[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-llmops::tr":3,"gloss-cluster-llmops::tr":23,"gloss-next-llmops::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"llmops","mlops","LLMOps","LLMOps, LLM destekli özellikleri üretimde çalıştırmanın operasyonel disiplinidir — MLOps'un LLM çağındaki karşılığı. MLOps eğitim boru hatlarına ve model kayıtlarına odaklanırken, LLMOps ekiplerin günden güne gerçekten değiştirdiği şeylere odaklanır: prompt'lar, retrieval yapılandırması, model seçimi ve korkuluklar (guardrails). Temel pratikleri şunlardır: prompt'ları kod gibi sürümlemek, her değişiklikten önce değerlendirme (eval) takımları çalıştırmak, her isteği uçtan uca izlemek (prompt, getirilen bağlam, çıktı, token, maliyet), sağlayıcı model güncellemelerinden sonra kalite kaymasını gözlemek ve özellik başına maliyet bütçeleri uygulamak. Önlediği arıza, yapay zeka özelliği yayınlamış herkese tanıdıktır: biri panelde bir prompt'u düzenler, kalite sessizce geriler ve müşteriler şikâyet edene kadar kimse fark etmez. Bir SaaS ekibi için asgari LLMOps yığını: bir prompt kaydı, CI'da otomatik değerlendirmeli bir altın veri kümesi ve istek düzeyinde izleme — model ve prompt değişikliklerini kod dağıtımları kadar güvenli kılmaya yeter.","LLMOps, LLM özelliklerini üretimde işletme pratiğidir: prompt sürümleme, eval'ler, izleme, maliyet bütçeleri ve kayma takibi.",null,[11,14,17,20],{"slug":12,"name":13},"eval-harness","Değerlendirme Koşumu (Eval Harness)",{"slug":15,"name":16},"model-registry","Model Kayıt Defteri (Model Registry)",{"slug":18,"name":19},"observability","Gözlemlenebilirlik (Observability)",{"slug":21,"name":22},"prompt-versioning","Prompt Sürümleme",[24,28,32,35,38,42,45,48,51,54,57,58],{"slug":25,"category":5,"name":26,"updated_at":27},"annotation-guidelines","Etiketleme Kılavuzu","2026-08-24T03:30:02+00:00",{"slug":29,"category":5,"name":30,"updated_at":31},"baseline-model","Temel Model (Baseline)","2026-08-24T02:46:38+00:00",{"slug":33,"category":5,"name":34,"updated_at":31},"batch-inference","Toplu Çıkarım",{"slug":36,"category":5,"name":37,"updated_at":31},"canary-prompt","Kanarya Prompt",{"slug":39,"category":5,"name":40,"updated_at":41},"champion-challenger","Şampiyon-Meydan Okuyan (A\u002FB Model Testi)","2026-08-24T02:46:37+00:00",{"slug":43,"category":5,"name":44,"updated_at":31},"class-imbalance","Sınıf Dengesizliği",{"slug":46,"category":5,"name":47,"updated_at":31},"continuous-batching","Sürekli Toplu İşleme (Continuous Batching)",{"slug":49,"category":5,"name":50,"updated_at":31},"cross-validation","Çapraz Doğrulama",{"slug":52,"category":5,"name":53,"updated_at":31},"data-labeling","Veri Etiketleme",{"slug":55,"category":5,"name":56,"updated_at":41},"drift-detection","Sapma Tespiti (Drift Detection)",{"slug":12,"category":5,"name":13,"updated_at":41},{"slug":59,"category":5,"name":60,"updated_at":41},"experiment-tracking","Deney Takibi (Experiment Tracking)"]