Code with Cosmos: Dört Bölümde Üretime Hazır AI Uygulaması
Yapay zeka uygulamalarında prototip aşaması genellikle hızlı ilerler, çalışan bir demoyu üretimde ayakta kalabilen bir sisteme çevirmek ise bambaşka bir iş. Azure Cosmos DB ekibi tam da bu geçişi adım adım göstermek için Code with Cosmos adlı dört bölümlük bir video serisi yayımladı. Seri, boş bir klasör ve bir ürün spesifikasyonundan başlayıp durum tutan (stateful) çok ajanlı bir yapay zeka seyahat planlayıcısına ulaşan tek bir uygulamayı baştan sona takip ediyor.
Serinin çözmeye çalıştığı problem
Kaynak yazının çıkış noktası, gerçek bir yapay zeka uygulamasının yanıt üretmekle iş görmediği. Güncel operasyonel veriye erişmesi, aksiyon alıp işlem (transaction) tamamlayabilmesi, oturumlar arasında taşınan bir hafızaya sahip olması, uzmanlaşmış ajanlar arasında koordinasyon kurabilmesi, bir de geliştiricinin sistemin nasıl davrandığını anlayıp iyileştirebileceği kadar görünürlük sunması gerekiyor.
Serideki örnek uygulama olan seyahat planlayıcısı bu gereksinimlerin her birine karşılık gelen davranışlar sergiliyor. Otelleri hem anlam (semantik) hem de kesin kriterlere göre arıyor, canlı envanteri kontrol ediyor, bir rezervasyon akışını destekliyor, gezginin tercihlerini oturumlar boyunca hatırlıyor, araştırma, otel ile restoran ajanları arasında bağlamı aktarıyor.
Bölüm 1: Yerelde, Azure aboneliği olmadan başlamak
Yolculuk AI-Assisted Development with Azure Cosmos DB bölümüyle açılıyor. Marko Hotti ve Patty Chow bir ürün spesifikasyonuyla işe başlıyor, ardından Visual Studio Code içinde GitHub Copilot, Azure Cosmos DB Linux emülatörü, Azure Cosmos DB Agent Kit ve MCP Toolkit kullanarak uygulamanın ilk çalışan sürümünü yerel ortamda kuruyorlar.
Bölümün sonunda planlayıcı, ilerleyen aşamalarda genişletilebilecek bir uygulama temeline sahip oluyor. Kaynakta özellikle vurgulanan ayrıntı, ilk yapı için bir Azure aboneliğine ihtiyaç duyulmaması. Maliyet veya kurumsal onay beklemeden mimariyi denemek isteyen geliştiriciler açısından pratik bir başlangıç eşiği bu.
Bölüm 2: Gerçek veriyle arama ve rezervasyon akışı
Building AI Applications with Azure Cosmos DB bölümünde planlayıcı, Azure Cosmos DB’de saklanan gerçek uygulama verisiyle işlevsel hale geliyor. Operasyonel veri burada vektör araması, tam metin araması ve hibrit aramayla birlikte kullanılıyor.
Pratik sonucu şöyle görünüyor: Kullanıcı hem anlam temelli hem de kesin kriterlere dayalı arama yapabiliyor, canlı envanteri kontrol edebiliyor, bir öneriden doğrudan rezervasyon akışına geçebiliyor. Kaynağa göre mimari fayda ayrı veri sistemlerini birbirine bağlama (stitching) ihtiyacının ortadan kalkması, çünkü operasyonel veri ile arama yetenekleri aynı veritabanı üzerinde buluşuyor.
Bölüm 3: Kalıcı hafıza ve çok ajanlı yapı
Building Stateful and Multi-Agent Systems bölümü sisteme uzmanlaşmış araştırma, otel ve restoran ajanlarını ekliyor. Bu ajanlar Azure Cosmos DB üzerinde tutulan kalıcı ve paylaşılan bir hafızayı kullanıyor.
Tercihler ve seyahat bağlamı hem oturumlar hem de ajanlar arası devirler (handoff) boyunca taşınıyor. Her ajan bir diğerinin bıraktığı yerden devam edebiliyor, gezginden aynı bilgiyi tekrar tekrar girmesi istenmiyor. Çok ajanlı sistemlerde sık karşılaşılan “bağlam kaybı” sorununa doğrudan veri katmanından bir yanıt üretiliyor yani.
Bölüm 4: Üretimde ajanları işletmek
Son bölüm olan Operating AI Agents in Production sistemi üretime hazırlıyor. Marko Hotti ve Madeline Egan, ajanların nasıl davrandığını izler (traces), değerlendirmeler (evaluations) ve regresyon testleriyle anlamaya çalışıyor.
Bu ölçüm katmanı üzerinden iyileştirilen başlıklar kaynakta şöyle sıralanıyor: getirme (retrieval) kalitesi, gecikme, token kullanımı, hafıza verimliliği ve Azure Cosmos DB request unit tüketimi. Böylece maliyet ve performans tarafı da yanıt kalitesiyle aynı ölçüm döngüsünün içinde kalıyor.
Dört bölümün anlattığı tek hikaye
Seriyi bir bütün olarak okuduğunuzda ortaya tek bir ilerleme çizgisi çıkıyor. Yerelde başla, planlayıcıyı canlı operasyonel veriye dayandır, oturumlar ve devirler boyunca ayakta kalan hafızaya sahip uzmanlaşmış ajanlar ekle, sonra sistemi ölçerek üretimde işletilebilir ve iyileştirilebilir hale getir.
Birlikte kod yazmak isteyenler için kaynak, GitHub deposunu incelemeyi ve Azure Cosmos DB’yi ücretsiz denemeyi öneriyor. Azure Cosmos DB kaynakta, yapay zeka dahil modern uygulamalar için tam yönetilen bir NoSQL ve vektör veritabanı olarak tanımlanıyor.
Serideki araç setinin bazı bileşenlerini daha önce ayrı yazılarda ele almıştık. Yerel geliştirme tarafı için Azure Cosmos DB vNext Emulator: Yerelde Gerçek Gibi Test Etmek, editör içi ajan araçları için ise Azure Cosmos DB VS Code Eklentisi: Ajanlar İçin Yeni Araçlar hakkındaki yazılar tamamlayıcı okuma olabilir.
Kaynaklar ve İleri Okuma
- Code with Cosmos: Build a Production-Ready AI App in Four Episodes (Azure Cosmos DB Blog)
- Code with Cosmos tam oynatma listesi (YouTube)
- Bölüm: AI-Assisted Development with Azure Cosmos DB
- Bölüm: Building AI Applications with Azure Cosmos DB
- Bölüm: Building Stateful and Multi-Agent Systems
- AI seyahat planlayıcısı GitHub deposu
- Azure Cosmos DB’yi ücretsiz deneyin
- Try Azure Cosmos DB portalı
- Azure Cosmos DB YouTube kanalı
- Azure Cosmos DB Blog
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