Google Vertex AI ile Model Geliştirme ve Dağıtım: Adım Adım

Vertex AI nedir, hangi işi çözer?

Vertex AI, Google Cloud üzerinde makine öğrenmesi modellerinin geliştirilmesini, eğitilmesini, kayıt altına alınmasını ve servis edilmesini bir araya getiren yönetilen bir platformdur. Veri hazırlama, model eğitimi, değerlendirme, dağıtım ve izleme aşamaları aynı çatı altında yürütülür.

Platformun değeri, altyapı yönetimini sizin yerinize üstlenmesidir: eğitim için sunucu kurmak, modeli uygulama arayüzü arkasında sunmak ya da sürüm yönetimi gibi işleri el ile yapmak yerine hazır araçlar kullanırsınız. Buna karşılık Google Cloud'a bağımlılık ve kullanıma göre değişen maliyet, kararı değerlendirirken tartılması gereken noktalardır.

Ad değişikliğine dikkat: Google, Vertex AI'ı ajan geliştirme özellikleriyle genişleterek Gemini Enterprise Agent Platform adıyla sunmaya başladı. Güncel belgelerde bazı bileşenler yeni önekle anılır; örneğin Vertex AI Pipelines yerine Agent Platform Pipelines, Model Registry yerine Agent Platform Model Registry. AutoML gibi bazı adlar aynı kaldı. Bu sayfada yaygın arama adı olduğu için Vertex AI diyoruz; konsolda ve belgelerde yeni adları görmeniz normaldir.

Birinci adım: Platform mimarisi ve veri hazırlama

Çalışmaya başlamadan önce Google Cloud proje yapısını, kullanıcı ve hizmet hesaplarını ve erişim izinlerini düzenleyin. En yaygın hata, geniş yetkili tek hesapla çalışmaktır; her iş yükü için en dar yetkiyi tanımlayın.

Veri tarafında verinin nerede duracağına karar verin: nesne depolama, veri ambarı ya da yönetilen veri kümeleri (Vertex AI Datasets). Veri kümesini hazırlarken etiketleme kalitesine, eğitim ve doğrulama ayrımına ve veri sızıntısına dikkat edin. Model kalitesi, algoritma kadar veri temizliğine ve etiket tutarlılığına da bağlıdır.

Örneğin bir perakende ekibi müşteri kaybını tahmin etmek istiyorsa, önce hedef sütunun net tanımlandığından ve etiketlerin gelecekteki bilgiyi sızdırmadığından emin olur; sonra veriyi eğitim, doğrulama ve test olarak ayırır.

İkinci adım: AutoML ile hızlı model

AutoML, kod yazmadan ya da az kodla model eğitmenizi sağlar. Veri kümesini ve hedefi tanımlarsınız; platform uygun model mimarisini ve ayarları dener. Hızlı bir temel çizgi (baseline) çıkarmak için idealdir: fikrin veriyle işe yarayıp yaramadığını az emekle görürsünüz.

AutoML sonuçlarını doğrudan üretime almadan önce değerlendirme ölçütlerini inceleyin: karışıklık matrisi, hata türleri ve farklı veri dilimlerindeki performans. Tek bir ortalama başarı ölçütü, belirli grupta ya da senaryoda yaşanan başarısızlığı gizleyebilir.

AutoML çıktısını basit bir kural tabanlı çözümle kıyaslamak, makine öğrenmesinin gerçekten değer katıp katmadığını gösterir. Fark küçükse karmaşık bir model kurmanın bakım yükü gerekçelendirilemeyebilir.

Üçüncü adım: Özel model eğitimi

AutoML yetersiz kaldığında ya da kendi modelinizi (kendi kod ve çerçevenizle) kullanmak istediğinizde özel eğitim işleri (training jobs) devreye girer. Kodunuzu bir kap içinde paketleyip yönetilen altyapıda çalıştırırsınız; gerektiğinde grafik işlemcili makineleri seçebilirsiniz.

Deneyleri izlemek için parametre, veri sürümü ve sonuçları kayıt altına alın. Hiperparametre ayarı yaparken arama alanını sınırlı tutun; sınırsız deneme maliyeti hızla artırır. Her eğitim çalışmasında rastgelelik tohumunu ve veri sürümünü kaydetmek, sonucu yeniden üretebilmeyi sağlar.

Hata ayıklamayı kolaylaştırmak için kodu önce küçük bir veri alt kümesiyle yerelde çalıştırın, sonra yönetilen altyapıda tam veriyle başlatın. Bu sıra, kap paketleme hatalarını ve izin sorunlarını pahalı bir eğitim çalışması başlamadan yakalar.

Dördüncü adım: Model kaydı ve servis etme

Eğitilen modeli model kayıt defterine (güncel belgelerde Agent Platform Model Registry) alın; sürüm, değerlendirme sonuçları ve açıklama ile saklayın. Böylece hangi sürümün üretimde olduğu ve neden seçildiği izlenebilir kalır.

Servis etmede iki yol vardır: anlık tahmin için uç nokta (endpoint) ve büyük veri kümeleri için toplu tahmin. Uç noktada ölçeklenme ayarını, gecikme beklentisini ve maliyeti dengeleyin; yeni sürüme trafiği kademeli yönlendirerek geçiş riskini azaltın. Dağıtımdan sonra tahmin dağılımını ve veri kaymasını izleyin.

Dağıtımdan sonraki ilk günlerde tahmin sonuçlarını bilinen örneklerle karşılaştırın ve önceki sürümü geri dönüş seçeneği olarak hazır tutun. Yeni sürümde beklenmeyen bir sapma görürseniz trafiği eski sürüme geri çevirmek, sorunu araştırmak için zaman kazandırır.

Beşinci adım: MLOps hattı ve ajan geliştirme

Tekrarlanan işleri (veri hazırlama, eğitim, değerlendirme, dağıtım) bir hat (pipeline) olarak tanımlayın. Hat, adımları sıralı ve izlenebilir yapar; bir adım başarısız olduğunda nerede olduğunu görürsünüz ve aynı süreci yeniden çalıştırabilirsiniz. Platformda bu iş için Pipelines aracı (güncel adıyla Agent Platform Pipelines) kullanılır. Bu yaklaşım MLOps olarak anılır ve modelin üretimde güvenilir kalmasını sağlar.

Üretken yapay zeka tarafında ajan geliştirme araçları Agent Builder adıyla başladı ve bugün Gemini Enterprise Agent Platform içinde yer alıyor: ajanı kodla kurmak için açık kaynaklı Agent Development Kit (ADK), hazır ajan ve şablonlar için Agent Garden, ajanı yönetilen ortamda çalıştırmak için Agent Runtime. Kurum verisine bağlanan ajanlarda RAG Engine ve Vector Search gibi erişim araçları kullanılır. Veri entegrasyonu, ajanın diyalog akışının tasarımı, çok adımlı işlemler ve test ile izleme aşamalarından geçilir. Ajanın cevaplarını gerçek örneklerle değerlendirin ve yetkisini dar tutun.

Maliyet, öğrenme yolu ve sık hatalar

Maliyet yönetimi platformun ayrılmaz parçasıdır: kullanılmayan uç noktaları kapatın, eğitim işlerine bütçe uyarısı koyun, makine tipini iş yüküne göre seçin ve kaynakları etiketleyerek harcamayı iş birimi bazında izleyin.

Öğrenme yolu: önce makine öğrenmesi temelleri ve Google Cloud kavramları, sonra AutoML ile ilk model, ardından özel eğitim ve model kaydı, en son hat, izleme ve ajan geliştirme. Sık hatalar: geniş yetkilerle çalışmak, değerlendirmeyi tek ölçütle yapmak, uç noktayı açık unutmak, dağıtım sonrası izlemeyi atlamak ve deneyleri kayıt altına almamak.

Örneğin bir deneme ortamında açık bırakılan uç nokta, kimse kullanmasa da kaynak tüketmeyi sürdürür; bu yüzden her deneme sonunda kapatma adımını kontrol listesine yazmak ve kaynakları sahibine göre etiketlemek iyi bir alışkanlıktır.

Mindset programlarında nerede çalışılır?

Mindset kataloğundaki Google Vertex AI eğitimi şu modüllerden oluşur: Vertex AI Platformuna Giriş ve Mimari, Veri Hazırlama ve Vertex AI Datasets, AutoML ile Hızlı Model Geliştirme, Özel Model Eğitimi ve Training Jobs, Model Kayıt ve Servis Etme, MLOps ve Vertex AI Pipelines, Üretim Uygulamaları ve Maliyet Yönetimi. Vertex AI Agent Builder Eğitimi ise veri entegrasyonu ve bilgi yönetimi, ajan tasarımı ve diyalog akışları, gelişmiş ajan özellikleri, test, izleme ve iyileştirme ile bir uygulama projesini kapsar.