[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-model-registry::tr":3,"gloss-cluster-model-registry::tr":26,"gloss-next-model-registry::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"model-registry","mlops","Model Kayıt Defteri (Model Registry)","Model kayıt defteri, eğitilmiş ve ince ayar yapılmış modeller için sürüm kontrollü bir katalogdur — kod için Git deposu neyse, model dosyaları ve üst verileri için de odur. Her kayıt; model sürümünü, onu üreten veri ve kodu, değerlendirme skorlarını ve staging ya da production gibi bir aşama etiketini tutar. Birinin dizüstünde duran gizemli bir model_final_v3.bin yerine, kayıt defteri hangi modelin canlıda olduğunun ve oraya nasıl geldiğinin tek doğru kaynağı hâline gelir. SaaS geliştiricileri için bu, kendi modellerinizi ince ayarlamaya ya da birkaç açık ağırlıklı modeli birlikte yönetmeye başladığınızda önem kazanır. Kayıt defteri, bir modeli tek işlemle production'a terfi ettirmenizi, kalite düştüğünde anında geri almanızı ve denetçilere tam olarak neyin ne zaman yayınlandığını kanıtlamanızı sağlar. Yaygın araçlar arasında MLflow Model Registry, Weights & Biases ve Hugging Face Hub bulunur. Pratik not: terfinin tahmin değil veriye dayalı bir karar olması için değerlendirme sonuçlarını her sürümün yanında saklayın.","Model kayıt defteri, eğitilmiş modellerin sürümlü katalogudur: her kayıt onu üreten veri ve kodu, değerlendirme skorlarını ve staging\u002Fproduction etiketini tutar.",null,[11,14,17,20,23],{"slug":12,"name":13},"experiment-tracking","Deney Takibi (Experiment Tracking)",{"slug":15,"name":16},"fine-tuning","İnce Ayar (Fine-Tuning)",{"slug":18,"name":19},"model-serving","Model Sunumu (Model Serving)",{"slug":21,"name":22},"model-weights","Model Ağırlıkları",{"slug":24,"name":25},"rollback","Geri Alma (Rollback)",[27,31,35,38,41,45,48,51,54,57,60,63],{"slug":28,"category":5,"name":29,"updated_at":30},"annotation-guidelines","Etiketleme Kılavuzu","2026-08-24T03:30:02+00:00",{"slug":32,"category":5,"name":33,"updated_at":34},"baseline-model","Temel Model (Baseline)","2026-08-24T02:46:38+00:00",{"slug":36,"category":5,"name":37,"updated_at":34},"batch-inference","Toplu Çıkarım",{"slug":39,"category":5,"name":40,"updated_at":34},"canary-prompt","Kanarya Prompt",{"slug":42,"category":5,"name":43,"updated_at":44},"champion-challenger","Şampiyon-Meydan Okuyan (A\u002FB Model Testi)","2026-08-24T02:46:37+00:00",{"slug":46,"category":5,"name":47,"updated_at":34},"class-imbalance","Sınıf Dengesizliği",{"slug":49,"category":5,"name":50,"updated_at":34},"continuous-batching","Sürekli Toplu İşleme (Continuous Batching)",{"slug":52,"category":5,"name":53,"updated_at":34},"cross-validation","Çapraz Doğrulama",{"slug":55,"category":5,"name":56,"updated_at":34},"data-labeling","Veri Etiketleme",{"slug":58,"category":5,"name":59,"updated_at":44},"drift-detection","Sapma Tespiti (Drift Detection)",{"slug":61,"category":5,"name":62,"updated_at":44},"eval-harness","Değerlendirme Koşumu (Eval Harness)",{"slug":12,"category":5,"name":13,"updated_at":44}]