Üretim Ortamında Uçtan Uca MLOps: Model İzleme, Veri Kayması ve CI/CD Mimarisi

Uçtan Uca MLOps Döngüsü ve Mimari Prensipleri

1. Veri ve Kavram Kayması (Drift) Tespiti

Üretim ortamındaki tahminlerin girdi dağılımı (Kolmogorov-Smirnov veya Wasserstein Distance testleri ile) eğitim setiyle karşılaştırılır. P-değeri 0.05 altına düştüğünde sistem otomatik olarak uyarı üretmelidir.

2. Otomatik Yeniden Eğitim (Continuous Training - CT)

# GitHub Actions MLOps Workflow
name: Model Retraining Pipeline
on:
  webhook:
    types: [data_drift_detected]
jobs:
  retrain:
    runs-on: self-hosted-gpu
    steps:
      - uses: actions/checkout@v4
      - name: Fetch Latest Features
        run: python scripts/fetch_features.py
      - name: Train and Evaluate
        run: python train.py --evaluate-against-production
      - name: Deploy Canary
        if: success()
        run: kubectl apply -f k8s/canary-deployment.yaml

MLOps'ta en sık göz ardı edilen konu Gölge Dağıtımdır (Shadow Deployment). Yeni bir model eğittiğinizde onu asla doğrudan tüm trafiğe açmayın. Canlı kullanıcı trafiğini sessizce hem eski modele hem gölge modele gönderin. Gölge modelin gecikmesini, bellek tüketimini ve çıktı tutarlılığını 48 saat izledikten sonra kademeli olarak (Canary %10 -> %50 -> %100) trafiği aktarın.

E-ticaret tavsiye modelimizde MLflow ve Evidently AI kullanıyoruz. Kara Cuma döneminde kullanıcı alışkanlıkları radikal biçimde değiştiğinde veri kayması alarmı çaldı ve model kendini son 3 günün trendlerine göre otomatik güncelledi; satış dönüşümümüz kurtuldu.