Sahadaki ihtiyaç netti: bulut bağımlılığı olmadan, kompakt ve düşük maliyetli bir donanım üzerinde gerçek zamanlı görsel analiz.
Donanım seçimi
Raspberry Pi 5 düşük güç, küçük form faktörü ve yeterli işlem gücü dengesini sağladı. Kamera kontrolü ve hafif modeller için tatmin edici bir nokta.
Yazılım katmanı
Kamera kontrolü, çıkarım, raporlama ve uzaktan güncelleme süreçleri ayrı modüller olarak yapılandırıldı; sistem tekrar üretilebilir kaldı.
Veri Kalitesi — Modelden Önce
Yapay zekâ projelerinde başarının %80'i model seçimiyle değil, veri kalitesiyle gelir. Etiketleme tutarlılığı, sınıflar arası dengesizlik, eksik örnekler ve sahaya özgü kenar durumlar; modeli yeniden eğitmek zorunda kalmamak için projenin başında çözülmesi gereken sorunlardır. Bir veri seti hazırlanırken her sınıf için minimum 500-1000 örnek hedeflenir; sınıf dengesizliği varsa ya örnek çoğaltma (oversampling) ya da loss fonksiyonunda sınıf ağırlıklandırma uygulanır. Etiketleyici eğitimi de en az veri toplamak kadar kritik — iki farklı etiketleyicinin aynı görüntüye %95+ tutarlılıkla aynı etiketi vermesi gerekir.
Eğitim ve Fine-Tuning Döngüsü
Bir modeli sadece bir kez eğitmek yetmez — sürekli iyileştirme döngüsü kurulmalıdır. AIOR'un kullandığı standart pipeline: ham veri → temizleme → train/val/test split → baseline model → hata analizi → veri seti genişletme → fine-tune → A/B test → production. Bu döngü her 4-6 haftada bir tekrar edilir. Production'da yanlış sınıflandırılan örnekler otomatik olarak yeni eğitim setine eklenir; model haftalık olarak iyileşir. Eğitim için NVIDIA H100 veya A100 GPU'larında batch processing kullanıyoruz; küçük modeller için RTX 4090 yeterli.
Production Deployment ve Guardrails
Bir AI modelini production'a almak; lab ortamında elde edilen %95 doğruluğun sahada %95 olarak korunması anlamına gelmez. Sürpriz girişler (out-of-distribution data), düşmanca örnekler (adversarial examples) ve veri kayması (data drift) gerçek dünyada modelin doğruluğunu zamanla düşürür. Bu nedenle her production deploymentımız üç katmanlı guardrail sistemiyle çalışır: 1) Input validation — beklenmedik formattaki veriyi reddet, 2) Confidence threshold — düşük güvenli tahminleri "belirsiz" olarak işaretle, 3) Human-in-the-loop — kritik kararlar için insan onayı zorunlu kıl.
İzleme ve Sürekli İyileştirme
Production'daki bir modeli izlemeden "çalışıyor mu?" sorusuna cevap veremezsiniz. AIOR olarak Prometheus + Grafana kombinasyonuyla her tahminin latency, confidence, sınıf dağılımı, hata oranı ve son 24 saatlik trendini izliyoruz. Bir metrik beklenmedik şekilde değişirse PagerDuty alarmı tetikleniyor; mühendis ekip 5 dakika içinde haberdar oluyor. Bu izleme sayesinde tipik olarak modelin performans düşüşünü kullanıcılar farketmeden 3-5 gün önce yakalıyoruz.
