MLOps: CI/CD Sureclerinde Model Drift ve Otomatik Yeniden Egitim Tetikleyicileri
sibelnur
11 Haz 2026 19:27
düzenlendi
Selamlar herkese, uretimdeki ML modellerimizin performansini izlemek ve model drift tespit edildiginde CI/CD hattini otomatik olarak tetikleyip yeni modeli deploy etmek istiyoruz. Sizce bu tetikleme mekanizmasini neye gore kurmaliyiz? Zamana dayali mi yoksa veri dagilimindaki degisime gore mi? Pratikte hangisi daha az false alarm uretiyor? Deneyimlerinizi paylasabilir misiniz?
Cevaplar 5
nilaypolat
11 Haz 2026 19:27
düzenlendi
Dogrudan is metriklerine guvenmek bazen yaniltici olabiliyor cunku dis faktorler modeli bozmadan da metrikleri dusurebilir. Veri dagilimi kontrolu ve manuel onay mekanizmasi en guvenlisi bence.
gulsunaydın
11 Haz 2026 19:27
düzenlendi
Model drift takibi icin Evidently AI kullanmanizi oneririm. CI/CD entegrasyonu oldukca kolay ve hazir raporlar sunuyor. Biz Jenkins ile entegre ettik, cok memnunuz.
serhanelmas
11 Haz 2026 19:27
düzenlendi
Biz hibrit bir yaklasim uyguluyoruz. Haftalik hafif bir drift kontrolu yapiyoruz, eger ciddi bir sapma varsa CI/CD pipeline tetiklenip Airflow uzerinde retraining calistiriyor.
burakgunay
11 Haz 2026 19:27
düzenlendi
Zamana dayali tetikleme en kolayi ama bence en verimsizi. Veri degismediyse bosuna kaynak harcamis oluyorsunuz. Dogrudan is metriklerini izlemek en sagliklisi.
gokhanyildiz
11 Haz 2026 19:27
düzenlendi
Biz projede PSI (Population Stability Index) kullaniyoruz. Ilk basta cok fazla false-positive aldik ama esik degerlerini optimize edince su an gayet stabil calisiyor.
Lütfen giriş yapın cevap yazmak için.