Ders 1: GCP'ye Giriş

Google Cloud Platform Nedir?

Google Cloud Platform (GCP), Google tarafından sunulan kapsamlı bir bulut bilişim platformudur. GCP ile veri analizi, makine öğrenmesi, uygulama geliştirme ve altyapı yönetimi yapabilirsiniz.

💡 GCP'nin Avantajları

  • Data Analytics: BigQuery ile güçlü veri analizi
  • AI/ML: TensorFlow ve AutoML entegrasyonu
  • Global Network: Dünya çapında hızlı ağ
  • Cost Optimization: Akıllı maliyet yönetimi
  • Kubernetes: Google Kubernetes Engine
  • Security: Endüstri lideri güvenlik

GCP Temel Servisleri

Servis Kategori Açıklama Kullanım Alanı
Compute Engine Compute Sanal sunucu servisleri VM instances, containers
Cloud Storage Storage Nesne depolama servisi Dosya depolama, backup
BigQuery Analytics Veri ambarı servisi Veri analizi, BI
Cloud Functions Serverless Sunucusuz fonksiyonlar Event-driven apps
Cloud AI AI/ML Yapay zeka servisleri Machine learning, NLP
Kubernetes Engine Containers Kubernetes yönetimi Container orchestration

GCP Hesabı Oluşturma

GCP'ye başlamak için öncelikle bir Google Cloud hesabı oluşturmanız gerekir:

  1. Google Cloud Console'a gidin (console.cloud.google.com)
  2. Google hesabınızla giriş yapın
  3. "Get started for free" butonuna tıklayın
  4. Ülke ve hesap türünü seçin
  5. Kredi kartı bilgilerinizi ekleyin
  6. Free trial'ı başlatın

⚠️ Önemli Notlar

  • Free trial ile $300 kredi ve 90 gün
  • Kredi kartı bilgileri doğrulama amaçlıdır
  • Free tier limitlerini aşmamaya dikkat edin
  • Billing alerts ayarlayın
  • Always Free tier servisleri mevcuttur

Google Cloud Console

Google Cloud Console, GCP servislerini yönetmek için kullanılan web tabanlı arayüzdür. Console üzerinden:

  • Servisleri görüntüleyebilir ve yönetebilirsiniz
  • Kaynaklarınızı izleyebilirsiniz
  • Faturalandırma bilgilerinizi kontrol edebilirsiniz
  • Güvenlik ayarlarınızı yapılandırabilirsiniz
  • Cloud Shell ile terminal erişimi sağlayabilirsiniz

Projects ve Billing

GCP'de her şey bir Project altında organize edilir:

  • Project: Kaynakların mantıksal gruplandırması
  • Billing Account: Faturalandırma hesabı
  • IAM: Kimlik ve erişim yönetimi
  • APIs: Servis API'leri
  • Quotas: Servis limitleri
# gcloud CLI ile project oluşturma gcloud projects create my-gcp-project \ --name="My GCP Project" \ --labels=environment=dev,team=engineering # Project'i aktifleştirme gcloud config set project my-gcp-project

GCP Pricing Model

GCP'nin fiyatlandırma modeli:

  • Pay-as-you-go: Kullandığınız kadar ödeme
  • Sustained Use Discounts: Sürekli kullanım indirimleri
  • Committed Use Discounts: Taahhüt indirimleri
  • Preemptible Instances: Düşük maliyetli VM'ler

💰 Maliyet Optimizasyonu İpuçları

  • Preemptible instances kullanın
  • Committed use discounts'ları değerlendirin
  • Unused resources'ları temizleyin
  • Billing alerts ayarlayın
  • Cost reports'ları düzenli kontrol edin

Ders 2: Compute Engine

Compute Engine Nedir?

Compute Engine, Google Cloud'un sanal sunucu servisidir. Linux ve Windows işletim sistemleri çalıştırabilir, ölçeklenebilir ve güvenilir altyapı oluşturabilirsiniz.

Machine Types

Machine Type Kullanım Alanı Özellikler Maliyet
e2-micro Test ve Geliştirme 1 vCPU, 1 GB RAM En düşük
e2-small Küçük Uygulamalar 2 vCPU, 2 GB RAM Düşük
e2-medium Orta Seviye 2 vCPU, 4 GB RAM Orta
c2-standard-4 Compute Optimized 4 vCPU, 16 GB RAM Yüksek
n2-highmem-4 Memory Optimized 4 vCPU, 32 GB RAM En yüksek

VM Instance Oluşturma

🔧 VM Instance Oluşturma Adımları

  1. Google Cloud Console'da "Compute Engine" servisine gidin
  2. "Create Instance" butonuna tıklayın
  3. Instance adını ve region'ı belirleyin
  4. Machine type seçin
  5. Boot disk image seçin
  6. Firewall rules ayarlayın
  7. SSH key ekleyin
  8. Instance'ı oluşturun

Disk Türleri

Compute Engine için farklı disk türleri mevcuttur:

  • Standard Persistent Disk: Düşük maliyetli, HDD tabanlı
  • SSD Persistent Disk: Yüksek performanslı, SSD tabanlı
  • Local SSD: En yüksek performans, geçici
  • Balanced Persistent Disk: Dengeli performans/maliyet
# gcloud CLI ile VM oluşturma gcloud compute instances create my-instance \ --zone=us-central1-a \ --machine-type=e2-medium \ --image-family=ubuntu-2004-lts \ --image-project=ubuntu-os-cloud \ --boot-disk-size=10GB \ --boot-disk-type=pd-standard

Instance Groups

Instance Groups, birden fazla VM'yi yönetmenizi sağlar:

  • Managed Instance Groups: Otomatik yönetim
  • Unmanaged Instance Groups: Manuel yönetim
  • Auto Scaling: Otomatik ölçekleme
  • Load Balancing: Yük dengeleme

Preemptible Instances

Preemptible instances, düşük maliyetli VM'lerdir:

  • %80'e kadar indirim
  • 24 saat maksimum çalışma süresi
  • Batch işler için ideal
  • Fault-tolerant uygulamalar için uygun

✅ Compute Engine En İyi Uygulamalar

  • Preemptible instances ile maliyet tasarrufu yapın
  • Custom machine types kullanın
  • Persistent disks için snapshot alın
  • Instance templates kullanın
  • Monitoring ve alerting ayarlayın
  • Startup scripts ile otomatik konfigürasyon

Networking ve Security

Compute Engine güvenlik özellikleri:

  • Firewall Rules: Gelen ve giden trafik kontrolü
  • VPC Networks: Sanal özel ağlar
  • Subnets: Ağ segmentasyonu
  • Cloud NAT: Outbound internet erişimi
  • Private Google Access: Google servislerine özel erişim

🔒 Güvenlik En İyi Uygulamalar

  • Firewall rules'ları minimum privilege ile ayarlayın
  • SSH key'leri güvenli saklayın
  • OS Login kullanın
  • Service accounts ile güvenli erişim sağlayın
  • Regular security updates uygulayın

Ders 3: Cloud Storage

Cloud Storage Nedir?

Cloud Storage, Google Cloud'un nesne depolama servisidir. Dosyalarınızı güvenli bir şekilde saklayabilir ve dünyanın her yerinden erişebilirsiniz.

Storage Classes

Storage Class Kullanım Alanı Avantajlar Maliyet
Standard Sık erişilen veriler En yüksek performans En yüksek
Nearline Ayda 1 kez erişilen veriler Düşük maliyet Düşük
Coldline Yılda 1 kez erişilen veriler Çok düşük maliyet Çok düşük
Archive Arşiv veriler En düşük maliyet En düşük

Bucket Oluşturma

📁 Bucket Oluşturma Adımları

  1. Google Cloud Console'da "Cloud Storage" servisine gidin
  2. "Create bucket" butonuna tıklayın
  3. Bucket adını girin (global olarak benzersiz)
  4. Storage class seçin
  5. Location seçin
  6. Access control ayarlarını yapın
  7. Bucket'ı oluşturun

Bucket Policies

Bucket Policies, Cloud Storage bucket'larınızın erişim izinlerini kontrol etmenizi sağlar:

# Bucket policy örneği { "bindings": [ { "role": "roles/storage.objectViewer", "members": [ "allUsers" ] } ] }

Lifecycle Management

Lifecycle Management, object'lerinizin yaşam döngüsünü otomatik olarak yönetmenizi sağlar:

  • Age-based: Yaşa göre işlemler
  • Storage class transitions: Storage class değişimi
  • Deletion: Otomatik silme
# gsutil ile bucket oluşturma gsutil mb -c STANDARD -l us-central1 gs://my-bucket-name # Lifecycle policy uygulama gsutil lifecycle set lifecycle.json gs://my-bucket-name

Cloud Storage Security

Cloud Storage güvenlik özellikleri:

  • IAM: Identity and Access Management
  • ACLs: Access Control Lists
  • Encryption: Veri şifreleme
  • Audit Logs: Aktivite logları
  • VPC Service Controls: Ağ seviyesi güvenlik

Transfer Service

Cloud Storage Transfer Service ile:

  • On-premises'den cloud'a: Büyük veri transferi
  • Cloud-to-cloud: Farklı cloud provider'lar arası
  • Scheduled transfers: Zamanlanmış transferler
  • Incremental sync: Artımlı senkronizasyon

🔒 Cloud Storage En İyi Uygulamalar

  • Bucket'ları region'a yakın oluşturun
  • Lifecycle policies kullanın
  • Versioning'i aktifleştirin
  • Monitoring ve alerting ayarlayın
  • Regular backup stratejisi oluşturun
  • Encryption at rest ve in transit
  • Access logs'ları izleyin

Cloud Storage FUSE

Cloud Storage FUSE ile bucket'larınızı dosya sistemi olarak mount edebilirsiniz:

# Cloud Storage FUSE kurulumu sudo apt-get update sudo apt-get install gcsfuse # Bucket'ı mount etme mkdir /mnt/gcs-bucket gcsfuse my-bucket-name /mnt/gcs-bucket

Performance Optimization

Cloud Storage performans optimizasyonu:

  • Parallel uploads: Paralel yükleme
  • Composite uploads: Büyük dosyalar için
  • Compression: Dosya sıkıştırma
  • CDN integration: Cloud CDN entegrasyonu

⚠️ Dikkat Edilecekler

  • Bucket adları global olarak benzersiz olmalı
  • Storage class değişiklikleri maliyetli olabilir
  • Lifecycle policies dikkatli planlanmalı
  • Access patterns'ı optimize edin
  • Regular cost monitoring yapın

Ders 4: BigQuery

BigQuery Nedir?

BigQuery, Google Cloud'un serverless veri ambarı servisidir. Petabyte ölçeğinde verileri hızlı bir şekilde analiz edebilirsiniz.

BigQuery Temel Kavramları

Kavram Açıklama Örnek
Dataset Tablo koleksiyonu my_dataset
Table Veri tablosu my_dataset.users
View Sanal tablo my_dataset.user_summary
Job SQL sorgusu Query job
Slot İşlem gücü birimi 2000 slots

BigQuery Pricing

BigQuery'nin fiyatlandırma modeli:

  • On-demand: Sorgu başına ödeme
  • Flat-rate: Sabit ücret
  • Storage: Depolama ücreti
  • Streaming: Gerçek zamanlı veri ekleme

📊 BigQuery Dataset Oluşturma

  1. Google Cloud Console'da "BigQuery" servisine gidin
  2. "Create Dataset" butonuna tıklayın
  3. Dataset ID girin
  4. Data location seçin
  5. Default table expiration ayarlayın
  6. Dataset'i oluşturun

SQL Sorguları

BigQuery, standart SQL kullanır:

-- Basit SELECT sorgusu SELECT name, age, city FROM `my-project.my-dataset.users` WHERE age > 18 ORDER BY age DESC LIMIT 10; -- JOIN sorgusu SELECT u.name, o.order_date, o.total_amount FROM `my-project.my-dataset.users` u JOIN `my-project.my-dataset.orders` o ON u.id = o.user_id WHERE o.order_date >= '2024-01-01';

Data Types

BigQuery'de desteklenen veri türleri:

  • STRING: Metin verileri
  • INT64: Tam sayılar
  • FLOAT64: Ondalık sayılar
  • BOOL: Boolean değerler
  • DATE: Tarih
  • TIMESTAMP: Zaman damgası
  • ARRAY: Dizi
  • STRUCT: Yapı
  • GEOGRAPHY: Coğrafi veriler

BigQuery ML

BigQuery ML, SQL kullanarak makine öğrenmesi modelleri oluşturmanızı sağlar:

  • Linear Regression: Doğrusal regresyon
  • Logistic Regression: Lojistik regresyon
  • K-means: Kümeleme
  • Matrix Factorization: Matris faktörizasyonu
  • ARIMA: Zaman serisi analizi
# gcloud CLI ile BigQuery sorgusu bq query --use_legacy_sql=false ' SELECT COUNT(*) as total_users, AVG(age) as avg_age, COUNT(DISTINCT city) as unique_cities FROM `my-project.my-dataset.users` WHERE created_date >= "2024-01-01" '

Data Import/Export

BigQuery'ye veri aktarma yöntemleri:

  • Cloud Storage: CSV, JSON, Avro, Parquet
  • Streaming: Gerçek zamanlı veri ekleme
  • Data Transfer Service: Otomatik veri transferi
  • Cloud Data Fusion: ETL işlemleri

Partitioning ve Clustering

BigQuery performans optimizasyonu:

  • Partitioning: Tabloları bölümleme
  • Clustering: Veri kümeleme
  • Materialized Views: Önceden hesaplanmış görünümler
  • Query Caching: Sorgu önbellekleme

📈 BigQuery En İyi Uygulamalar

  • Partitioned tables kullanın
  • Clustered tables ile performansı artırın
  • Query optimization yapın
  • Cost controls ayarlayın
  • Data validation uygulayın
  • Regular maintenance yapın
  • Monitoring ve alerting ayarlayın

BigQuery Data Transfer Service

Data Transfer Service ile:

  • Google Ads: Reklam verileri
  • Google Analytics: Web analitik verileri
  • YouTube Analytics: Video analitik verileri
  • Cloud Storage: Dosya tabanlı veriler
  • Third-party: Üçüncü parti servisler

⚠️ BigQuery Dikkat Edilecekler

  • Query costs'ları kontrol edin
  • Data retention policies ayarlayın
  • Access controls'ları sıkı tutun
  • Regular data quality checks yapın
  • Backup stratejisi oluşturun

Ders 5: Cloud Functions

Cloud Functions Nedir?

Cloud Functions, Google Cloud'un serverless compute servisidir. Event-driven fonksiyonlar çalıştırmanızı sağlar.

Cloud Functions Avantajları

Avantaj Açıklama Fayda
Serverless Sunucu yönetimi gerekmez Operasyonel maliyet tasarrufu
Event-driven Olaylar tarafından tetiklenir Otomatik çalışma
Auto-scaling Otomatik ölçekleme Performans garantisi
Pay-per-use Sadece kullandığınız kadar ödeme Maliyet optimizasyonu

Desteklenen Diller

Cloud Functions şu programlama dillerini destekler:

  • Node.js: JavaScript/TypeScript
  • Python: Python 3.x
  • Go: Go 1.x
  • Java: Java 11/17
  • .NET: .NET 6
  • Ruby: Ruby 3.x

⚡ Cloud Function Oluşturma

  1. Google Cloud Console'da "Cloud Functions" servisine gidin
  2. "Create Function" butonuna tıklayın
  3. Function adını girin
  4. Region seçin
  5. Trigger type seçin (HTTP, Cloud Storage, Pub/Sub)
  6. Runtime seçin
  7. Source code'u yazın
  8. Function'ı deploy edin

HTTP Function Örneği

# Python HTTP Function import functions_framework from flask import Request @functions_framework.http def hello_world(request: Request): """HTTP Cloud Function""" request_json = request.get_json(silent=True) request_args = request.args if request_json and 'name' in request_json: name = request_json['name'] elif request_args and 'name' in request_args: name = request_args['name'] else: name = 'World' return f'Hello {name}!' # Node.js HTTP Function const functions = require('@google-cloud/functions-framework'); functions.http('helloWorld', (req, res) => { const name = req.query.name || req.body.name || 'World'; res.send(`Hello ${name}!`); });

Cloud Storage Trigger

# Cloud Storage Trigger Function import functions_framework from google.cloud import storage @functions_framework.cloud_event def process_image(cloud_event): """Cloud Storage trigger function""" data = cloud_event.data bucket_name = data['bucket'] file_name = data['name'] print(f'Processing file: {file_name} from bucket: {bucket_name}') # Process the file here # Image processing, data transformation, etc. return f'Processed {file_name} successfully'

Pub/Sub Trigger

# Pub/Sub Trigger Function import functions_framework import base64 import json @functions_framework.cloud_event def process_message(cloud_event): """Pub/Sub trigger function""" # Decode the message message_data = base64.b64decode(cloud_event.data['message']['data']).decode('utf-8') message_json = json.loads(message_data) print(f'Received message: {message_json}') # Process the message here # Database operations, API calls, etc. return 'Message processed successfully'

Function Configuration

Cloud Functions için önemli konfigürasyonlar:

  • Memory: 128MB - 8GB
  • Timeout: 1 saniye - 60 dakika
  • Concurrency: Eşzamanlı çalışma
  • Environment Variables: Ortam değişkenleri
  • VPC Connector: VPC erişimi
# gcloud CLI ile function deploy gcloud functions deploy hello-world \ --runtime python39 \ --trigger-http \ --allow-unauthenticated \ --source . \ --entry-point hello_world \ --memory 256MB \ --timeout 60s

Cloud Functions Gen2

Cloud Functions Gen2'nin yeni özellikleri:

  • Longer execution time: 60 dakikaya kadar
  • More memory: 32GB'a kadar
  • Better performance: Daha hızlı cold start
  • More triggers: Daha fazla trigger türü
  • Better integration: Cloud Run ile entegrasyon

Error Handling ve Logging

Cloud Functions'da hata yönetimi:

  • Structured Logging: JSON formatında loglar
  • Error Reporting: Hata raporlama
  • Retry Logic: Otomatik yeniden deneme
  • Dead Letter Queues: Başarısız mesajlar için

🚀 Cloud Functions En İyi Uygulamalar

  • Stateless functions yazın
  • Cold start'i minimize edin
  • Error handling uygulayın
  • Logging ve monitoring ekleyin
  • Security best practices uygulayın
  • Environment variables kullanın
  • Function versioning yapın

Cost Optimization

Cloud Functions maliyet optimizasyonu:

  • Right-sizing: Doğru memory allocation
  • Connection pooling: Bağlantı havuzlama
  • Caching: Önbellekleme
  • Batch processing: Toplu işleme

⚠️ Cloud Functions Dikkat Edilecekler

  • Cold start latency'sini göz önünde bulundurun
  • Memory ve timeout limitlerini kontrol edin
  • Function dependencies'leri minimize edin
  • Regular monitoring yapın
  • Cost tracking ayarlayın

Ders 6: AI/ML Servisleri

Google Cloud AI/ML Servisleri

Google Cloud, yapay zeka ve makine öğrenmesi için kapsamlı servisler sunar. Bu servisler ile AI-powered uygulamalar geliştirebilirsiniz.

AI/ML Servis Kategorileri

Kategori Servisler Açıklama Kullanım Alanı
Vision AI Vision API, AutoML Vision Görüntü analizi ve tanıma Computer vision, OCR
Natural Language Natural Language API, AutoML NL Metin analizi ve işleme NLP, sentiment analysis
Speech Speech-to-Text, Text-to-Speech Ses işleme ve sentezleme Voice recognition, TTS
Translation Translation API Çeviri servisleri Multi-language support
Recommendations Recommendations AI Öneri sistemleri E-commerce, content
Vertex AI Unified ML Platform Kapsamlı ML platformu End-to-end ML

Vision API

Vision API ile görüntüleri analiz edebilirsiniz:

  • Label Detection: Nesne tanıma
  • Text Detection: Metin çıkarma (OCR)
  • Face Detection: Yüz tanıma
  • Landmark Detection: Yer işareti tanıma
  • Safe Search: Güvenli içerik kontrolü
  • Web Detection: Web'de benzer görüntüler
# Vision API kullanımı from google.cloud import vision def detect_labels(image_path): """Detect labels in an image""" client = vision.ImageAnnotatorClient() with open(image_path, 'rb') as image_file: content = image_file.read() image = vision.Image(content=content) response = client.label_detection(image=image) labels = response.label_annotations for label in labels: print(f'Label: {label.description}, Score: {label.score}') def extract_text(image_path): """Extract text from image using OCR""" client = vision.ImageAnnotatorClient() with open(image_path, 'rb') as image_file: content = image_file.read() image = vision.Image(content=content) response = client.text_detection(image=image) texts = response.text_annotations for text in texts: print(f'Text: {text.description}')

Natural Language API

Natural Language API ile metinleri analiz edebilirsiniz:

  • Sentiment Analysis: Duygu analizi
  • Entity Recognition: Varlık tanıma
  • Syntax Analysis: Sözdizimi analizi
  • Classification: Metin sınıflandırma
  • Content Classification: İçerik kategorilendirme
# Natural Language API kullanımı from google.cloud import language_v1 def analyze_sentiment(text): """Analyze sentiment of text""" client = language_v1.LanguageServiceClient() document = language_v1.Document( content=text, type_=language_v1.Document.Type.PLAIN_TEXT ) response = client.analyze_sentiment( request={'document': document} ) sentiment = response.document_sentiment print(f'Sentiment: {sentiment.score}, Magnitude: {sentiment.magnitude}') def extract_entities(text): """Extract entities from text""" client = language_v1.LanguageServiceClient() document = language_v1.Document( content=text, type_=language_v1.Document.Type.PLAIN_TEXT ) response = client.analyze_entities( request={'document': document} ) for entity in response.entities: print(f'Entity: {entity.name}, Type: {entity.type_}')

AutoML

AutoML, kod yazmadan makine öğrenmesi modelleri oluşturmanızı sağlar:

  • AutoML Vision: Görüntü sınıflandırma
  • AutoML Natural Language: Metin sınıflandırma
  • AutoML Tables: Tablo verisi analizi
  • AutoML Translation: Çeviri modelleri
  • AutoML Video: Video analizi

🤖 AutoML Vision Model Oluşturma

  1. Google Cloud Console'da "AutoML Vision" servisine gidin
  2. "Create Dataset" butonuna tıklayın
  3. Dataset adını girin
  4. Training images'ları yükleyin
  5. Labels'ları tanımlayın
  6. Model'i train edin
  7. Model'i evaluate edin
  8. Model'i deploy edin

Vertex AI

Vertex AI, Google Cloud'un unified AI platform'udur:

  • Model Training: Model eğitimi
  • Model Deployment: Model dağıtımı
  • Model Monitoring: Model izleme
  • MLOps: ML operasyonları
  • Feature Store: Özellik deposu
  • Pipelines: ML pipeline'ları
# Vertex AI kullanımı from google.cloud import aiplatform # Initialize Vertex AI aiplatform.init(project="my-project", location="us-central1") # Create and train a model model = aiplatform.Model.upload( display_name="my-model", artifact_uri="gs://my-bucket/model-artifacts" ) # Deploy model endpoint = model.deploy( machine_type="n1-standard-4", min_replica_count=1, max_replica_count=3 )

TensorFlow ve PyTorch

Google Cloud, popüler ML framework'lerini destekler:

  • TensorFlow: Google'ın ML framework'ü
  • PyTorch: Facebook'un ML framework'ü
  • Scikit-learn: Python ML kütüphanesi
  • XGBoost: Gradient boosting

AI/ML Pricing

Google Cloud AI/ML servislerinin fiyatlandırması:

  • API Calls: İstek başına ödeme
  • Training Hours: Eğitim saati başına ödeme
  • Prediction Requests: Tahmin isteği başına ödeme
  • Storage: Model depolama ücreti
  • Compute: İşlem gücü ücreti

🎯 AI/ML En İyi Uygulamalar

  • Data quality'yi öncelikli tutun
  • Model validation yapın
  • Bias detection uygulayın
  • Model monitoring ayarlayın
  • Explainable AI kullanın
  • Regular model retraining yapın
  • Cost optimization uygulayın

MLOps Best Practices

MLOps (Machine Learning Operations) en iyi uygulamaları:

  • Version Control: Model ve kod versiyonlama
  • CI/CD: Sürekli entegrasyon ve dağıtım
  • Monitoring: Model performans izleme
  • Testing: Model test stratejileri
  • Deployment: A/B testing ve canary deployment

💰 Maliyet Optimizasyonu

  • Free tier limitlerini kullanın
  • Preemptible instances kullanın
  • Model compression uygulayın
  • Cost monitoring ayarlayın
  • Unused models'leri temizleyin
  • Batch prediction kullanın
  • Regional pricing'i değerlendirin

AI/ML Use Cases

Google Cloud AI/ML servislerinin kullanım alanları:

  • E-commerce: Öneri sistemleri, görsel arama
  • Healthcare: Tıbbi görüntü analizi, teşhis
  • Finance: Fraud detection, risk analizi
  • Manufacturing: Kalite kontrol, predictive maintenance
  • Media: İçerik moderasyonu, video analizi
  • Education: Kişiselleştirilmiş öğrenme