Amazon MLS-C01: MLOps, İzleme, Etiketleme ve Model Yönetişimi — Çalışma kılavuzu

By Laurynas Brazys · 26 July 2026 · #amazon #mls-c01 #certification #exam-prep #study-guide

Şunun bir parçası: AWS Machine Learning Specialty MLS-C01 — Çalışma kılavuzu. Doğrulanmış cevaplarla şurada pratik yapın: Amazon sınav merkezi, veya şurada süreli deneme sınavları çözün: ExamRoll.io.

İşlem Hatları, CI/CD ve Otomasyon

Üretim seviyesi ML; veri alımı, doğrulama, eğitim, ayarlama, model paketleme ve dağıtımı birbirine bağlayan uçtan uca otomasyonu tekrarlanabilir işlem hatları şeklinde gerektirir. Processing işleri (Data Wrangler veya ScriptProcessor), Training (Distributed Data Parallel veya XGBoost/BlazingText ile yönetilen eğitim), Hyperparameter Tuning (hedef metrik ve eğitim işi StoppingCondition ile HyperparameterTuningJob) ve modelleri SageMaker Model Registry’ye kaydetme adımlarını tanımlamak için Amazon SageMaker Pipelines’ı kullanın. Kod seviyesinde CI kontrolleri ve birim testleri için Pipelines’ı AWS CodePipeline ve CodeBuild ile entegre edin ve tutarlı ortamlar sağlamak için CloudFormation veya CDK kullanın. Değişmeyen işlerin yeniden çalıştırılmasını önlemek için adımlarda önbelleğe almayı yapılandırın ve işlem hattı girdilerini (S3 önekleri, örnek türleri) parametrelendirin. HPO için yalnızca MaxNumberOfTrainingJobs’a güvenmeyin; ayrıca her eğitim işi için bir StoppingCondition (MaxRuntimeInSeconds) belirleyin ve kontrolsüz maliyetlerden kaçınmak için mevcut olduğunda otomatik erken durdurmayı etkinleştirin. Yaygın tuzaklar arasında sürekli büyüyen veri kümeleri için File modunu kullanmak (büyük veri kümeleri için Pipe moduna veya dağıtık eğitime geçin), veri kümelerini ve öznitelikleri versiyonlamamak ve yeniden eğitimden önce veri doğrulama kapılarını (SageMaker Processing + Deequ veya Data Wrangler kontrolleri) dahil etmemek yer alır. Veritabanı içi modeller (Redshift ML) ve SageMaker arasındaki karar kriterleri model karmaşıklığına, gecikme süresine ve operasyonel kontrole dayanır: Redshift ML, SQL içindeki basit XGBoost modelleri için kullanışlıyken, derin ağlar, özel mimariler ve ölçeklenebilir uç noktalar için SageMaker gereklidir.

İzleme, Kayma Tespiti ve Model Kalitesi

Sürekli izleme, hem model performansını hem de veri kalitesini yakalamalıdır. İstekleri ve yanıtları S3’te saklamak için SageMaker model uç noktalarının veri yakalamasını etkinleştirin, ardından bir SageMaker Model Monitor temel işi ile eğitim dağılımının temelini oluşturun. Şema ihlalleri ve tek değişkenli kayma metrikleri için yerleşik Model Monitor kontrollerini kullanın; dağılım kaymaları için KL divergence, Population Stability Index (PSI) veya KS testlerini hesaplayın ve kayma eşikleri için CloudWatch alarmları ayarlayın. Model metriklerini takip edin—sınıflandırma: precision/recall, ROC AUC, karmaşıklık matrisi ve sınıfa özgü FPR/FNR; regresyon: RMSE, MAE ve MAPE. Clarify, eğitim öncesi ve eğitim sonrası zamanlarda yanlılık ve açıklanabilirlik kontrolleri çalıştırabilir ve SHAP tabanlı öznitelik atıfları üretebilir; alt grup performans farklılıklarını (hassas nitelikler) tespit etmek için Clarify’ı kullanın. Yaygın operasyonel tuzaklar arasında çıkarım bağlamını (öznitelik eşlemesi, model sürümü, istek ID’si) yakalamamak, etiket gecikmesini göz ardı etmek (gecikmiş etiketler zamanında değerlendirmeyi bozar) ve popülasyon kayması ile konsept kaymasını karıştırmak yer alır—bunları farklı şekilde ele alın (yeniden eğitme vs etiketleri toplayıp öznitelikleri yeniden değerlendirme). Uyarılar için, toplulaştırılmış metrikleri ve kayma göstergelerini CloudWatch’a gönderin ve eşikler aşıldığında SageMaker Pipelines aracılığıyla geri almayı veya yeniden eğitimi otomatikleştirin.

Etiketleme, Veri Hazırlama ve Öznitelik Mühendisliği

Kaliteli etiketler ve tutarlı öznitelik işlem hatları temel öneme sahiptir. Otomatik ön etiketleme (model destekli etiketleme), aktif öğrenme ve not birleştirme özelliklerine sahip etiketleme iş akışları oluşturmak için Amazon SageMaker Ground Truth’u kullanın; çalışan türlerini (özel iş gücü, tedarikçi veya halka açık) seçin ve etiket doğrulaması ile değerlendiriciler arası uyum için metrikleri yapılandırın. Keşifsel Veri Analizi (EDA) ve dönüşüm için, dağılımları profillemek, eksik değerleri doldurmak ve işleme betiklerini SageMaker Processing işlerine aktarmak üzere veri kümelerini SageMaker Data Wrangler’a alın. Tutarlı çalışma zamanı erişimi ve basit geriye dönük doldurmalar için çevrimiçi ve çevrimdışı öznitelikleri Amazon SageMaker Feature Store’da kalıcı hale getirin. Kodlama kararları ölçeğe ve kardinaliteye bağlıdır: düşük kardinaliteli kategorik değişkenler one-hot kodlaması ile kodlanabilir; yüksek kardinaliteli öğeler (ör. 100 ürün SKU’su) hedef kodlama veya gömme (embedding) (TensorFlow/PyTorch gömme katmanları veya SageMaker yerleşik algoritmaları) kullanır ve çoktan seçmeli anket cevapları multi-hot vektörlerine eşlenir. Günlük meta verileri eklerken etiket sızıntısı (öznitelik mühendisliği pencereleri ve sızıntı testleri ekleyin), çok büyük S3 veri kümeleri için File modunu kullanmak (Pipe modu kayıtları akış olarak gönderir ve çoklu örneklemli dağıtık eğitimi destekler) ve dönüşümleri versiyonlamamak gibi yaygın tuzaklara dikkat edin—eğitim ve çıkarım arasında denklik sağlamak için Data Wrangler dönüşümlerini yeniden kullanılabilir Processing/Training adımlarına aktarın.

Açıklanabilirlik, Yönetişim ve ML Ekiplerini Ölçeklendirme

Açıklanabilirlik ve yönetişim, eyleme geçirilebilir yapılar ve denetim izleri gerektirir. Eğitim öncesi yanlılık metriklerini ve eğitim sonrası özellik atıflarını (SHAP) hesaplamak ve sonuçları Model Registry girdileriyle birlikte saklamak için SageMaker Clarify’ı kullanın. Modelleri, onay durumları, imzalı ModelPackageGroup’lar ve otomatikleştirilmiş yükseltme kapıları (promotion gates) ile SageMaker Model Registry’ye kaydedin. Deneyleri ve köken takibini (lineage) SageMaker Experiments ile izleyin ve API çağrılarının denetimi için CloudTrail’i etkinleştirin. Açıklanabilirlik teknikleri için, ağaç tabanlı modellerde (XGBoost yerleşik SHAP) modele özgü özellik önemini (feature importance) tercih edin ve derin ağlar için çalışma zamanı maliyetini göz önünde bulundurarak SHAP veya entegre gradyanları (integrated gradients) kullanın — toplu (batch) müşteriler için açıklamaları çevrimdışı olarak önceden hesaplayın ve gerçek zamanlı istekler için özetleri sunun. Yönetişim en iyi uygulamaları arasında, veri kümesi açıklamaları, adillik kontrolleri ve belgelenmiş iş kuralları içeren model kartları (model cards) ve model dağıtımı için IAM en az ayrıcalık (least privilege) ilkesinin uygulanması yer alır. Ekipleri ölçeklendirmek için boru hatlarını (pipelines) modüler hale getirin, ön işleme/doğrulama için standart şablonlar oluşturun, Feature Store’u merkezileştirin ve veri bilimcilerin operasyonlar yerine iyileştirmelere odaklanabilmesi için sapma tespiti (drift detection) ve yeniden eğitim tetikleyicilerini otomatikleştirin. Yaygın tuzaklar arasında, nedensellik için özellik önemine aşırı güvenmek, dağıtılan modeller için denetim günlüklerini tutmamak ve düşük gecikmeli uç noktalarda (endpoints) maliyetli açıklanabilirlik hesaplamalarını senkron olarak sunmak bulunur.

Pratik Problem: Kullanım Senaryosu

Senaryo: Acme Manufacturing, kesintili bağlantıya sahip uzak sensör filoları işletmekte ve merkezi toplama için AWS IoT ve S3’ü kullanmaktadır. AWS ML ortamları SageMaker, IoT Core, Kinesis Data Streams ve Greengrass özellikli uç cihazları (edge devices) içermektedir.

Zorluk: Bağlantının kesintili olduğu uzak konumlarda düşük gecikmeli anomali tespiti sağlamak ve aynı zamanda Direct Connect olmadan merkezi yeniden eğitim ve sapma tespiti için telemetri toplamak.

Önerilen Yaklaşım:

1. Gerçek zamanlı yerel çıkarım ve eylemler (yerel alarmlar, kısa süreli arabelleğe alma) için SageMaker Neo ile derlenmiş kompakt bir anomali tespit modelini uç cihazlardaki AWS IoT Greengrass’e dağıtın.
2. Özetlenmiş telemetri ve anomali işaretlerini AWS IoT Core aracılığıyla Amazon Kinesis Data Streams’e aktarın ve ham ve toplanmış verileri merkezi depolama için S3’e (parquet formatında) kalıcı olarak yazmak üzere Kinesis Data Firehose’u kullanın.
3. S3 toplu verilerini alan, temel çizgileri (baselines) ve özellik mühendisliğini (feature engineering) hesaplamak için Processing işlerini (Data Wrangler) çalıştıran, gerektiğinde HyperparameterTuningJobs’u tetikleyen ve doğrulanmış modelleri SageMaker Model Registry’ye kaydeden bir SageMaker Pipeline oluşturun.
4. Merkezi uç noktada SageMaker Model Monitor’ü etkinleştirin ve uç cihazlardan toplanan dağılımları eğitim temel çizgileriyle (PSI/KL) karşılaştıran toplu işler zamanlayın ve döngüyü tamamlamak için örneklenmiş uyarılarla insan tarafından etiketleme yapmak üzere SageMaker Ground Truth’u kullanın.

Gerekçe: Greengrass + Neo aracılığıyla uçta çıkarım (edge inference), kesintili bağlantı durumunda düşük gecikmeli kararlar alınmasını sağlar; Kinesis + Firehose, yeniden eğitim için S3’e güvenilir ve sıralı veri alımını garanti eder; SageMaker Pipelines ve Model Registry, model kalitesini korumak için sapma kontrolleriyle birlikte tekrarlanabilir yeniden eğitim, sürüm oluşturma ve otomatikleştirilmiş yükseltme (promotion) imkanı sunar.

← Güvenlik · Tüm alanlar

Bu soruları çözün → · ExamRoll.io’da süreli pratik →

Amazon'a göz atın →