Machine Learning Operations (MLOps)

Makine Öğrenimi Operasyonları (MLOps), makine öğrenimi (ML) modellerini deneysel geliştirmeden güvenilir üretim dağıtımına taşıma sürecini kolaylaştıran bir dizi uygulama, ilke ve teknolojidir. Veri biliminin keşifsel doğasını DevOps'un katı disipliniyle birleştiren MLOps, Yapay Zeka (AI) uygulamaları için yayın döngüsünü birleştirmeyi amaçlar. Geleneksel yazılım geliştirme öncelikle kod sürümlemeye odaklanırken, MLOps büyük ölçekli verileri yönetmenin ve gelişen model davranışlarını kontrol etmenin getirdiği ek karmaşıklıkları da beraberinde getirir. Bu bütünsel yaklaşım, yapay zeka sistemlerinin tüm yaşam döngüleri boyunca ölçeklenebilir, doğru ve yönetilebilir kalmasını sağlar.

Link to this sectionMLOps'un Temel Taşları#

Başarılı MLOps uygulamaları; veri mühendisliği, makine öğrenimi ve DevOps olmak üzere üç farklı disiplin arasındaki boşluğu doldurmaya dayanır.

• Sürekli Entegrasyon ve Dağıtım (CI/CD): Standart yazılımların test ve dağıtımı otomatize etmek için CI/CD hatlarını kullanması gibi, MLOps hatları da model eğitimini ve doğrulamasını otomatize eder. Bu, kod veya verideki değişikliklerin, güncellemeler üretime ulaşmadan önce model performansını doğrulama adımlarını otomatik olarak tetiklemesini sağlar.
• Data and Model Versioning: In traditional coding, you only version the source code. In MLOps, teams must use tools like DVC (Data Version Control) to track changes in training data alongside the model hyperparameters. This guarantees reproducibility, allowing engineers to recreate any specific model version from history.
• Continuous Monitoring: Once deployed, models can degrade due to concept drift, where the statistical properties of the target variable change over time. MLOps involves setting up observability systems to track metrics like inference latency and accuracy, automatically alerting teams when retraining is necessary.

Link to this sectionGerçek Dünya Uygulamaları#

MLOps, modern kurumsal yapay zekanın omurgasıdır; şirketlerin tek bir modelden binlerce dağıtılmış uç noktaya güvenilir bir şekilde ölçeklenmesini sağlar.

1. Üretimde Kestirimci Bakım: Fabrikalar, montaj hatlarındaki kusurları belirlemek için bilgisayarlı görü kullanır. Bir MLOps hattı, yeni ürün grupları tanıtıldığında nesne algılama modellerinin yeni görüntülerle yeniden eğitilmesini, sürümlenmesini ve kesinti süresi olmaksızın otomatik olarak fabrika uç cihazlarına dağıtılmasını sağlar. Bu, üretim koşulları değişse bile kalite denetiminin tutarlı kalmasını sağlar.

2. Akıllı Perakende Envanteri: Perakendeciler raf stoklarını takip etmek için kameralar dağıtır. Mağaza aydınlatması ve ürün ambalajı sıkça değiştiğinden, model kayması sürekli bir risktir. MLOps sistemleri güven puanlarını izler; güven düşerse sistem görüntüleri etiketleme için işaretler ve bulutta bir yeniden eğitim döngüsü başlatarak otomatize envanter yönetimini sürdürmek için güncellenmiş bir modeli mağazalara gönderir.

Link to this sectionUltralytics ile MLOps Uygulaması#

Herhangi bir MLOps iş akışındaki kritik bir adım deney takibidir. Bu, her eğitim çalıştırmasının kendi özel yapılandırmasıyla kaydedilmesini sağlayarak ekiplerin sonuçları yeniden üretmesine veya gerekirse önceki sürümlere geri dönmesine olanak tanır.

Aşağıdaki örnek, tüm yeni projeler için önerilen Ultralytics'in en son teknoloji ürünü YOLO26 modelinin proje takibi etkinleştirilerek nasıl eğitileceğini göstermektedir. Bu, bir üretim hattı için gereken yapıları doğal olarak oluşturur.

from ultralytics import YOLO

# Load the YOLO26 model (recommended for superior speed and accuracy)
model = YOLO("yolo26n.pt")

# Train the model while specifying project and name for organized logging
# This creates a structured directory of artifacts (weights, charts, args)
# which is essential for reproducibility in MLOps pipelines.
results = model.train(data="coco8.yaml", epochs=10, project="mlops_experiments", name="run_v1")

By organizing training runs into specific projects, teams can easily integrate tools like MLflow or TensorBoard to visualize performance metrics over time. As organizations scale, they often migrate these workflows to the Ultralytics Platform, which provides a unified interface for managing datasets, training remotely, and deploying models to various formats like TensorRT for optimized inference speed.

Link to this sectionMLOps ve İlgili Kavramlar#

Bu uygulamaları etkili bir şekilde hayata geçirmek için MLOps'u ekosistemdeki benzer terimlerden ayırmak önemlidir.

• MLOps vs. DevOps: DevOps, yazılım uygulamalarının sürekli teslimine odaklanır. MLOps, "Veri" ve "Model"i birinci sınıf vatandaşlar olarak ekleyerek bu ilkeleri genişletir. DevOps'ta kod değişikliği bir derlemeyi tetiklerken, MLOps'ta veri dağılımlarındaki bir değişiklik veya hassasiyetteki düşüş de yeni bir hat yürütmesini tetikleyebilir.
• MLOps vs. Model Sunumu: Model sunumu, bir modeli barındırmak ve çıkarım isteklerini işlemek için kullanılan altyapıya özel olarak atıfta bulunur. MLOps, sunumu da kapsayan ancak aynı zamanda eğitim, yönetişim ve izleme aşamalarını da içeren daha geniş bir şemsiyedir.
• MLOps vs. AutoML: Otomatik Makine Öğrenimi (AutoML), model oluşturma sürecini otomatize etmeye (örneğin, algoritmaların seçilmesi) odaklanır. MLOps, o model oluşturulduktan sonra yaşam döngüsünü yönetir ve AutoML araçlarını çalıştıran hattı operasyonel hale getirir.