Akademik derinliği kurumsal üretime taşıyan uzmanlık alanları.
Karmaşık bir yapay zeka problemi nadiren tek bir disiplinin sınırları içinde çözülür. 3Y; akademik derinliği mühendislik disipliniyle birleştirerek uzmanlık alanlarını aynı çatı altında, ortak bir değerlendirme (eval) kültürüyle yürütür.
Hangi problemleri çözüyoruz?
Bir kameranın ürettiği ham piksellerden kurumsal bir karara uzanan yol, görü mühendisliğinin asıl çalışma alanıdır. Bu yol çoğu zaman akademik literatürdeki başarım oranları (ör. %95 doğruluk) ile saha koşullarındaki süreklilik gereksinimleri (ör. %99,9 erişilebilirlik) arasındaki açıklıkta belirginleşir; kurumsal yapay zeka değeri de bu açıklığın kapatılmasıyla ortaya çıkar.
- Nesne tespiti, sınıflandırması ve takibi (üretim kalite kontrol, savunma ISR, perakende mağaza analitiği)
- Semantik & instance segmentasyon (medikal görüntüleme, uydu/havadan görüntü)
- 3D rekonstrüksiyon, SLAM, fotogrametri (otonom platformlar, dijital ikiz)
- Multi-view geometry, kalibrasyon, depth estimation (stereo, RGB-D)
- Aksiyon tanıma, poz tahmini, anomali tespiti (güvenlik, spor analitiği, iş güvenliği)
- Edge dağıtım: Jetson, Hailo, Coral — gerçek zamanlı çıkarım disiplini
Neden 3Y?
13 yılı aşkın süredir bilgisayarlı görü alanında çalışıyoruz. Klasik geometrik yöntemleri ve güncel derin öğrenme mimarilerini birbirini tamamlayan araçlar olarak değerlendiriyoruz. Akademik kökenimiz; güncel yayınları izleyip üretime taşıyabilmemizi olduğu kadar, bir yöntemin ilgili problem için gerçekten gerekli olup olmadığını eleştirel biçimde değerlendirebilmemizi de sağlar.
Klasik DSP ile derin öğrenmenin sentezi
Bilgisayarlı görüden temel farkı şudur: görü, sahnede "ne olduğunu" belirler; görüntü işleme ise verinin niteliğini iyileştirir. Düşük ışıkta gürültülü bir karenin özgün halini geri kazanmak, kalite kontrolde mikron seviyesinde ayrıntı ayırt etmek, hiperspektral veride dalga boyu eşlemesi yapmak — bunların tümü, yapay zeka katmanının üzerine inşa edildiği temeli oluşturur.
- Low-light enhancement, denoising, deblurring (Retinex, DnCNN, Restormer)
- Süper-çözünürlük (ESRGAN, Real-ESRGAN, diffusion-based SR)
- HDR, tone mapping, demosaicing, ISP pipeline tasarımı
- Hiperspektral / multispektral analiz (tarım, savunma, çevre)
- Inpainting, color correction, color constancy, white balance
- Gömülü çalıştırma: SIMD/NEON, GPU shader, DSP optimizasyonu
Performans, vazgeçilmez bir ölçüttür
Görüntü işleme çözümlerinde başarım, yalnızca doğrulukla değil, hedef donanımdaki gerçek zamanlı performansla birlikte tanımlanmalıdır. Saniyede 30 kare hızında ve Full-HD çözünürlükte çalışan bir gürültü azaltma filtresi, laboratuvar koşullarında doğru sonuç üreten ancak gerçek zamanlı çalışamayan bir alternatiften kurumsal açıdan daha değerlidir. Bu nedenle her projede, "doğru sonuç" ölçütü kadar "hedef donanımda gerçek zamanlılık" ölçütü de sözleşmeye yazılı bir kabul kriteridir.
Makine öğrenmesi her problem için doğru araç değildir
Bunu açıkça ifade etmek, yapay zeka çözümleri geliştiren bir şirket için alışılmadık görünebilir; ancak karşılıklı zamanın verimli kullanılması bu dürüstlüğü gerektirir. Kural tabanlı yöntemlerle çözülebilen bir problem makine öğrenmesine devredildiğinde, model bakım maliyeti de hesaba katıldığında toplam maliyet çoğu zaman artar. Bazı problemler için klasik istatistiksel yöntemler ya da iyi tasarlanmış bir veri sorgusu yeterlidir.
"Makine öğrenmesi bu problem için uygun mu?" sorusunu her projenin keşif aşamasında açıkça yanıtlarız. Yanıt "şu an için uygun değil" ise, bunu da aynı açıklıkla paylaşırız.
Çekirdek kabiliyetlerimiz
- Klasik ML: XGBoost, LightGBM, regresyon, sınıflandırma, kümeleme
- Derin öğrenme: PyTorch, TensorFlow, JAX; CNN, RNN, Transformer mimari seçimi
- Zaman serisi tahmin, anomali tespiti (Isolation Forest, autoencoder)
- Öneri sistemleri (matrix factorization, two-tower, sequence models)
- Açıklanabilirlik: SHAP, LIME, attention visualization
- MLOps: feature store, pipeline orchestration, drift monitoring, A/B testing
Veri katmanı
Bir makine öğrenmesi projesinin başarısının büyük bölümü model mimarisinde değil, veri kalitesinde belirlenir. Aktif öğrenme, etiket kalite denetimi, veri versiyonlama (DVC) ve sentetik veri stratejileri, 3Y'de başlı başına bir "veri mühendisliği" disiplini olarak ele alınır; model geliştirme sürecinin gölgesinde bırakılmaz.
Büyük dil modeli vaadi ile uygulama gerçeği arasında
Bir büyük dil modeli demosu hazırlamak birkaç gün sürebilir; aynı modeli üretime taşımak ve sürdürülebilir biçimde işletmek ise aylar alır. Demoda etkileyici görünen bir komutun (prompt) hangi uç durumlarda başarısız olduğu, hangi belirteç (token) bütçesinin hangi maliyeti doğurduğu ve hangi yanıtların KVKK açısından risk taşıdığı, ancak saha koşullarında ortaya çıkar. 3Y'nin uzmanlığı tam olarak bu mesafenin yönetilmesinde yoğunlaşır.
Çekirdek kabiliyetlerimiz
- Kurumsal RAG mimarileri: vector + hybrid search, re-ranking, citation
- Fine-tuning: full, LoRA, QLoRA, PEFT — alana özel
- Alana özel uygulamalar (terminoloji, hukuki/tıbbi jargon)
- Multimodal (vision-language, audio-text) entegrasyonlar
- Eval disiplini: RAGAS, custom eval setleri, regression testing
- Maliyet ve token bütçesi optimizasyonu (cache, batching, model routing)
Modeller
Kapalı modeller (Claude, GPT, Gemini, Mistral API) ile açık modeller (Llama, Qwen, Mistral, DeepSeek) arasında doğru seçim, sözleşmeyle değil, sistematik bir değerlendirme (eval) süreciyle belirlenir. Kurumsal getirim-destekli üretim (RAG) senaryolarının çoğu en güncel sınır modellere ihtiyaç duymazken, belirli durumlarda bu modeller kaçınılmazdır.
Gizlilik ve kurumsal güvenlik
Şirket içi (on-premise) kurulum, AWS Bedrock, Azure OpenAI veya GCP Vertex seçimleri, müşterinin düzenleyici gereksinimlerine göre belirlenir. Kişisel veri (PII) tespiti ve maskeleme, KVKK uyumlu kayıt tutma ve denetim izi (audit trail), her çözümde varsayılan olarak yer alır.
"Ajan" ile neyi kastediyoruz?
Geleneksel bir büyük dil modeli yalnızca yanıt üretir; bir ajan ise plan kurar, araç çağırır, geri bildirim alır ve planını günceller. Müşteri talep formunu okuyarak CRM kaydı oluşturan, randevu planlayıp e-posta hazırlayan ve gerektiğinde süreci bir uzmana yönlendiren (eskalasyon) bir ajan, basit bir sohbet botundan niteliksel olarak farklıdır.
Mimari yaklaşımlarımız
- ReAct, plan-execute, hiyerarşik multi-agent
- MCP (Model Context Protocol) tabanlı araç entegrasyonu
- Memory katmanı: vector + episodik bellek + kullanıcı tercihleri
- Guardrails: politika denetimi, jailbreak savunması, izinli işlem listeleri
- Human-in-the-loop kararlar (yüksek riskli aksiyon için onay)
- Workflow orchestration: LangGraph, Temporal, event-driven mimariler
Bu alan neden risklidir ve riski nasıl yönetiyoruz?
Bir ajan hatalı bir eylem gerçekleştirdiğinde, geri alınması güç sonuçlar doğurabilir. Bu nedenle kademeli yetkilendirme, denetim izi (audit trail), geri alma (rollback) mekanizmaları ve şeffaf karar kayıtları, her ajan projesinin tasarımında varsayılan bileşenlerdir. Hedeflenen, denetimsiz otomasyon değil; denetlenebilir otomasyondur.
Yapay zeka iş yükü farklıdır
Klasik bir web servisi yatay olarak kolayca ölçeklenebilirken, GPU üzerinde çalışan bir çıkarım (inference) servisi aynı kolaylıkla ölçeklenmez. İlişkisel bir veritabanının maliyeti büyük ölçüde öngörülebilirken, vektör veritabanı kullanan bir RAG sisteminin maliyeti sorgu örüntüsüne bağlı olarak kat kat değişebilir. Bu nedenle yapay zeka altyapısı, başlı başına ayrı bir mühendislik disiplini gerektirir.
Çekirdek kabiliyetlerimiz
- AWS, GCP, Azure — managed AI servisleri (SageMaker, Vertex AI, Bedrock)
- Kubernetes + KServe, Triton, vLLM, TorchServe ile inference platformu
- IaC: Terraform, Pulumi; GitOps: ArgoCD; CI/CD: GitHub Actions
- Vector DB: Pinecone, Weaviate, Qdrant, pgvector — seçim ve operasyon
- Akış işleme: Kafka, streaming inference, online feature store
- Gözlemlenebilirlik: Prometheus, Grafana, OpenTelemetry, Datadog
Hibrit ve şirket içi senaryolar
Düzenleyici gereksinimler ya da maliyet nedeniyle bazı iş yüklerinin şirket içinde (on-premise) tutulması zorunludur. vLLM üzerinde kendi altyapısında barındırılan Llama/Qwen modelleri, Ollama tabanlı kurulumlar ve hibrit RAG mimarileri (açık modelin bulut tabanlı modelle birlikte kullanımı), düzenli olarak hayata geçirdiğimiz çözümler arasındadır.
Maliyet yönetimi, sürekli bir disiplindir
FinOps disiplini, spot örnek kullanımı, anahtar-değer (KV) önbellekleme, toplu (batch) çıkarım ve model yönlendirme (routing), maliyet yönetiminin temel bileşenleridir. Doğru tasarlanmış bir LLM API katmanı, uygun önbellekleme ve yönlendirme ile maliyeti kayda değer ölçüde düşürebilir. Bu kazanımı sözleşmede bir vaat olarak sunmaz; değerlendirme (eval) döngüsünün bir parçası olarak ölçer ve raporlarız.
Hangi disiplinde başlayalım?
Birden fazla disiplinin bir arada çalışmasını gerektiren projeler 3Y için olağandır. Çözüm tek bir uzmanlık alanından başlasa dahi, yaklaşımımız her zaman bütünseldir.