@extends('layouts.site', ['header' => 'partials.header-yapay-zeka', 'footer' => 'partials.footer']) @php $pageHero = $pageHero ?? \App\Support\PageTemplateHero::resolveForPage($page ?? null, 'services.yapay-zeka'); $socialLinks = setting('social_links'); $sameAs = []; if ($socialLinks) { $links = is_string($socialLinks) ? json_decode($socialLinks, true) : $socialLinks; if (is_array($links)) { foreach ($links as $platform => $url) { if (!empty($url)) { $sameAs[] = $url; } } } } if (empty($sameAs)) { $sameAs = [ "https://www.facebook.com/truncgil", "https://www.instagram.com/truncgil", "https://www.linkedin.com/company/truncgil-technology" ]; } @endphp @push('head') @if($pageHero) @if(!empty($pageHero['from_upload'])) @elseif(!empty($pageHero['webp'])) @endif @endif @endpush @push('styles') @endpush @section('content') @php $contactUrl = route('page.show', ['slug' => 'iletisim']); @endphp {{-- Hero Section --}}

{!! t('Yapay Zeka ve Derin Öğrenme') !!}
{!! t('Ekosistemine Hükmedin') !!}

{!! t('PyTorch ve TensorFlow ile ham verinin işlenmesinden modelin production ortamına alınmasına kadar olan tüm döngüyü yöneten yüksek performanslı Yapay Zeka sistemleri inşa ediyoruz.') !!}

{{ t('Trunçgil Teknoloji Yapay Zeka') }}
{{-- Tech Detail Section --}}

{!! t('Teknik Altyapı') !!}

{!! t('Modellemeden Üretime') !!} {!! t('İki Dev Motor') !!}

{!! t('Derin öğrenme ekosisteminde PyTorch ve TensorFlow, veri hatlarından dağıtık eğitime kadar sistem mimarilerini şekillendiren en güçlü kütüphanelerdir.') !!}

{{-- Data Pipeline --}}
schema

{!! t('1. Veri Modelleme ve Giriş Hattı') !!}

{!! t('Derin öğrenme modellerinde performansın %70\'i verinin GPU/TPU birimlerine ne kadar efektif beslendiğiyle (throughput) ilişkilidir. Her iki kütüphane de asenkron veri işlemek için optimize edilmiştir:') !!}

  • PyTorch (torch.utils.data): Dataset ve DataLoader soyutlamaları. Özel veri okuma için sihirli metotlar (__len__, __getitem__) ezilir. RAM/GPU transferi num_workers ile paralelleştirilir.
  • TensorFlow (tf.data): Tamamen veri akış grafiği mantığı. Diskteki büyük veriler için TFRecord yapıları. .prefetch(tf.data.AUTOTUNE) ile darboğaz önleme mekanizmaları.
{{-- Model Architecture --}}
architecture

{!! t('2. Model Yapılandırma ve Mimari Tasarım') !!}

{!! t('Modellerin katman katman örüldüğü ve fonksiyonların tanımlandığı aşamadır. İki çerçevenin felsefi ayrımı burada netleşir:') !!}

  • PyTorch (Dinamik Grafik): Eager Execution esasıyla satır satır işletilir. nn.Module sınıflarında veri akışı forward fonksiyonunda manuel yönetilir. Python pdb ile hata ayıklama kolaylığı.
  • TensorFlow / Keras 3 (Statik ve Esnek): Keras 3 ile backend olarak TF, PyTorch veya JAX seçilebilir. JIT derleme için @tf.function dekoratörüyle C++ grafik optimizasyonu.
{{-- Training & Gradients --}}
model_training

{!! t('3. Model Eğitimi & Dağıtık Öğrenme') !!}

Gradiyen Hesaplama:

  • PyTorch (Autograd): loss.backward() ile gradyan zinciri hesaplanır. Her döngüde optimizer.zero_grad() ile gradyanların sıfırlanması kritiktir.
  • TensorFlow: Açık bağlam yöneticisi (tf.GradientTape) içinde gradyanlar hesaplanıp optimizer'a beslenir.

Dağıtık Eğitim:

{!! t('Büyük modelleri GPU\'lara sığdırmak için PyTorch DDP/FSDP (Ring-AllReduce) kullanırken, TensorFlow MirroredStrategy mimarisi ile kod değiştirmeden eğitimi ölçeklendirir.') !!}

{{-- Fine-Tuning & PEFT --}}
tune

{!! t('4. İnce Ayar (PEFT) ve Tuning') !!}

{!! t('Milyarlarca parametreli (LLM/Vision) modelleri devasa donanım maliyetleri olmadan özel görevlere uyarlıyoruz:') !!}

  • LoRA (Low-Rank Adaptation): Orijinal model dondurulur, değişim matrisi düşük boyutlu iki matris ($A \times B$) olarak eğitilir. Parametre sayısı %99 azalır.
  • QLoRA (Quantized LoRA): Ağırlıklar 4-bit (NF4) hassasiyete sıkıştırılıp VRAM %75 düşürülürken adaptörler 16-bit eğitilir.

Hiperparametre Tuning: {!! t('Ray Tune veya Optuna ile ASHA erken durdurma algoritmaları entegre edilerek optimum parametreler taranır.') !!}

{{-- Deployment Matrix --}}

{!! t('5. Sistemler ve Yaygınlaştırma (Deployment) Mimarileri') !!}

{!! t('Eğitim sonrası modellerin düşük gecikmeli (low latency) ve ölçeklenebilir çıkarım (inference) sunması için altyapı matrisimiz.') !!}

{!! t('Aşama / İhtiyaç') !!} PyTorch Ekosistemi TensorFlow Ekosistemi
{!! t('Model Derleme & Optimizasyon') !!} TorchScript (C++ runtime çevirisi) veya PyTorch 2.x torch.compile (Inductor compiler altyapısı). XLA (Accelerated Linear Algebra) derleyicisi grafikleri optimize eder, operasyonları birleştirir.
{!! t('Büyük Ölçekli Sunum (Production)') !!} TorchServe veya NVIDIA Triton Inference Server. TensorFlow Serving: Dinamik versiyonlama, A/B testi, gRPC/REST desteği.
{!! t('Mobil ve Uç Cihazlar (Edge AI)') !!} ExecuTorch: Gelişmiş gömülü sistemler ve mobil çalışma zamanı. LiteRT / TensorFlow Lite: 8-bit quantization ve pruning destekli olgun ekosistem.
{{-- Capabilities Section --}}

{!! t('Neler Yapıyoruz?') !!}

{!! t('Trunçgil Teknoloji') !!} {!! t('Yapay Zeka Yetkinlikleri') !!}

smart_toy

{!! t('Özel LLM İnce Ayarı') !!}

{!! t('Llama, Mistral ve Qwen gibi açık kaynak Büyük Dil Modellerini kurumsal bilgi tabanınıza QLoRA ile maliyet-efektif olarak eğitiyoruz.') !!}

visibility

{!! t('Bilgisayarlı Görü (Vision)') !!}

{!! t('Nesne tespiti, otonom kalite kontrol ve yüz tanıma sistemlerini yüksek performanslı edge cihazlar veya bulut GPU ağlarında koşturuyoruz.') !!}

router

{!! t('Edge AI Çözümleri') !!}

{!! t('LiteRT ve ExecuTorch mimarileriyle yapay zeka çıkarım gücünü mobil uygulamalara ve düşük güç tüketen uç cihazlara (IoT) taşıyoruz.') !!}

hub

{!! t('Yüksek Hızlı Veri Hatları') !!}

{!! t('Büyük verileri asenkron işleyip modellerinizi besleyecek yüksek throughput (tf.data) mimarileri ve veri ambarları kuruyoruz.') !!}

recommend

{!! t('Öneri & Karar Sistemleri') !!}

{!! t('Collaborative filtering ve derin öğrenme ile kullanıcı davranışlarını öngören kişiselleştirilmiş e-ticaret ve analiz motorları geliştiriyoruz.') !!}

storage

{!! t('Production Mimarisi') !!}

{!! t('Geliştirilen modelleri TF Serving veya Triton Server ile Kubernetes ortamında zero-downtime ve düşük gecikme ile ölçekliyoruz.') !!}

{{-- FAQ Section --}}

{!! t('Sık Sorulan Sorular') !!}

{!! t('Yapay Zeka Projeleri İçin') !!} {!! t('Merak Edilenler') !!}

{!! t('Eskiden devasa bütçeler gerektiren bu işlemler, LoRA ve QLoRA (Quantization) teknikleri sayesinde dramatik olarak ucuzlamıştır. Modeli tamamen yeniden eğitmek yerine sadece belirli parametreleri güncelleyerek maliyetleri %99 oranında düşürüyoruz.') !!}

{!! t('Kurumsal verilerinizi dış API\'lara göndermek yerine açık kaynaklı modelleri (Llama vb.) doğrudan kendi sunucularınızda (On-Premise) barındırarak %100 veri gizliliği garanti ediyoruz.') !!}

{!! t('İnternet bağlantısının olmadığı fabrikalarda (kalite kontrol), mobil uygulamalarda anlık yüz tanıma ve güvenlik sistemlerinde modellerin buluta gitmeden cihaz üzerinde koşturulması için LiteRT ve ExecuTorch mimarileri kullanılır.') !!}

{!! t('İkisi de güçlü motorlardır. Ar-Ge, LLM ve inovatif denemeler için genelde PyTorch; devasa veri hatları, statik grafik optimizasyonları ve mobil entegrasyonlar için TensorFlow tercih edilir. Projenize uygun seçimi birlikte yapıyoruz.') !!}

{{-- Footer Call to Action --}}

{!! t('Geleceği Birlikte İnşa Edelim') !!}

{!! t('Yapay Zeka ekosistemiyle işinizi bir adım öne taşımaya hazır mısınız?') !!}

{!! t('Projeyi Başlatın') !!}
@endsection