Donanık teslim süreleri ve yaşam döngüsü desteği sözleşmede yer almalıdır. Uç donanım filosu, üçüncü yılda da satın alabilmen gereken bir modül için beş yıllık taahhüttür.

Roboflow#

Nedir? Bilgisayarlı görü için geliştirici odaklı, uçtan uca bir platform.

Güçlü yönleri. Roboflow, veri kümesi yönetimi, artırma ve model eğitimini ele almasıyla hızlı prototipleme için popülerdir; yapay zekâ destekli açıklama ekleme, kodsuz eğitim ve buluttan uca dağıtım sunar. Yeni kullanım alanlarında hızlı yineleme yapan ekipler için kurulum işlerinin çoğunu ortadan kaldırır.

Ödünleşimler. Geliştirici odaklı araçlar, geliştirici varsayar. Yönetilen bir kurumsal hizmet değildir.

En uygun kullanım. Fikirden çalışan bir modele çeyrekler yerine günler içinde ulaşmak isteyen ekipler.

Ultralytics#

Nedir? Yaygın olarak benimsenen açık modeller üzerine kurulu; açıklama ekleme, veri kümesi yönetimi ve eğitimi kapsayan bir görü platformu.

Güçlü yönleri. Ultralytics Platform altı açıklama ekleme görevini destekler (nesne algılama, örnek segmentasyonu, anlamsal segmentasyon, sınıflandırma, poz tahmini ve yönelimli nesne algılama). SAM destekli akıllı açıklama ekleme, algılama, segmentasyon, anlamsal ve yönelimli kutu görevlerinde tek tıklamayla maskeler ve sınırlayıcı kutular oluşturur; poz ve sınıflandırma ise elle etiketlenir, bu nedenle görev dağılımına uygun olup olmadığını kontrol et. İçe ve dışa aktarma YOLO, COCO ve VOC'u kapsar; böylece mevcut hatların yerini almak yerine onlara uyum sağlar. Ekip incelemesi ve veri kümesi sürümleme de yerleşik özelliklerdir. Satın alma açısından avantajı süreklilik ve taşınabilirliktir: modeller açık ve yaygın olarak kullanılır, etiketlediğin veri kümesi eğittiğin veri kümesidir ve ikisi de tescilli bir biçime hapsolmaz.

Satın alma ayrıntıları. Ultralytics Platform SOC 2 Type I ve ISO 27001:2022 sertifikalarına sahiptir; aktarım sırasında ve bekleme hâlindeki verileri şifreler ve GDPR ile CCPA gereklilikleriyle uyumludur. Type I'ı dikkatle oku: belirli bir zamandaki kontrol tasarımını doğrular; Type II'nin kapsadığı, belirli bir dönem boyunca kontrollerin etkin biçimde işletildiğini değil. Yukarıdaki çeşitli tedarikçilerin Type II raporu vardır ve politikan bunu gerektiriyorsa bu gerçek bir farktır, teknik bir ayrıntı değil. Veri yerleşimini ABD, AB veya AP olarak sabitleyebilirsin. Bulut GPU fiyatları teklif yerine saatlik olarak yayımlanır ve faturalandırma kullandıkça öde şeklindedir; bu da buradaki seçenekler arasında satış görüşmesi öncesinde maliyetini kesin olarak modelleyebileceğin az sayıdaki seçenekten biri olmasını sağlar.

Lisanslama: özellik karşılaştırmasına geçmeden önce bunu oku. Ultralytics YOLO modelleri, güçlü bir copyleft lisansı olan AGPL-3.0 altında yayımlanır. Ticari veya tescilli dağıtımlar genellikle özel dağıtım ve gelişmiş desteği de kapsayan bir Ultralytics Enterprise lisansı gerektirir. Ticari lisanslı bir platformla yaptığın her karşılaştırmaya bu lisansın maliyetini ekle ve konuyu erkenden hukuk ekibine taşı: "açık kaynak" ile "lisans maliyeti yok" aynı anlama gelmez. Aksi hâlde, temelde sağlam olan bir görü iş gerekçesinin sözleşme aşamasında takılmasının en yaygın nedeni budur.

Ödünleşimler. Modellerinin sorumluluğunu üstlenecek ekipler için bir platformdur. Hazır sonuçlar sunan yönetilen bir hizmet isteyen kuruluşlar bunun yerine hizmet sağlayıcılarına bakmalıdır. Ayrıca buradaki seçeneklerin en yenisidir: Ultralytics Platform Mart 2026'da kullanıma sunuldu; Azure, AWS, Cognex ve NVIDIA'nın ise uzun satın alma geçmişleri, yerleşik destek ağları ve riskten kaçınan bir komitenin talep edeceği referans müşterileri var. Uzun bir geçmişe veya Type II tasdikine sahip olmak zorunluysa başka seçeneklere yönelmek gerekir.

En uygun kullanım. Kendi donanımları da dahil olmak üzere, kontrol ettikleri özel görü modellerini istedikleri yerde dağıtmak isteyen kuruluşlar; böylece çıkarım başına bir bulut sağlayıcısına bağımlı kalmazlar. Yönetilen platformun GPU eğitim saatleri ve uç nokta kullanımı için ücret aldığını unutma; fark, dışa aktarılan modellerin tamamen sahip olduğun altyapıda çalışabilmesidir.

Karşılaştırmaya genel bakış#

Hangi tedarikçiyi seçmelisin?#

Altı durum, kurumsal programların çoğunu kapsar. Kendi durumunu bul.

OCR, belge anlama veya genel nesne algılamaya ihtiyacın var ve Azure kullanıyorsun. Azure AI Vision'ı seç. API'ler kullanıma hazırdır, makine öğrenmesi ekibi gerekmez ve entegrasyon işi asgaridir. Taahhüt vermeden önce çıkarım başına maliyetini üretim hacminde modelle: onaylanmış iş gerekçelerini bozan, kullanıma dayalı fiyatlandırmadır.

AWS tabanlı bir hat içinde yönetilen görü hizmetine ihtiyacın var. AWS'yi seç. Rekognition; denetim, yüz arama, KKD ve etiket algılamayı kutudan çıktığı gibi sunar; bulutu değiştirmeden ihtiyaçlarını aştığında SageMaker'a geçebilirsin. Bir ürün satın almak yerine bir mimariyi bir araya getirmen gerekeceğini hesaba kat.

Üretim hattındaki parçaları denetliyorsun. Görü sisteminin hatta çalışması, PLC'lerle bütünleşmesi ve fabrika ortamında çalışmayı sürdürmesi gerekiyorsa Cognex'i seç. Engelin, kusurların geleneksel yöntemlerle eğitim yapılamayacak kadar nadir olmasıysa Landing AI'ı seç. Bu bir ekipman sorunu değil, veri sorunudur ve farklı bir araç gerektirir.

Uçta çok sayıda kamera akışına dağıtım yapıyorsun. Platform katmanı olarak NVIDIA'yı seç; ardından modelleri ve veri hattını kimin sağlayacağına ayrıca karar ver. Bu, uygulama seçimini çözmeyen bir altyapı kararıdır.

Hızlı ilerleyip değerini kanıtlaman gerekiyor. Hızlı yineleme için Roboflow'u; prototipini oluşturduğun modelleri üretimde de çalıştırmayı planlıyorsan Ultralytics Platform'u seç. Aradaki fark, keşif mi yaptığın yoksa bir çözüm mü geliştirdiğindir.

Etiketli veriler darboğazın. Açıklama kalitesi ve kürasyon kısıtlayıcıysa Encord'u, açıklamaların araçlar arasında devredilmesi yerine doğrudan eğitime bağlanmasını istiyorsan Ultralytics Platform'u seç.

İki seçenek de uygunsa, çıkış maliyeti daha düşük olanı seç. Açık model biçimleri ve taşınabilir veri kümeleri işler yolundayken hiçbir maliyet getirmez; işler ters gittiğinde ise her şeyi belirler.

RFP'ye neler eklemeli?#

Aşağıdaki sorular, zayıf bir eşleşmenin net biçimde yanıtlayamayacağı sorular oldukları için tedarikçileri herhangi bir özellik matrisinden daha hızlı birbirinden ayırır.

Doğruluk hakkında. Kavram kanıtlama görsellerimizde ölçtüğünüz doğruluk nedir? Sonucu toplulaştırmak yerine hata sınıflarımıza göre ayrı ayrı verebilir misiniz? En kötü ışık koşullarımızda bu değer ne oluyor?

Dağıtım hakkında. Çıkarım hangi donanımda çalışıyor, görüntü yakalama dâhil uçtan uca gecikme ne kadar ve bağlantı kesildiğinde sistem nasıl davranıyor? Hâlihazırda kurulmuş bir cihazdaki modeli fiziksel olarak kim güncelliyor?

Veriler hakkında. Etiketli verilerin sahibi kim? Verileri istediğimiz zaman açık bir biçimde dışa aktarabilir miyiz? Ürününüzü iyileştirmek için verilerimizden neler kullanılıyor ve bu kullanımdan vazgeçebilir miyiz?

Yaşam döngüsü hakkında. Yeni bir hata türü keşfettikten sonra yeniden eğitim ve yeniden dağıtım ne kadar sürüyor? Süreci, sorumluların da belirtildiği adım adım bir dizi olarak açıklayın.

Ticari koşullar hakkında. Öngörülen hacmimiz için üç yıllık maliyet nedir? Lisans, işlem gücü, depolama, açıklama iş gücü ve desteği ayrı ayrı belirtin. Fiyat değişikliğini ne tetikler?

Çıkış hakkında. İkinci yılda sözleşmeyi feshedersek neleri elimizde tutarız: verileri, modelleri, yoksa hiçbirini mi?

Pilot çalışmadan üretime#

Bu kategorideki programların çoğu pilot aşamasında başarısız olmaz. Başarılı bir pilotla bir türlü hayata geçirilemeyen üretim sistemi arasındaki boşlukta başarısız olurlar.

Pilot başlamadan önce üretim çıtasını belirle. Yaygınlaştırmayı haklı çıkaracak doğruluğa, gecikmeye ve çıkarım başına maliyete karar ver ve bunları yazılı hâle getir. Geçme eşiği olmayan bir pilot her zaman başarılı olur; bu yüzden sana hiçbir şey göstermez.

En iyi yerde değil, en kötü sahada pilot yap. İyi aydınlatılmış ve motivasyonu yüksek bir sorumlunun bulunduğu örnek üretim hattı her tedarikçiyi yetkin gösterir. Yaygınlaştırmanın gerçekten değerlendirileceği yer, sorunlu sahadır.

İkinci model için bütçe ayır. İlk model, tedarikçinin ilgisi ve temiz bir veri kümesiyle oluşturulur. Onuncu modeli ise salı günü kendi ekibin oluşturur. İkinci model tedarikçi yanında olmadan oluşturulamıyorsa program ölçeklenemez.

Veri kalitesinden sorumlu kişiyi belirle. Bu kategoride başarısız olan her programda aynı rol eksiktir: etiketli veri kümesinin kalitesinden zaman içinde sorumlu biri. Bu, ML mühendisinin boş zamanlarında yapacağı bir iş değildir ve tedarik ekibine de ait değildir.

Üretim koşullarında da geçerliliğini koruyan değerlendirme ölçütleri#

Bunları görevin ve çıkarımın nerede çalışması gerektiğine göre ağırlıklandır.

Kıyaslama veri kümesinde değil, kendi görsellerindeki doğruluk. Kendi en zor görsellerini kullanan bir kavram kanıtlama çalışmasında ısrar et: yetersiz aydınlatma, örtülme ve operatörlerinin şikâyet ettiği uç durumlar. Bunu yapmayı kabul etmeyen bir tedarikçi sana bir şey anlatıyordur.

Uç dağıtımının gerçekçiliği. Özellikle şunları sor: Hangi donanım, ne kadar gecikme, ağ kesilince ne oluyor ve sahada hâlihazırda bulunan bir cihazdaki model nasıl güncelleniyor?

Toplam sahip olma maliyeti. Yalnızca peşin ücreti değil; lisans, işlem gücü, depolama, açıklama iş gücü ve devam eden model bakımını da hesaba kat. Tüketime dayalı bulut fiyatlandırması, ölçek büyüdükçe ekipleri en sık şaşırtan kalemdir.

Entegrasyon kapsamı. Endüstriyel ortamlarda PLC'ler ve MES ile uyum, sistemin kullanılabilir olup olmadığını belirler. Yazılım ortamlarında ise belirleyici olan API'ler ve veri hatlarıdır. Bunlar birbirinin yerine kullanılamaz.

Veri yönetişimi. Şifreleme, erişim denetimleri, denetim izleri ve mevzuata uyum. GDPR, HIPAA ve sektöre özgü standartlar, herhangi bir teknik karşılaştırma başlamadan önce platform seçimini sık sık belirler.

Yeni satın alma eşiği: cihaz güveni ve veri kökeni#

Daha önce sonuçlanabilecek anlaşmaları artık engellediği için adını koymaya değer bir değişim.

Cihaz güveni, veri kümesi hakları ve görsel zincirleme kayıtları giderek model doğruluğuyla aynı ticari ağırlığı taşıyor. Bir bilgisayarlı görü modeli teknik doğrulamayı geçse bile satın alma sürecinde başarısız olabilir; çünkü kimse eğitim görsellerinin nereden geldiğini, kuruluşun bu görselleri kullanma hakkına sahip olup olmadığını veya belirli bir kareyi hangi fiziksel cihazın yakaladığını kanıtlayamayabilir.

RFP'ye eklemen gereken üç soru:

• Veri kümesi hakları. Eğitimde kullanılan her veri kümesinin lisansı nedir ve bu lisans, bizim yargı alanımızda ticari kullanıma izin veriyor mu?
• Görsel zincirleme kaydı. Tedarikçi, üretimdeki bir çıkarımı onu yakalayan cihaza kadar izleyen bir kayıt sunabilir mi?
• Cihaz güveni. Uç cihazın bütünlüğü nasıl doğrulanıyor ve cihazlardan biri kurcalanırsa ne oluyor?

Bu soruları yanıtlayamayan tedarikçiler mutlaka güvensiz değildir. Ancak hukuki incelemeni aylarca yavaşlatmaları olasıdır.

Değerlendirme nasıl yürütülür?#

Özellik sayısına göre değil, çeyreğe göre kısa liste oluştur. Önce önceden eğitilmiş model mi özel model mi, bulut mu uç mu olduğuna karar ver. Böylece genellikle tek bir demo bile görmeden pazarın yarısını elersin.

En zor verilerinle bir kavram kanıtlama çalışması yürüt. Her tedarikçiye aynı görselleri ve aynı kabul ölçütlerini uygula. Kolay bir kümedeki toplam doğruluk yerine önemli vakalardaki doğruluğu ölç.

Tüm yaşam döngüsünün maliyetini hesapla. Açıklama iş gücü ve yeniden eğitimi de içeren üç yıllık bir model oluştur. Lisans ücretlerini değil, bu toplamı karşılaştır.

Güncelleme sürecini test et. Bir model dağıt, ardından değiştir. Bunun ne kadar sürdüğü ve kimlerin sürece katılması gerektiği, sistemin canlıya geçtikten sonra iyileşip iyileşmeyeceğini ya da ilk günkü hâlinde kalıp kalmayacağını belirler.

Çıkış koşullarını kontrol et. Etiketli verilerini açık bir biçimde dışa aktarabilir ve modellerini başka bir yere taşıyabilir misin? Taşıyamıyorsan, tedarikçiye bağımlılığın maliyetini hesapla.