Otomotiv Üretiminde Olay Tabanlı ML Orkestrasyonu: AWS Ekibinden Üç Yıllık Deneyim Raporu

Amazon Web Services (AWS) bünyesinde görev yapan araştırmacılar ve mühendisler, otomotiv üretim tesislerinde olay tabanlı bulut altyapısının üç yıllık operasyonel sonuçlarını detaylandıran kapsamlı bir endüstri deneyimi raporu yayımladı. 24 Eylül 2026 tarihinde arXiv üzerinden paylaşılan ve Zhengyang (Cissy) Gu, Thomas Cook, Fredaljohn Rohrbaugh, Joseph E. Hernandez ile Chris Couch tarafından kaleme alınan çalışma, 13-15 Ekim 2026 tarihlerinde Kaliforniya Santa Clara'da düzenlenecek olan 14. IEEE Uluslararası Bulut Mühendisliği Konferansı'nda (IC2E 2026) kabul edildi.

Ürün Spesifik Model Çiftleri ve Çoklu Tesis Operasyonları

Rapor, birden fazla üretim tesisinde fizik tahmin modelleri ile pekiştirmeli öğrenme kontrol politikalarından oluşan ürün özelinde özelleştirilmiş model çiftlerinin GPU hızlandırmalı eğitim süreçlerinin nasıl koordine edildiğini ele alıyor. Sistem, üretim tesislerinden gelen olaylar tetiklendiğinde uzun süreli GPU iş yüklerini sıraya koyarak yönetiyor.

Altyapı Mimarisi ve Teknik Detaylar

Otomotiv üretim hatlarındaki karmaşık veri akışını ve yapay zeka iş yüklerini yönetmek için geliştirilen mimari, birden fazla AWS bileşeninin entegrasyonuna dayanıyor:

- Hesaplama ve Kapasite: Sistem, Amazon ECS'yi EC2 GPU kapasite sağlayıcılarıyla birleştiriyor. - Mesajlaşma ve Kuyruk Yönetimi: Ölü mektup kuyruklarına sahip SQS yapısı kullanılıyor. - Kabul Kontrolü: Küme eşzamanlılık sınırlarını zorunlu kılan ve kabul kontrolü uygulayan bir Lambda dağıtıcı mimaride aktif rol oynuyor. - Orkestrasyon ve Takvim: ECS Fargate üzerinde çalışan bir Conductor orkestratörü, haftalık bir takvim doğrultusunda bağımlılık farkındalığına sahip yeniden eğitim zincirlerini başlatıyor. - Kod Olarak Altyapı: Tüm bu bulut altyapısı, çoklu hesap ayrımına sahip modüler Terraform kodları ile yönetiliyor.

Maliyet Tasarrufu ve Performans Verileri

Raporda paylaşılan verilere göre, üç yıllık süreçte gerçekleştirilen 40 binden fazla üretim eğitim işinden elde edilen sonuçlar, sürekli açık tutulan GPU altyapılarına kıyasla yüzde 72 ila 78 oranında maliyet tasarrufu sağlandığını ortaya koyuyor.

Araştırmacılar tarafından yürütülen ayrık olay simülasyonu, kabul kontrol mekanizmasının hayati önem taşıdığını doğruladı. Simülasyon sonuçlarına göre, herhangi bir kabul kontrolü barındırmayan saf dağıtım yönteminin işlerin yüzde 65'ini kaybettiği görüldü. Ayrıca kuyruk boşaltma mekanizmasının, AWS Step Functions gecikme süreleriyle eşleşirken her iş için ortaya çıkan başlangıç ek yükünü tamamen ortadan kaldırdığı tespit edildi.

Açık Kaynak Ekosisteme Katkı ve Gelecek Adımlar

Ekip, elde ettikleri operasyonel derslerin yanı sıra, geliştirdikleri simülatör ve Terraform modül iskeletlerini açık kaynaklı yapay zeka ve bulut bilişim topluluğunun kullanımına sunduklarını açıkladı. Bu hamle, benzer endüstriyel ölçekte yapay zeka boru hatları kurmak isteyen diğer imalat ve teknoloji şirketleri için referans bir mimari sunmayı amaçlıyor.