Log Anomali Tespiti (AIOps)

Modül IT-03 — Log Anomali Tespiti (AIOps)

Bu sayfa, kurumunuzda hayata geçirebileceğim somut bir AI dönüşüm modülünün uçtan uca özetidir: problem ifadesinden ROI modeline, ön koşullardan risk yönetimine ve ilk 2 haftalık hızlı kazanım versiyonuna kadar her şey burada.

1. Problem Tanımı

Üretim sistemlerinde günlük milyonlarca satır log; manuel takip imkânsız; sorunlar genelde "müşteri şikayet edince" fark edilir. Bu süre içinde MTTR (Mean Time To Resolve) saatlere uzar.

2. Önerdiğim Çözüm

Log verisini gerçek zamanlı analiz eden; normal örüntüden sapmaları (hata pikleri, anomali metrik kümeleri) işaretleyen; otomatik kök neden analizi (RCA) öneren; PagerDuty/Slack'e akıllı alarm üreten sistem.

3. Mimari ve Yaklaşım

Datadog AIOps, Dynatrace Davis AI, Splunk ITSI, New Relic AI, Elastic ML; OpenTelemetry; PromQL anomali detection.

Seçilen bileşenler kurumunuzun mevcut altyapısına, veri olgunluğuna ve regülasyon profiline göre kalibre edilir. Açık kaynak yığınlar ile kurumsal SaaS platformları arasındaki tercih genellikle veri ikametgâhı, kontrol seviyesi ve toplam operasyon yüküne göre netleşir.

4. Süre ve Faz Yapısı

Süre aralığı geniş tutulmuştur çünkü mevcut bulut altyapı olgunluğu, iç ekip katılım yoğunluğu ve seçilecek entegrasyon hedefi (kaç sistem) toplam süreyi önemli ölçüde etkiler. Pilot fazında daraltılmış kapsamla başlar; kanıtlanan değere göre tam ölçek planı onaylanır.

**Tipik faz akışı:**

5. ROI ve KPI Beklentileri

MTTR %30-50 azalır; arıza fark etme süresi dakikalardan saniyelere; production incident sayısı %20-30 azalır; SLA uyumu artar.

Aralıkların alt bandı disiplinsiz uygulamayı, üst bandı ise süreç yeniden tasarımıyla birlikte yürütülmüş AI projelerini temsil eder. Yalnız teknoloji kurmak yetmez; mevcut iş akışlarının AI-öncesi mantığa göre yeniden tasarlanması en yüksek değer kaynağıdır.

6. Dünyadan Referans Vaka

Netflix'in Atlas ve Mantis sistemleri, Microsoft Azure operasyonu büyük ölçekli AIOps referansları. Datadog, Dynatrace müşterilerinde MTTR'de %40+ iyileşme tipik.

7. Ön Koşullar

Standartlaşmış logging (yapılandırılmış log), monitoring altyapısı, alarm playbook'ları.

Ön koşullar tamamlanmadan ilerlemek, pilotun başarısız olma olasılığını dramatik biçimde artırır. Bunlar tamamlanmamışsa ilk fazı 2–3 haftalık bir hazırlık atölyesiyle başlatıyorum.

8. Risk ve Azaltma Planı

Alarm yorgunluğu → eşik kalibrasyonu disiplini. Tek bir platforma kilitlenme → vendor lock-in dikkat.

KVKK ve AB AI Act 2026 uyumu doğrudan tasarım fazına gömülür; ISO/IEC 42001 (AI Yönetim Sistemi) çerçevesiyle uyumlu model dokümantasyonu (model cards), açıklanabilirlik (XAI) ve bias auditi süreçleri her teslimatın parçasıdır.

9. 2 Haftalık Hızlı Kazanım (Quick Win)

Tek bir kritik servisin error rate + latency için anomali bazlı alarm; 2 haftada.

Quick Win versiyonu küçümsenmemelidir: 2–4 haftalık prototipler hem yönetim kurulu için kanıt üretir hem de tam ölçek proje öncesi kritik öğrenme sağlar.

10. Çalışma Modelim ve Teslimatlar

Modülü uçtan uca hayata geçiriyorum: keşif atölyesi → mimari tasarım → veri ve entegrasyon hazırlığı → pilot inşa ve canlıya alım → ROI takibi ve ölçekleme. Her fazda KVKK uyum kontrolü, model gözlemlenebilirliği (LLMOps) ve değişim yönetimi planı dahildir.

**Tipik teslimatlar:**