AWS Cloud and AI Day TÜRKİYE 2026

• Entegrasyon ve Güvenlik Yükü: Ajanların kurum içi veri kaynaklarına ve sistemlere bağlanması, projeleri karmaşık altyapı ve güvenlik süreçlerine dönüşüyor.
• Karakutu (Black-Box) ve Kalite Ölçümlemesi: Büyük dil modellerinin (LLM) deterministik olmayan yapısı nedeniyle ajanların karar mekanizmalarını ve çıktı kalitesini geleneksel izleme araçlarıyla değerlendirmek zorlaşıyor.
• Geliştirici Özgürlüğü ile Platform Yönetişimi Dengesi: Alan (domain) ekipleri diledikleri modeli ve çatıyı (framework) esnekçe kullanmak isterken, platform ekipleri kurumsal güvenlik, uyumluluk ve denetim standartlarını koruma ihtiyacı duyuyor.

• Oturum İzolasyonu ve Güvenli Çalışma Zamanı (Runtime): AWS Lambda altyapısındaki Firecracker MicroVM teknolojisi sayesinde her kullanıcı oturumunda izole bir mikro sanal makine çalıştırılır. Oturum sonlandığında dosya sistemiyle birlikte ortam güvenli şekilde temizlenir.
• Bağlam ve Hafıza Yönetimi (Context & Memory): Ajanların kişiselleştirilmiş deneyimler sunabilmesi için yönetilen kısa ve uzun süreli hafıza (short-term & long-term memory) servisleri sağlanır.
• AgentCore Gateway ve Token Ekonomisi: Kurumsal API’lar doğrudan MCP (Model Context Protocol) sunucusu olarak ajana tanımlanabilir. Semantik araç araması (semantic tool search) sayesinde ajana sadece kullanacağı araçlar sunularak bağlam penceresi (context window) küçültülür ve token maliyetleri düşürülür.
• Güvenlik ve Kurumsal Politikalar: AgentCore Identity, Policy ve Guardrails bileşenleri sayesinde kullanıcının yetkisi dahilindeki araçlara erişmesi garanti altına alınır (örneğin yetkisiz kişilerin İK veya maaş verilerine ulaşması engellenir).
• Gözlemlenebilirlik (Observability): OpenTelemetry (OTel) formatında üretilen metrikler sayesinde ajanın adım adım akıl yürütme (reasoning) süreçleri, araç çağrıları ve token harcamaları CloudWatch veya Datadog gibi araçlar üzerinden izlenebilir.

1. Problemden Geriye Doğru Çalışın ve Küçük Başlayın (Crawl-Walk-Run): Projeye net bir kullanım senaryosuyla başlanmalı, ajanın ne yapması gerektiği kadar ne yapmaması gerektiği de baştan tanımlanmalıdır. Yalnızca sistem promptlarına güvenilmemeli, güvenlik politikaları ve Guardrails mekanizmaları devreye alınmalıdır. Ayrıca ajanın doğruluğunu ölçecek bir “ground truth” (doğruluk testi) veri seti baştan kurgulanmalıdır.
2. Gözlemlenebilirliği Baştan Kurun: Ajan geliştirme sürecinde dağıtık izleme (distributed tracing) ve hata ayıklama özellikleri ilk günden itibaren aktif edilmelidir. Bir oturum süresince LLM’in nasıl karar verdiği, hangi araçları hangi sırayla çağırdığı ve maliyet metrikleri OTel standartlarında takip edilmelidir.
3. Araç ve API Entegrasyonlarını Planlayın: Mevcut kurumsal API’lar AgentCore Gateway ile MCP sunucusu olarak kurgulanarak araçların tekrar kullanımı (reuse) sağlanmalıdır. Böylece farklı ekiplerin aynı araçları tekrar yazması engellenerek onaylı bir araç kataloğu oluşturulabilir.
4. Çoklu Ajan (Multi-Agent) Mimarilerini Tercih Edin: Tek bir ajana tüm sorumlulukları yüklemek “süper ajan” (super agent) anti-paternine neden olur. Çok fazla araç eklenen ajanların bağlam penceresi şişer, yanıt süreleri uzar ve karar verme doğruluğu düşer. Bunun yerine veriyi getiren, analiz eden ve raporlayan gibi uzmanlaşmış ajan takımları kurgulayıp ortak hafızayı (AgentCore Memory) paylaşmak çok daha yüksek performans sunar.
5. Mümkün Olan Her Yerde Kod Kullanın (Çekiç ve Çivi Tuzağı):

“Elimizde bir çekiç olduğu zaman her şeyi çivi olarak görmeye başlıyoruz. Yapay zeka dünyasında da trend olduğu için her şeyi ajana yaptırmaya çalışıyoruz. Ancak her kullanım senaryosu çivi değildir.”

4. Stratejik Tavsiye: “Crawl-Walk-Run” ve Token Ekonomisi

Başarılı bir AI ajanı projesi için sadece teknoloji yetmez, metodoloji gerekir.

• Ground Truth Şart: Ajanı sahaya sürmeden önce, “doğru kabul edilen cevap seti” (Ground Truth) mutlaka oluşturulmalıdır.
• Token İsrafına Dur De: Her şeyi ajana yaptırmayın. Deterministik (sonucu belli) senaryolarda geleneksel Python kodu kullanmak, Context Window’u gereksiz şişirmez ve token maliyetlerini düşürür.
• Observability: Ajanın neden o kararı verdiğini bilmemek bir risk yönetimi hatasıdır. Distributed tracing ile “Kara Kutu” (Black Box) sendromunun önüne geçilmelidir.

5. Veriden Ajan Demokratikleştirmesine: Migros One’ın Yapay Zeka Ajanı Serüveni

“How Migros One Built Enterprise AI Agents on Bedrock AgentCore” oturumunda Oğuzhan Durmuş (Migros One Data Science Manager), Migros One’ın üretken yapay zeka (GenAI) yolculuğunu, karşılaştıkları teknik zorlukları ve geliştirdikleri kurumsal ajan mimarilerini aktardı.

Migros One; Sanal Market, Migros Hemen, Ekstra, Migros Yemek, Macroonline, Taze Direkt ve Mion gibi farklı dikey servislerle Türkiye’de milyonlarca haneye hizmet veren dijital platformlar bütünü. Şirket, iş süreçlerini ve müşteri deneyimini daha verimli hale getirme hedefiyle Eylül 2023’te yapay zeka serüvenine adım atmış. İlk olarak yemek tarifi sunan ve malzemeleri sepete ekleyen “Ne Pişirsem” uygulaması geliştirilmiş. Bunu öğün önerileri sunan “Şefin Tavsiyesi” takip etmiş. Bu alandaki çalışmalar, kurumsal veri ajanı Smart One ile Holding bünyesindeki yarışmada birincilik ödülü getirince, ardından bir dizi ajan projesi canlı ortama taşınmış.

Oğuzhan bey, yapay zeka projelerinin arkasındaki temel iş problemlerini iki ana başlıkta özetledi:

1. İç Operasyonlardaki Veri Problemleri:
   • Statik dashboard’ların hep aynı sorulara aynı yanıtları vermesi ve yeni analiz ihtiyaçlarının backlog’larda beklemesi.
   • Anlık analiz ve rapor taleplerine zamanında yanıt alınamaması.
2. Müşteri Deneyimindeki Problemler:
   • Tüm kullanıcılara aynı statik içeriğin ve önerilerin sunulması.
   • Ajanların proaktif davranamaması ve kişiselleştirilmiş bir deneyim üretememesi.

Oğuzhan bey konuşmasını geleceğe yönelik hedefleriyle tamamladı. Veri demokratikleştirmesinden (data democratization) sonraki adımın “Ajan Demokratikleştirmesi” (Agent Democratization) olduğunu belirtti; veri bilimcilerin altyapı, hafıza, güvenlik ve kısıt katmanlarını hazırladığı, diğer iş birimlerinin ise kendi sistem promptlarıyla kendi özel ajanlarını kolayca oluşturabildiği bir ekosisteme doğru ilerlediklerini ifade etti.

6. Endüstriyel AI’da “Boundary” Kavramı: Oplog ve Tarkan Robotları

Halit Develioğlu (Oplog Kurucusu & CEO), sunumunda e-ticaretin depolama ve lojistik operasyonlarında yapay zekayı konumlandırırken karşılaştıkları en kritik stratejik kararı paylaştı: “Yapay zekanın neye dokunup neye dokunmaması gerektiğinin sınırını çizmek” (The Boundary). 

1. Manuel Depodan Robotik Operasyona: “Çalışan Yürümez, Raf Yürür”
   
   • Geleneksel depolarda bir çalışan tek bir vardiyada 10–15 km yol yürür ve mesaisinin yarısını sadece yürüyerek harcar.
   • Oplog’un geliştirdiği TARQAN robotları, 1 tona kadar ağırlıktaki rafları kaldırıp doğrudan toplama istasyonuna getirerek yürüme eforunu sıfırlar.
   • Sistem müşteri-agnostik yapıda çalıştığından tek bir raf üzerinde farklı markaların ürünleri bir arada depolanabilir.
2. Endüstriyel AI’da En Zor Kısım: “Boundary” (Sınır) İlkesi: Halit bey, yapay zeka ile ürün geliştirmenin zor olmadığını; asıl zorluğun yapay zekayı nerede kullanmamak gerektiğine karar vermek olduğunu vurguladı. Bu doğrultuda sistemi iki net katmana ayırdı:
   • Kontrol Döngüsü (Control Loop – Sahadaki Deterministik Sistemler): Robotların sahadaki anlık milisaniyelik hareketleri, rotaları, trafik yönetimi ve hücre seçimleri tamamen sahadaki deterministik sistemler tarafından yönetilir. Kontrol döngüsünde hiçbir büyük dil modeli (LLM) yer almaz. Bulut bağlantısı kopsa dahi robotlar sahada toplamaya devam eder.
   • İyileştirme Döngüsü (Improvement Loop – Yapay Zeka Katmanı): Yapay zeka anlık robot hareketine karışmaz; haftalık talep tahminlerini ve verileri analiz ederek depodaki rafların en ideal hedef düzenini (target layout) belirler.
3. Veriden Sahaya 6 Adımlı Mimari
   • Unstructured Data → Demand Signal: Müşterilerden gelen Excel, e-posta veya WhatsApp mesajı formatındaki karmaşık satış planları, Amazon Bedrock üzerindeki NEXUS AI ajanları vasıtasıyla yapılandırılmış “talep sinyallerine” dönüştürülür.
   • Solver & Düzen Önerisi: Ajanlar ve çözücüler raflar için ideal hedef konum alternatiflerini hesaplar.
   • AWS Batch Simülasyonu: Alternatif yerleşim planları AWS Batch üzerinde simüle edilir; simüle edilmeyen hiçbir plan önerilmez.
   • İnsan Onayı (Human-in-the-Loop): İnsan tarafından onaylanmayan hiçbir yerleşim planı sahaya iletilmez.
   • TARQAN Uygulaması: Onaylanan plan sahadaki TARQAN robotlarına aktarılır ve raflar dinamik olarak yeni optimum hücrelerine taşınır.
4. Metreyle Ölçülen Somut Sonuçlar: Oplog, yapay zeka projelerinin başarısını soyut metriklerle değil; “metre, hareket ve maliyet” üzerinden ölçüyor:

• • 📈 +%20 Aynı robot filosuyla daha fazla ürün toplama (picking) kapasitesi.
  • 📏 -%20 Raf başına kat edilen mesafede azalma.
  • 🤖 -%17 Aynı iş hacmini karşılamak için ihtiyaç duyulan robot sayısında düşüş.
  • ⚡ -%14 Raf başına enerji tüketiminde tasarruf

7. Kanser Tedavisinde Yapay Zeka ve Kişiye Özel Dönüşüm 🧬

Prof. Dr. Mutlu Demiray (MDT Kurucusu & Precision Oncologist), hassas onkoloji (precision oncology) ve yapay zekanın kanser tedavisindeki dönüştürücü rolünü çarpıcı bir vaka ve somut verilerle paylaştı. 

1. Organa Özgü Tedaviden “Tümör Agnostik” Yaklaşıma
   • Geleneksel kanser tedavisi organ bazlıdır (akciğer, meme, karaciğer vb.) ve aynı tanıya sahip her hastaya standart kemoterapi protokolleri uygulanır.
   • Yeni çağ ise organ bağımsız, doğrudan DNA, RNA ve protein düzeyindeki genomik analizlere dayanan kişiye özel (tümör agnostik) tedavi çağıdır.
2. “Tedavisi Yok” Denilen Vakadaki İnanılmaz Başarı
   • Sunumda paylaşılan somut vakada; tüm standart kemoterapi ve immünoterapileri almış, karaciğer ve kemiklerinde yaygın tümörler bulunan ve birkaç aylık ömrü kaldığı belirtilen bir hastanın tümör haritası çıkarıldı.
   • Biyoinformatik raporda “tedavi yok” yazmasına rağmen, genetik mutasyonlar derinlemesine incelenmiş; biri meme kanserinde, diğeri cilt kanserinde onaylı iki mevcut ilacın mekanistik olarak uyumlu olduğu tespit edildi.
   • Bu iki ilaçla tedaviye başlandıktan 2 ay sonra hastadaki tümörlerin tamamen yok olduğu gözlemlendi. Hasta bugün hiçbir ilaç kullanmadan sağlıklı bir şekilde yaşamına devam ediyor.
3. AWS Cloud ve MDT Engine: 24–48 Saatten 2–4 Dakikaya
   • Hasta başına 60.000’den fazla veri noktasının (genomik harita) analiz edildiği süreçte, AWS Cloud altyapısı üzerinde çalışan MDT Engine büyük bir hız katıyor.
   • Bir uzman genetikçinin normalde 24 ila 48 saat süren kürasyon çalışması, yapay zeka destekli karar destek mekanizmasıyla 2 ila 4 dakikaya indirildi.
   • AWS ile birlikte kaleme alınan bu sistem, Avrupa Tıbbi Onkoloji Derneği’nin ESMO AI 2026 kongresinde bilimsel bildiri olarak kabul edildi.
4. “Hekimin Yerine Değil, Yanına”: Expert-in-the-Loop Mimarisi
   • MDT yaklaşımında temel ilke: “Rapor haritadır, MDT navigasyondur, direksiyondaki ise hekimdir.”
   • Yapay zeka tek başına tedavi kararı vermez; klinik karar destek sistemi (Clinical Decision Support System) olarak taslak bir rapor üretir.
   • Sistem bünyesindeki klinik kanser genetikçileri her analizi doğrular (Expert-in-the-Loop) ve son karar her zaman takip eden hekime bırakılır.
5. 10 Yıllık Deneyim ve 2.000+ Hasta Hafızası
   • 10 yılı aşkın hassas onkoloji deneyimine sahip ekip, 2.000’den fazla hasta vakasını incelemiş ve 19 hakemli bilimsel yayına imza attı.
   • Sistemin veri tabanı sadece uluslararası kılavuz ve literatürden değil, bu 2.000’den fazla hasta yolculuğunun (patient journey) birikiminden besleniyor.

Gelecekte sadece kanser değil, tüm hastalıkların kişiye özel genetik analizler ve yapay zeka destekli karar mekanizmalarıyla tedavi edileceği yeni bir sağlık dönemi başladığına şahit olacağız.

8. Finansın Milisaniyeleri: For Invest ve Local Zone Ölçeği

ForInvest CEO’su Sarra Berkol Erciyes, şirketin 36 yıllık finansal veri sağlayıcılığından yatırım teknolojileri liderliğine uzanan yolculuğunu ve AWS iş birliğiyle kurguladıkları yapay zeka vizyonunu paylaştı.

1. 🎻 Finans Ekosistemi ve Dev Bir Orkestrasyon
   • Devasa Ölçek: For Invest; Borsa İstanbul ve dünya borsalarından akan canlı verileri Türkiye’deki tüm banka ve aracı kurumlar üzerinden 10 milyon nihai yatırımcıya ve 1.500’ün üzerinde kurumsal müşteriye ulaştırıyor.
   • Veri Hacmi ve Pazar Liderliği: Sistemlerinden her gün 500 TB’ın üzerinde veri geçiyor ve Borsa İstanbul verilerini lisanslı kullanan yatırımcıların %65’i piyasaları For Invest kanallarından takip ediyor.
   • Hızın Önemi: Milisaniyelerin kritik olduğu bu ekosistem, Borsa İstanbul’dan ekran başındaki milyonlarca yatırımcıya kadar kusursuz bir orkestrasyon gerektiriyor.
2. ⚡ AWS Local Zone ile 40 ms’den 1 ms’ye Düşen Gecikme
   • 2013 yılında başlayan AWS iş birliği, hibrit bir mimari üzerinden yürütülürken AWS Local Zone’un İstanbul’a gelmesiyle yeni bir boyuta taşındı.
   • Local Zone altyapısı sayesinde veri iletim hızı 40 milisaniyeden 1 milisaniyeye indirilerek finans piyasaları için milisaniyelik gecikmesiz bir altyapı sağlandı.
3. 🧠 “Yatırımın Zekası”: Agentic AI Platformu ForMind
   • Canlı Veri ve Bağlam: Her saniye akan binlerce fiyat, haber ve raporu anlamlandırmak için geliştirilen ForMind, canlı veriyi okuyan, bağlam kuran ve anlık içgörüler üreten bir yapay zeka platformu.
   • Agent Core ve Guardrails: Basit bir chatbot ötesinde otonom kararlar alabilen agentic bir yapıda tasarlanan ForMind; Amazon Bedrock Agent Core ile çoklu görevleri eş zamanlı yürütürken, Guardrails özelliğiyle yanıtları filtreleyerek en güvenli finansal cevapları sunuyor.
   • Amazon Bedrock ile 3 Temel Kazanım:
     1. Hızlı Geliştirme: Tek entegrasyon üzerinden Anthropic ve OpenAI gibi lider modellere erişim ve esneklik.
     2. Dayanıklılık: Piyasaların en hareketli günlerinde dahi yüksek performans ve kesintisiz hizmet.
     3. Güvenlik: Finansal regülasyonlara ve yüksek güvenlik standartlarına tam uyum.

9. Operasyonel Kusursuzluk: Insider’da %43 Maliyet Avantajı

Derda Karakaş (Insider DevOps Team Manager), Insider’ın ana üretim kümesinde (production cluster) yapay zeka ajanlarını konumlandırarak operasyonel yükleri nasıl sıfıra yakın riskle hızlandırdıklarını paylaştı. Otonom operasyonlar ve altyapı otomasyonu açısından öne çıkan kritik noktaların altını çizdi.

1. ⚡ Devasa Ölçek ve “Güneş Batmayan” Canlı Sistem
   • Yüksek Trafik Hacmi: Insider altyapısı ayda 3,5 milyar ziyaretçiye ve ortalama 400 milyar isteğe hizmet veriyor.
   • Kesintisiz Operasyon Zorunluluğu: 200 node ve yaklaşık 3,5 TB bellekten oluşan ana omurga üzerinde “gece geç saatlerde yapalım” denebilecek durma zamanları (soft hours) yok.
   • Çok Katmanlı Yükseltme: Ana hedefler; Kubernetes (EKS) sürümünü 1.32’den 1.34’e taşımak, Amazon Linux 2’den Amazon Linux 2023’e geçiş yapmak, güvenlik güncellemelerini tamamlamak ve Carpenter altyapı aracını güncellemekti.
2. 🤖 20+ Yapay Zeka Ajanı ve Kurum Hafızasının Aktarımı
   • Context & Playbook Yüklemesi: Şirketin geçmişteki kesinti tecrübeleri (incidents), dokümantasyonları ve operasyonel kılavuzları (playbook) bağlam olarak ajanlara yüklendi.
   • Proaktif Hata Algılama ve Otomatik Rollback: Yükseltme esnasında küçük bir serviste 500 hatası alındığında, geleneksel izleme araçlarının alarmı tetiklenmeden önce ajanlar durumu fark edip otomatik olarak rollback gerçekleştirdi.
   • Olay Sonrası Analiz (Postmortem): Ajanlar yaşadıkları problemi kendi aralarında analiz ederek kurum içi dokümantasyonu otomatik olarak güncelledi.
3. 📊 Metreyle Ölçülen Somut Çıktılar
   • ⏱️ 1 Haftalık İş 2 Günde Bitti: Normal koşullarda 2 mühendisin 1 haftasını alacak test ve yükseltme süreçleri, 20’den fazla yapay zeka ajanıyla 2 günde tamamlandı.
   • 🌐 Sıfır Dış Kesinti: Dış kullanıcı trafiğinde hiçbir aksama yaşanmadan tüm küme filosu ve güvenlik güncellemeleri yenilendi.
   • 💰 %43 Maliyet Avantajı: Carpenter konfigürasyonlarının yenilenmesi ve birim maliyet optimizasyonu sayesinde %43 oranında maliyet fırsatı sağlandı.

10. Enterprise Güvenlik Standartları: Migros One Security Agent

Sevda Durdu (Migros One Lead DevOps Engineer), sürekli büyüyen e-ticaret altyapılarında güvenlik kontrollerinin otomasyonla nasıl geliştirildiğini paylaştı.

1. 🎯 Neden İhtiyaç Duyuldu?
   • Migros Sanal Market, Migros Hemen ve Migros Yemek gibi platformlarda ayda binlerce Pull Request’in (PR) açıldığı ve onlarca ekibin kod geliştirdiği ölçekte, güvenlik kontrollerini manuel eforla sürdürmek zorluk yaratıyordu.
   • Güvenlik açıklarını yazılım geliştirme yaşam döngüsünün (SDLC) en başında ve henüz kod canlıya çıkmadan tespit etme ihtiyacı doğdu.
2. 🛠️ Entegrasyon ve Kullanım Alanları
   • Kaynak Kod Entegrasyonu (GitHub): PR seviyesinde otomatik güvenlik analizleri çalıştırılarak potansiyel açıklar canlı ortama ulaşmadan geliştirme aşamasında çözümleniyor.
   • Sızma Testleri (Penetration Test): Kamua açık (public) ve özel (private VPC) alanlarda aylık otomatik penetrasyon testleri yapılıyor. Security Agent’ın sunduğu reproduce script özelliği sayesinde tespit edilen bulguların etki alanı doğrudan doğrulanarak tekrar tekrar manuel test yapma ihtiyacı ortadan kalkıyor.
   • Standart ve Özel Kurallar: AWS tarafından yönetilen PCI DSS 4.0.1 paketlerinin yanı sıra Migros One’ın kendi kurum içi güvenlik standartlarına uygun özel kural paketleri (custom requirement packs) kullanılıyor.
3. 📊 Somut Sonuçlar ve KPI’lar
   • 🔍 ~2.000 Aylık PR İncelemesi: Her ay yaklaşık 2.000 PR otomatik güvenlik süzgecinden geçirilerek açıklar canlıya çıkmadan analiz ediliyor.
   • 🛡️ 50+ Kod İncelemesi ve Tehdit Modeli: Penetrasyon testlerinden önce risklerin tespit edilip önceliklendirilmesi sağlandı.
   • 🎯 50+ Pentest ve %20 Erken Erken Müdahale: Gerçekleştirilen aylık sızma testleri sayesinde, kapsamlı yıllık penetrasyon testlerinde çıkabilecek risklerin %20’si önceden tespit edilip çözüme kavuşturuldu.

SONUÇ: Yarını İnşa Etmeye Bugün Başlayın

AWS Cloud ve AI Day İstanbul 2026’nın ana mesajı netti: Yapay zeka artık “mümkün mü?” sorusunu geçti, “nasıl ölçeklenir?” aşamasına geldi. Başarının anahtarı ise Crawl-Walk-Run stratejisinde, doğru Boundary (sınır) seçiminde ve insan uzmanlığının (Expert in the loop) korunmasında yatıyor.

Düşündürücü bir soruyla bitirelim: Sizin kurumunuzda hangi “manuel efor”, doğru kurgulanmış bir AI ajanı tarafından 1300 kat daha hızlı ve güvenli yapılabilir?