[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"glossary-training-serving-skew::tr":3,"gloss-cluster-training-serving-skew::tr":26,"gloss-next-training-serving-skew::tr":9},{"slug":4,"category":5,"name":6,"definition":7,"meta_desc":8,"faq":9,"schema_markup":9,"related":10},"training-serving-skew","mlops","Eğitim-Sunum Sapması (Training-Serving Skew)","Eğitim-sunum sapması, bir modelin üretimde aldığı verinin eğitildiği veriden farklı olduğu ince bir hatadır — dünya değiştiği için değil, veri işlem hatları birbirinden ayrıştığı için. Belki eğitim, toplu hesaplanmış temizlenmiş bir özelliği kullanırken sunum, aynı özelliği biraz farklı kodla anlık hesaplar; ya da eğitimde taze olan bir değer çıkarımda bayat gelir. Model o zaman çevrimdışı metriklerinizin vaat ettiğinden çok daha kötü performans gösterir. Bu, klasik MLOps arıza türlerinden biridir çünkü sessizdir: tüm testler geçer ama gerçek doğruluk düşer. Olağan suçlu, zamanla birbirinden uzaklaşan çoğaltılmış dönüşüm mantığıdır — biri eğitim, biri sunum için. Özellik depolarının (feature store) var olma nedenlerinden biri de budur; her iki yolun tek bir tanımı paylaşmasını sağlarlar. Pratik not: sunum anında görülen gerçek özellikleri kaydedin ve dağılımlarını dönemsel olarak eğitim kümesiyle karşılaştırın; bir uyumsuzluk, sapmanın sızdığına dair erken uyarınızdır.","Eğitim-sunum sapması, dünya değiştiği için değil iki veri hattı ayrıştığı için üretim verisinin eğitim verisinden farklı olmasıdır: doğruluğu sessizce öldürür.",null,[11,14,17,20,23],{"slug":12,"name":13},"data-pipeline","Veri Boru Hattı (Data Pipeline)",{"slug":15,"name":16},"drift-detection","Sapma Tespiti (Drift Detection)",{"slug":18,"name":19},"eval-harness","Değerlendirme Koşumu (Eval Harness)",{"slug":21,"name":22},"feature-store","Özellik Deposu (Feature Store)",{"slug":24,"name":25},"model-serving","Model Sunumu (Model Serving)",[27,31,35,38,41,45,48,51,54,57,58,59],{"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":15,"category":5,"name":16,"updated_at":44},{"slug":18,"category":5,"name":19,"updated_at":44},{"slug":60,"category":5,"name":61,"updated_at":44},"experiment-tracking","Deney Takibi (Experiment Tracking)"]