Uçtan Uca Entegrasyon, MLOps ve Mühendis Sorumluluğu

Kazanimlar:

• Bir AI destekli otomotiv projesini konseptten üretime kadar uçtan uca kurgulayıp izleme (monitoring) döngüsüyle sürdürebilme
• Model sürüm yönetimi, veri kayması (drift) ve yeniden eğitim ihtiyacını değerlendirebilme
• Sorumluluk, izlenebilirlik ve dokümantasyonu proje boyunca koruyarak yapay zekayı güvenle ölçekleyebilme

Bu modülün son ünitesinde tüm parçaları bir araya getiriyoruz. Tek tek ünitelerde tasarımdan üretime, testten tedarik zincirine kadar yapay zekanın nasıl kullanıldığını gördük. Ama gerçek bir projede bunlar birbirinden kopuk adımlar değil, bir yaşam döngüsüdür: veri toplanır, model kurulur, üretime alınır, izlenir, eskiyince yenilenir. Bu döngüyü sürdürmenin disiplinine MLOps (Machine Learning Operations / Makine Öğrenmesi Operasyonları) denir. Bu ünite, bir AI destekli otomotiv projesini uçtan uca kurmayı, sürdürmeyi ve sorumluluğu korumayı ele alır.

Bir AI projesinin yaşam döngüsü

Otomotiv bağlamında tipik bir uçtan uca akış:

1. Problem ve değer tanımı: Hangi iş sorununu çözüyoruz? Başarı nasıl ölçülür? Bu bir güvenlik-kritik işlev mi?
2. Veri toplama ve etiketleme: Kaynaklar (CAN, test, üretim, telematik), kalite, gizlilik.
3. Model geliştirme: Öznitelik, model, doğrulama (sızıntı kontrolü, birim tutarlılığı).
4. Doğrulama ve güvenlik değerlendirmesi: ISO 26262/SOTIF gerekiyorsa, bağımsız test.
5. Üretime alma (deployment): Modeli araca, hatta veya buluta yerleştirme.
6. İzleme (monitoring): Performans, veri kayması, alarm doğruluğu.
7. Yeniden eğitim (retraining): Model eskiyince güncelleme.
8. Dokümantasyon ve izlenebilirlik: Her adımın kaydı; kim, ne zaman, neden.

Bu döngü bir kez dönüp bitmez; sürekli döner. Otomotivde bir modeli "kur ve unut" yapmak tehlikelidir.

İpucu: Projeye başlarken "bu model sahaya çıktıktan sonra kim, hangi metrikle, ne sıklıkla izleyecek?" sorusunu yanıtlayamıyorsanız, model henüz üretime hazır değildir.

Model sürüm yönetimi ve izlenebilirlik

Otomotivde izlenebilirlik (traceability) bir lüks değil, çoğu zaman yasal zorunluluktur. Bir sorun çıktığında "hangi model sürümü, hangi veriyle eğitildi, kim onayladı" sorusuna yanıt verebilmelisiniz. İyi uygulamalar:

• Model sürümleme: Her modelin numarası, eğitim verisi ve tarihi kayıtlı.
• Veri sürümleme: Hangi veriyle eğitildiği dondurulmuş.
• Karar günlüğü: Onay kim tarafından, hangi kanıtla verildi.
• Geri alma (rollback) planı: Yeni model kötü çıkarsa eskisine dönebilme.

Öğe

Neden gerekli

Eksikse risk

Model sürümü

Hangi sürüm sahada?

Sorun izlenemez

Veri sürümü

Neyle eğitildi?

Tekrar üretilemez

Onay kaydı

Kim sorumlu?

Hesap verilemez

Geri alma

Kötü sürümden dönüş

Sahada uzun arıza

Veri kayması (data drift) ve model çürümesi

Bir model, eğitildiği dünyanın bir fotoğrafıdır. Ama dünya değişir: yeni bir parça tedarikçisi farklı bir sensör toleransı getirir, yeni bir araç modeli çıkar, mevsim değişir, sürüş alışkanlıkları değişir. Girdi verisinin dağılımı eğitim zamanından uzaklaştıkça modelin performansı sessizce düşer. Buna veri kayması (data drift) ve sonucundaki performans düşüşüne model çürümesi (model decay) denir.

Tehlikeli olan, bu düşüşün sessiz olmasıdır: model çökmez, hata vermez, sadece giderek daha çok yanılır. Bu yüzden:

• Girdi dağılımını izleyin (drift tespiti).
• Performans metriklerini gerçek sonuçlarla izleyin (alarmlar doğru çıktı mı?).
• Eşik aşılınca yeniden eğitimi tetikleyin.

Dikkat: "Model bir kez eğitilince aynı performansı sonsuza dek verir" varsayımı yanlıştır ve otomotivde risklidir. Drift izleme olmadan üretime alınan bir model, farkında olmadan güvenilmez hale gelebilir.

Uçtan uca örnek senaryo: kestirimci bakım filosu

Somutlaştıralım. Bir kargo filosu için turbo arızası erken uyarı sistemi kuruyorsunuz:

1. Değer: Yolda kalma ve çekici maliyetini azalt; başarı = yakalanan gerçek arıza / yanlış alarm dengesi.
2. Veri: 40 aracın CAN sinyalleri, geçmiş arıza kayıtları; VIN anonimleştirildi.
3. Model: Anomali + RUL; zaman serisi sızıntısı önlendi; belirsizlik aralığı sunuluyor.
4. Doğrulama: Geçmiş arızalarda geri test; yanlış alarm maliyeti tartıldı.
5. Üretim: Bulutta günlük skor; teknisyene panel.
6. İzleme: Yeni araç modeli eklenince drift kontrolü; alarm doğruluğu haftalık.
7. Yeniden eğitim: Yeni araç tipi ve yeni arıza örnekleriyle çeyreklik güncelleme.
8. Dokümantasyon: Model sürümü, veri sürümü, onaylayan mühendis kayıtlı.

Bu akışın hiçbir adımı "AI karar verdi, bitti" demez; her aşamada bir insan sorumlu.

Mini vaka çalışmaları

Vaka 1 - Sessiz çürüme. Bir kalite denetim modeli bir yıl sorunsuz çalışıyor, sonra kaçak oranı yavaşça artıyor. Kök neden: tedarikçi değişince parça yüzey dokusu biraz farklılaşmış (drift), model bunu "normal" sanmaya başlamış. Drift izleme kurulup model yeniden eğitiliyor. Sonuç: İzleme olmasa açık aylarca fark edilmezdi.

Vaka 2 - İzlenebilirlik kurtardı. Sahadan bir yanlış alarm şikayeti geliyor. Ekip karar günlüğünden hangi model sürümünün, hangi veriyle çalıştığını buluyor; sorunun belirli bir sürümdeki eşik ayarından geldiğini saptayıp o sürümü geri alıyor. Sonuç: Sürüm ve karar kaydı olmasa sorun izlenemezdi.

Vaka 3 - Yeniden eğitim disiplini. Yeni bir elektrikli model filoya katılınca mevcut kestirimci bakım modeli bu araçta çok yanlış alarm veriyor (hiç görmediği bir güç aktarma sistemi). Ekip yeni modeli devreye almadan önce drift uyarısını yakalayıp yeni araç verisiyle modeli genişletiyor. Sonuç: Drift izleme, yeni ürünle gelen bozulmayı önceden yakaladı.

Prompt şablonları

Şablon 1 - Proje planı taslağı:

Rol: AI proje lideri (otomotiv).Görev: Bir AI destekli projeyi uçtan uca planlamama yardım et.Bağlam: Kestirimci bakım; 40 araçlık filo; VIN anonim.Kısıt: Değer tanımı, veri, model, doğrulama, üretim, izleme,yeniden eğitim ve dokümantasyon adımlarını ayrı ayrı ele al;her adımda sorumluluğun kimde olduğunu belirt.Çıktı: Adım | çıktı | sorumlu | risk tablosu.

Şablon 2 - İzleme planı:

Rol: MLOps mühendisisin.Görev: Sahaya çıkan bir model için izleme planı öner.Bağlam: Girdi dağılımı zamanla değişebilir (yeni tedarikçi,yeni araç); performans gerçek sonuçlarla ölçülebilir.Çıktı: İzlenecek metrik | eşik | tetiklenecek aksiyon.

Şablon 3 - Drift değerlendirmesi:

Rol: Veri bilimci.Görev: Veri kaymasını nasıl tespit edeceğimi ve ne zamanyeniden eğitim gerektiğini açıkla.Bağlam: Üretim hattı görsel denetim modeli; tedarikçideğişikliği olabilir.Çıktı: Sinyal | ölçüm | yeniden eğitim tetikleyici.

Şablon 4 - İzlenebilirlik kontrol listesi:

Rol: Kalite/uyum denetçisisin.Görev: Bir model için izlenebilirlik kontrol listesi çıkar.Bağlam: Otomotiv; sorun çıkınca 'hangi sürüm, hangi veri, kimonayladı' sorusu yanıtlanmalı.Çıktı: Öğe | neden gerekli | nasıl kaydedilir tablosu.

Zayıf prompt / Güçlü prompt

Zayıf prompt:

Modeli üretime al.

İzleme, sürümleme, sorumluluk ve geri alma yok; sessiz çürüme ve izlenemez sorunlar kaçınılmaz.

Güçlü prompt:

Rol: MLOps ve otomotiv kalite danışmanısın.Görev: Bir modeli sorumlu biçimde üretime almam için gerekenkontrol listesini çıkar.Bağlam: Kestirimci bakım filosu; yeni araç tipleri zamanlaekleniyor; VIN anonim.Kısıt: İzleme, drift tespiti, sürüm/veri kaydı, onay ve gerialma planını dahil et; her maddede sorumluluğun kimde olduğunubelirt; 'kur ve unut' önerme.Çıktı: Aşama | gereklilik | sorumlu | risk tablosu.

Sık yapılan hatalar

• "Kur ve unut" yaklaşımı. İzleme olmadan model sessizce çürür.
• Sürüm/veri kaydı tutmamak. Sorun izlenemez, tekrar üretilemez.
• Geri alma planı olmaması. Kötü sürümden dönüş uzarsa sahada uzun arıza olur.
• Drift'i beklememek. Yeni tedarikçi/araç/mevsim modeli bozar; izleme şarttır.
• Sorumluluğu belirsiz bırakmak. Her adımda "kim sorumlu" yanıtı net olmalı.

Ozetle

• Bir AI destekli otomotiv projesi tek seferlik değil, dönen bir yaşam döngüsüdür (MLOps).
• Model ve veri sürümleme, karar günlüğü ve geri alma planı izlenebilirlik için zorunludur.
• Veri kayması modeli sessizce çürütür; girdi ve performans izlenmeli, gerektiğinde yeniden eğitilmelidir.
• Uçtan uca örnekte her adımın bir insan sorumlusu vardır; "AI karar verdi, bitti" yoktur.
• "Kur ve unut" otomotivde risklidir; izleme, dokümantasyon ve sorumluluk proje boyunca korunur.

Uygulama gorevi

Bu modülde öğrendiklerinizi tek bir projede birleştirin (ör. üretim hattı görsel denetim veya kestirimci bakım). (1) Şablon 1 ile uçtan uca proje planı taslağı çıkarın; her adımın sorumlusunu yazın. (2) Şablon 2 ile bir izleme planı ve drift tetikleyicileri tanımlayın. (3) Şablon 4 ile bir izlenebilirlik kontrol listesi hazırlayın. (4) Modülün başındaki üç çapa disiplinini bu projeye nasıl uyguladığınızı bir paragrafla özetleyin.

Kontrol listesi

• [ ] Projeyi uçtan uca yaşam döngüsü olarak planladım.
• [ ] Model ve veri sürümleme ile karar kaydını tanımladım.
• [ ] İzleme planı ve drift tetikleyicileri belirledim.
• [ ] Geri alma (rollback) planı hazırladım.
• [ ] Her adımın sorumlusunu netleştirdim.
• [ ] Üç çapa doğrulama disiplinini ve güvenlik-kritik onayın insanda olduğunu korudum.

Modul Sinavi

1. Otomotivde güvenlik-kritik bir kararda (örneğin fren yazılımı doğrulaması) yapay zeka çıktısının rolü nedir?

• A) Analizi hızlandırır ama nihai onay ve sorumluluk yetkin mühendiste kalır ✔
• B) Yeterince veri varsa mühendis onayı olmadan üretime alınabilir
• C) Fren gibi kritik sistemlerde AI hiçbir aşamada kullanılamaz
• D) Model doğruluğu %99'u geçerse insan doğrulaması gereksizdir

Aciklama: Yapay zeka analizi hızlandırır, aday çözümler ve özetler üretir; ancak güvenlik-kritik karar ve nihai onay yetkin mühendisin sorumluluğundadır. AI, mühendis onayının yerine geçmez.

2. Üç çapa doğrulama disiplininde bir AI çıktısını sınamak için kullanılan üç bağımsız kontrol hangisidir?

• A) Promptun uzunluğu, dili ve biçimi
• B) Büyüklük mertebesi, mühendislik makullüğü ve bağımsız test/ölçüm kanıtı ✔
• C) Modelin boyutu, eğitim süresi ve GPU sayısı
• D) Tedarikçi markası, fiyatı ve teslim süresi

Aciklama: Üç çapa; büyüklük mertebesi (mertebe kontrolü), mühendislik makullüğü (fizik/deneyim) ve bağımsız test/ölçüm kanıtı ile çapraz doğrulamadır. Bu üçü AI'ya güven değil, kanıta güven sağlar.

3. CFD veya FEA simülasyonunu hızlandıran bir 'vekil model' (surrogate model) çıktısı için en kritik doğrulama nedir?

• A) Vekil model her zaman gerçek çözücüden daha doğrudur
• B) Sadece renderın estetik görünmesi yeterlidir
• C) Referans çözümle karşılaştırma ve eğitim uzayı dışına çıkıldığında güvenilmezliğin kabulü ✔
• D) Tek bir çalıştırma yakınsadıysa ağ bağımsızlığına bakmaya gerek yoktur

Aciklama: Vekil model gerçek çözücünün yerine hızlı tahmin üretir; ancak eğitildiği tasarım uzayı dışında güvenilmez. Çıktı, referans yüksek-doğruluklu simülasyon ve fiziksel sınır koşullarıyla, ekstrapolasyon bölgesi işaretlenerek doğrulanmalıdır.

4. SAE otomasyon seviyelerinde Seviye 2 (kısmi otomasyon) için doğru ifade hangisidir?

• A) Araç tüm koşullarda sürücüsüz gidebilir
• B) Sistem hiçbir sürüş görevini üstlenmez, sadece uyarı verir
• C) Sürücü koltuğunda oturmasa da olur
• D) Sistem direksiyon ve hızı destekler ama sürücü sürekli gözetim ve sorumluluğu elde tutar ✔

Aciklama: Seviye 2'de sistem direksiyon ve hız/mesafeyi aynı anda destekler, ancak sürücü sürekli gözetimi elde tutar ve her an devralmaya hazırdır; sorumluluk sürücüdedir. Seviye 3 ve üstünde sistem belirli koşullarda sürüş görevini üstlenir.

5. Üretim hattında görüntüyle kusur tespitinde 'kaçak oranı' (escape rate) neden kritik bir metriktir?

• A) Kusurlu parçanın onaylanıp sahaya gitmesi güvenlik ve geri çağırma riski doğurur ✔
• B) Sadece hat hızını yavaşlattığı için önemlidir
• C) Kaçak oranı yalnızca boya kusurları için geçerlidir
• D) Kaçak oranı modelin eğitim süresini ölçer

Aciklama: Kaçak; kusurlu bir parçanın kusursuz sayılıp hattan geçmesidir (yanlış negatif). Otomotivde güvenlik parçası için kaçak, sahada arıza veya geri çağırmaya yol açabildiğinden yanlış ret oranından çok daha yüksek maliyetlidir; eşik buna göre ayarlanır.

6. Kestirimci bakımda 'kalan faydalı ömür' (RUL) tahmininin en doğru kullanımı nedir?

• A) RUL sadece motor yağı için hesaplanır
• B) Belirsizlik aralığıyla sunulup bakım penceresi ve emniyet marjına göre yorumlanmalı ✔
• C) Tek bir kesin gün değeri olarak alınıp o güne kadar hiçbir kontrol yapılmamalı
• D) RUL yüksekse sensörler kapatılabilir

Aciklama: RUL, bir bileşenin arızaya kadar tahmini kalan çalışma süresidir; belirsizlik aralığıyla birlikte sunulmalı ve bakım planı ile emniyet marjına göre yorumlanmalıdır. Tek nokta tahminine körü körüne güvenmek yerine güven aralığı ve yanlış alarm maliyeti dikkate alınır.

7. Test verisi analizinde yapay zeka bir yol testi kaydında anomali işaretlediğinde mühendis ne yapmalıdır?

• A) Anomaliyi görünce testi otomatik başarısız saymalı
• B) AI işaretlemediyse veriye hiç bakmamalı
• C) Anomaliyi ham veri, ölçüm belirsizliği ve tekrarlanabilirlikle doğrulamalı ✔
• D) Anomalileri silip raporu temizlemeli

Aciklama: AI'nın işaretlediği anomali bir ipucudur, sonuç değildir. Mühendis ölçüm belirsizliğini, sensör arızası olasılığını ve tekrarlanabilirliği kontrol edip anomaliyi ham veriyle ve kabul kriterleriyle doğrulamalıdır. Otomatik kabul veya ret uygun değildir.

8. Hafifletme (lightweighting) çalışmasında AI'nın önerdiği bir malzeme değişikliği için hangi doğrulama zorunludur?

• A) Sadece daha hafif olması yeterlidir
• B) Malzeme veri tabanındaki tek satır kanıt olarak alınabilir
• C) Çarpışma davranışı hafif malzemelerde önemsizdir
• D) Mekanik, yorulma, çarpışma, üretilebilirlik ve maliyet gereklilikleri birlikte test edilmeli ✔

Aciklama: Malzeme önerisi yalnızca yoğunluk/mukavemet oranına bakılarak kabul edilemez; mekanik özellikler, yorulma, çarpışma davranışı, üretilebilirlik, korozyon, maliyet ve emniyet gereklilikleri birlikte doğrulanmalı ve fiziksel testle teyit edilmelidir.

9. Otomotiv tedarik zincirinde 'tek kaynak riski' (single-source risk) yapay zeka önerilerinde neden özel dikkat gerektirir?

• A) Tek tedarikçide kesinti tüm üretimi durdurabilir; ikinci kaynak ve tampon değerlendirilmeli ✔
• B) Tek kaynak her zaman en güvenli seçenektir
• C) AI önerdiyse risk analizi gereksizdir
• D) Tek kaynak riski yalnızca lastik için geçerlidir

Aciklama: Bir parçanın tek tedarikçiden gelmesi, o tedarikçide sorun olduğunda üretimi durdurur. AI maliyet optimizasyonunda tek kaynağı önerebilir; mühendis/planlamacı bunu ikinci kaynak, stok tamponu ve senaryo analiziyle dengelemelidir. Maliyet tek kriter değildir.

10. Python ile telemetri analizi yaparken 'veri sızıntısı' (data leakage) neyi ifade eder ve neden tehlikelidir?

• A) Verinin diskten sızıp silinmesidir
• B) Modelin tahmin anında bilinemeyecek bilgiyi eğitimde görmesi; skoru şişirir, sahada çöker ✔
• C) Grafik renklerinin karışmasıdır
• D) Sadece görüntü verisinde olur

Aciklama: Veri sızıntısı; modelin, tahmin anında gerçekte bilinemeyecek bilgiyi (örneğin gelecekteki değer veya hedefe bağlı öznitelik) eğitimde görmesidir. Bu, test skorunu yapay olarak yükseltir ama saha performansı çöker. Zaman serisinde geçmiş/gelecek ayrımı titizlikle korunmalıdır.

11. ISO 26262 fonksiyonel güvenlik bağlamında ASIL sınıflandırması neyi belirler?

• A) Aracın maksimum hızını
• B) Modelin eğitim veri seti boyutunu
• C) Tehlikenin şiddet, maruziyet ve kontrol edilebilirliğine göre gereken güvenlik seviyesini ✔
• D) Tedarikçinin kredi notunu

Aciklama: ASIL (Automotive Safety Integrity Level), bir tehlikenin şiddet, maruz kalma ve kontrol edilebilirlik değerlendirmesine göre gerektirdiği güvenlik önlemi seviyesini (A'dan D'ye, D en yüksek) belirler. Yüksek ASIL, daha katı geliştirme, doğrulama ve dokümantasyon gerektirir.

12. ISO 21448 (SOTIF) klasik fonksiyonel güvenlikten (ISO 26262) hangi yönüyle ayrılır?

• A) Sadece donanım arızalarını ele alır
• B) Yalnızca yazılım lisanslamasını düzenler
• C) SOTIF, ISO 26262'nin eski adıdır
• D) Arıza olmasa bile yetersiz işlevsellik ve tanınmayan senaryolardan doğan riskleri ele alır ✔

Aciklama: ISO 26262 arıza/donanım-yazılım hatası kaynaklı riskleri ele alırken, SOTIF (Safety of the Intended Functionality) sistem hiç arızalanmasa bile yetersiz algılama, tanınmayan senaryolar ve fonksiyonel sınırlardan doğan riskleri ele alır; yapay zeka temelli algılamada özellikle kritiktir.

13. Sürücü ve araç telemetri verisiyle çalışırken gizlilik açısından en doğru yaklaşım hangisidir?

• A) Anonimleştirme, veri minimizasyonu ve amaç sınırlamasıyla KVKK/GDPR uyumu ✔
• B) Tüm ham veriyi VIN ile birlikte kamuya açık modele göndermek
• C) Gizlilik yalnızca pazarlama verisi için geçerlidir
• D) Konum verisi hiçbir zaman kişisel veri sayılmaz

Aciklama: Konum, sürüş davranışı ve şasi numarası (VIN) gibi veriler kişiyi tanımlayabilir. En doğru yaklaşım; veriyi anonimleştirmek/takma adlandırmak, yalnızca gerekeni toplamak (veri minimizasyonu), amaç sınırlaması ve KVKK/GDPR uyumudur. Ham VIN veya konumu üçüncü taraf araçlara göndermek risklidir.

14. Üretime alınan bir AI modelinde 'veri kayması' (data drift) izlenmesi neden gereklidir?

• A) Model bir kez eğitilince süresiz aynı performansı verir
• B) Girdi dağılımı zamanla değişince performans sessizce düşer; yeniden eğitim tetiklenmeli ✔
• C) Drift sadece donanımın fiziksel titreşimidir
• D) İzleme gereksizdir çünkü model kendini otomatik günceller

Aciklama: Gerçek dünya değişir (yeni parça tedarikçisi, mevsim, yeni araç modeli); girdi dağılımı eğitim zamanından uzaklaşınca model performansı sessizce düşer. Drift izleme ve performans metrikleriyle yeniden eğitim tetiklenir. Modeli 'kur ve unut' yaklaşımı otomotivde risklidir.