Azure Hardware Systems: Tedarik Zincirinden Filoya AI
Microsoft’un Azure Hardware Systems and Infrastructure ekibi, donanım yaşam döngüsünün tamamını tek bir sistem olarak ele alıyor ve zincirin her halkasına agentic AI yaklaşımını taşıdığını anlatıyor. Rani Borkar imzalı yazıda AI’ın katkısı tek tek görevlerin hızlanmasıyla sınırlanmıyor, kararların alınma biçiminin yeniden tasarlanması olarak tarif ediliyor. Kaynakta paylaşılan yaklaşımı, somut iş akışlarını ve raporlanan sonuçları derledim.
Altyapı bir sistemdir, parçaları birbirine bağlıdır
Silikon ve sistem tasarımında verilen kararlar, altyapının nasıl tedarik edildiğini, nasıl konuşlandırıldığını ve filo genelinde nasıl işletildiğini doğrudan etkiliyor. Donanım sahada çalışmaya başladıktan sonra elde edilen bilgi de bir sonraki neslin tasarımını besliyor.
Döngünün sürekli çalışması gerekiyor, çünkü sistem hiçbir zaman sabit durmuyor: talep değişiyor, bileşen kısıtları ortaya çıkıyor, yeni kapasite devreye giriyor, donanım gereksinimleri filo boyunca evriliyor. Microsoft bu çalışmayı, Azure’un 80’den fazla bölgesi ve 500 veri merkezi kampüsü ölçeğinde, sistem mimarisi ve tasarımdan tedarik zinciri, konuşlandırma ve filo operasyonlarına kadar uçtan uca yürütüyor. Uçtan uca görünürlük sayesinde sistemin bir noktasında öğrenilen, diğer noktalardaki kararları iyileştirebiliyor.
“Lean before AI”: önce iş, sonra teknoloji
Kaynakta vurgulanan temel ders, AI dönüşümünün teknolojiyle değil işin kendisiyle başlaması gerektiği. Hız önemli, ama fırsatın büyüğü şu soruların yanıtını değiştirmekte: Bir karar anında hangi bilgi elde var? Ekipler neyin değiştiğini ne kadar hızlı anlayabiliyor? İnsan yargısı en çok nerede kritik?
Bulut tedarik zinciri bu ilkenin iyi bir örneği. Talep planlama ekipleri her ay, değişen müşteri talebini, bölgesel ihtiyaçları, kurulu kapasiteyi ve hizmetten çıkarma faaliyetlerini hesaba katarak yıllar sonrasına uzanan altyapı ihtiyacını öngörüyor. Bir plan değiştiğinde “neden değişti” sorusunun yanıtı birden fazla sistemdeki bilgiyi karşılaştırmayı gerektirebiliyor, tek bir inceleme de uzun bir sürece dönüşebiliyor.
Parçalı bir sürecin üzerine AI koymak, ekibin uyarısına göre yalnızca parçalılığın daha hızlı ilerlemesine yol açabiliyor. Bu nedenle AI uygulanmadan önce işin haritası çıkarılmış ve sadeleştirilmiş, kalite, yönetişim ve erişim denetimlerini içeren ortak bir veri temeli kurulmuş, insanın hesap verebilir kalması gereken kararlar belirlenmiş. Microsoft bu yaklaşımı “Lean before AI” olarak adlandırıyor. Uçtan uca süreçlerle başlamak, sıralı devir teslimler yerine paralel yürütmeye geçişi ve bütünleşik iş akışlarını mümkün kılıyor.
Talep planlamada günlerden dakikalara
Bu temel kurulduktan sonra talep planlama farklı bir biçimde ele alınmış. Çok ajanlı (multi-agent) bir iş akışı; kurulu taban değişimleri, bölgesel talep ve hizmetten çıkarma değişiklikleri gibi sinyalleri inceliyor, planlamacıya neyin, nerede ve neden değiştiğini anlamada yardımcı oluyor.
Paylaşılan sonuçlar şöyle:
- Daha önce beş ila yedi iş günü süren çalışma artık saatler içinde, bazen 20 dakikadan kısa sürede tamamlanabiliyor.
- Beşten fazla aylık planlama döngüsü boyunca talep planlama ekibinin manuel eforu yaklaşık %50 azalmış.
- Seçili iş akışlarında döngü süresi %75’e kadar düşmüş.
Benzer desen planlama, ürün verisi, kaynak bulma, sipariş karşılama, lojistik ve operasyonel iş akışlarında da şekilleniyor. Sipariş karşılamada, rack teslimatının müşteri talebini karşılamasını neyin engellediğini anlamak daha önce birden çok kaynaktan manuel veri toplamayı gerektirebiliyordu; akıllı bir asistan artık engelleyicileri ve uyumlu/uyumsuz tedarik bilgisini bir araya getiriyor, inceleme süresinde %55’e varan tasarruf sağlıyor. Lojistikte ise AI destekli bir ajan hava, kara ve deniz seçeneklerine ait veriyi birleştirerek hız, maliyet ve karbon dengesini değerlendirmeye ve emisyon tahminine yardımcı oluyor.
Öğrenme döngüsünü kurmak
Tekil uygulamalar değerli olsa da fırsatın büyüğü bunları birbirine bağlamakta. Bulut tedarik zinciri ekibi; malzeme listesi (BOM) oluşturma, kapasite teslimi, yedek parça yönetimi, kapasite docking ile satış ve operasyon yürütme alanlarında uçtan uca çok ajanlı iş akışlarına doğru ilerliyor. Yazıya göre bu, izole deneylerin ötesine geçip insan yargısını merkeze alan, daha hızlı ve dayanıklı bir işletim sistemine geçiş anlamına geliyor.
Kazanılan yalnızca hız olmuyor. Planlamacılar kanıtı günlerce derlemek yerine birbirine bağlanmış kanıtla başlıyor, geriye açıklamayı inceleme, iş bağlamı ekleme ve bunun karar için ne anlama geldiğini belirleme zamanı kalıyor. AI insanları kanıta daha hızlı ulaştırıyor; insanlar bağlam ve yargı katıyor, harekete geçiyor, bir sonraki kararı iyileştirecek yeni bilgi de buradan çıkıyor.
Filo tarafında: reaktif müdahaleden kapalı döngüye
Donanımın yaşam döngüsü sunucu veri merkezine ulaştığında bitmiyor. Milyonlarca düğümden oluşan filoda sürekli izleme, ekiplerin sorunları incelemesine ve kök nedeni belirlemesine yardımcı olan sinyaller üretiyor. Azure tarafında hedef, filo yönetimini reaktif yangın söndürmeden çıkarıp kusurları önleyen, arızaları tahmin eden ve donanımı otomatik olarak hizmete geri döndüren kapalı döngü bir sisteme taşımak.
Kendi kendini iyileştiren filo yolunda aynı ilkeler geçerli: yaşam döngüsü boyunca verileri bağlamak, sürekli değerlendirme yapmak, iş akışlarını insan-ajan orkestrasyonuna göre yeniden tasarlamak ve üretim kararlarında mühendisleri kontrolde tutmak. Azure arıza tahmini ve tespiti filo telemetrisini AI ile analiz ediyor, beliren donanım arıza desenleri böylece daha erken fark ediliyor. Raporlanan sonuçlar:
- Disk kaynaklı sanal makine (VM) kesintilerinde %92 azalma.
- Hizmet dışı düğümlerde onarım süresinde %53 azalma.
- Rack yöneticileri için üç güne kadar önceden uyarı ve buna bağlı proaktif kurtarmayla hizmet dışı onarımlarda %40 azalma.
Filo ayrıca düzenli aralıklarla proaktif biçimde taranıyor; müşteri iş yükleri konuşlandırılmadan önce sessiz veri bozulmasına (silent data corruption) açık donanım tespit ediliyor. Arızalı kaynaklar için geliştirilen iş akışları ise atama, aksiyon, sonuç ve sonraki adımı izleyerek bağlamı koruyor, filo üzerindeki aksiyonlar da politika ve onay denetimleriyle çevreleniyor. Biriken geçmiş ve sonuçlar sonraki kararları besliyor; arıza desenleri, tedarikçilerin bir sonraki nesil donanımı tasarlayıp üretme biçimine kanıt oluşturuyor.
İşe yaramayan yaklaşımlardan çıkan dersler
Yazının en kullanışlı bölümlerinden biri, beklentiyi karşılamayan denemelerden çıkan dersler:
- Parçalı sürece AI eklemek iş yaratabiliyor. Bir ajan çıktısını daha hızlı üretse bile, aşağı akıştaki ekip bunu manuel olarak yorumlamak, yeniden biçimlendirmek ya da uzlaştırmak zorundaysa iş akışı bütün olarak iyileşmiş sayılmıyor.
- Ölçüm biçimi değişmeli. Yalnızca ajanın yaptığı görev değil, ortadan kalkan iş, yeni doğan iş, kararın kalitesi ve nihai sonuç birlikte değerlendirilmeli.
- Veri bir ön koşul. Güvenilir, erişilebilir ve iyi yönetişime sahip veri sonradan düşünülecek bir konu değil; AI çelişen tanımları, belirsiz izinleri veya sistemler arasında izole kalmış bilgiyi telafi edemiyor.
- Mimariye ya da ajana bağlanmamalı. Modeller, çerçeveler ve iş ihtiyaçları değişmeye devam ediyor; bugün faydalı olan bir çözümün altı ay sonra yeniden tasarlanması veya özgün ihtiyaç ortadan kalktıysa emekliye ayrılması gerekebiliyor.
Ortaya çıkan pratik ritim şöyle: sonuç doğuran bir kararla başla, çevresindeki işi sadeleştir, doğru ve yönetişimi yapılmış veriyi bağla, işi bilen insanlarla birlikte inşa et, bütün sonucu değerlendir, iş ile teknoloji geliştikçe değişmeye devam et.
Sırada ne ölçülecek?
Kurumsal AI’ın bir sonraki aşamasında benimseme metriklerinin (kaç kişinin ajan kullandığı, kaç ajanın devrede olduğu, ne kadar zaman kazandırdığı) tek başına yeterli olmadığı söyleniyor. Bu ölçüler önemli ama işin kendisinin iyileşip iyileşmediğini anlatmıyor. Sorulması gereken sorular şöyle: Bir planlamacı, açıklaması eskiden günler süren bir değişikliği dakikalar içinde anlayabiliyor mu? Bir sipariş karşılama yöneticisi, kapasite engelini sistemler arasında manuel uzlaştırma yapmadan çözebiliyor mu? Bir mühendis, olası bir donanım sorununu müşteri sorununa dönüşmeden tespit edebiliyor mu? Ve ekipler uzmanlıklarını uygulayarak bir sonraki kararı bir öncekinden daha iyi hale getirebiliyor mu?
Hedef, en büyük ajan koleksiyonunu kurmak ya da mümkün olduğu için kararları otomatikleştirmek değil; sistemde halihazırda bulunan altyapı, bilgi ve uzmanlıktan daha fazla faydalı çıktı üretmek. Silikon, sistemler, tedarik zinciri ve filo operasyonları arasındaki içgörüler birbirine bağlandığında her aşama bir sonrakini iyileştirebiliyor; sonuç da müşteri ihtiyaç duyduğunda hazır olan güvenilir altyapı ve her döngüde bunu daha iyi sunmayı öğrenen bir sistem oluyor.
Kaynaklar ve İleri Okuma
- AI transformation across the infrastructure lifecycle: From supply chain to fleet operations (Rani Borkar, Microsoft Azure Blog)
- Azure silicon and systems: Microsoft’un sistem yaklaşımı
- Responsible infrastructure at hyperscale: Azure donanımının tam yaşam döngüsü
- Microsoft’un kendi AI dönüşümünden çıkardığı dersler
- AI alone won’t change your business: Sistemin rolü
- The yield imperative: AI altyapısını faydalı zekâya dönüştürmek
- Agentic Cloud Operations: İçgörüden Eyleme Geçen Bulut Devri
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
Yorum gönder