İçeriğe geç
~/gamze_
cd ../blog

> cat ./blog/yapay-zeka-ile-performans.md

Yapay Zeka ile Performans

·4 dk okuma

#Yapay Zeka#Yazılım Geliştirme

Kodun çalışıyor, testler geçiyor, ama uygulama ağır. Sayfa geç açılıyor, rapor dakikalarca sürüyor, sunucu faturası her ay biraz daha şişiyor. Refleks olarak kodu yapay zekâya yapıştırıp “bunu hızlandır” diyorsun. Cevap geliyor, makul görünüyor, uyguluyorsun ve hiçbir şey değişmiyor. Hayal kırıklığının nedeni modelin yeteneksizliği değil, sıranın yanlış olması.

Performans sorunu, bir doktor ziyaretine benzer. Doktora sadece “bir yerim ağrıyor” dersen, tahminle ilaç yazmaz, önce tetkik ister. Yapay zekâ ise çoğu zaman tetkik istemeden ilaç yazar. Tetkiki senin yaptırman gerekir.

Altın kural: Ölçmeden optimize etme

Yazılım dünyasında çok bilinen bir gözlem var: Programın yavaşlığı genellikle kodun çok küçük bir bölümünden gelir. Sorun şu ki o bölümün neresi olduğunu sezgiyle bulmak neredeyse imkânsızdır. En deneyimli geliştiriciler bile yanlış yeri optimize ederek günler harcayabiliyor.

Yapay zekâ bu tabloyu değiştirmiyor. Koda baktığında “burada bir döngü var, şurada gereksiz bir kopya oluşuyor” diyebilir. Bu gözlemler doğru olabilir, ama yavaşlığın asıl kaynağı olmayabilir. İlgisiz bir yeri “iyileştiren” model sana zaman kazandırmaz, üstüne kodu da karmaşıklaştırır.

Doğru sıra nedir?

Bir performans sorununa şu dört adımla yaklaşmak çoğu zaman yeterli:

  1. Önce ölç. Her dilin ve platformun profil çıkarma araçları vardır. Bu araçlar zamanın gerçekte nerede harcandığını gösterir: hangi fonksiyon kaç kez çağrılmış, toplamda ne kadar süre almış. Rakamlar çoğu zaman şaşırtıcıdır. Ağır sandığın kısım hızlı, masum görünen bir satır ise sürenin yarısını yiyor olabilir.
  2. Ölçümü modele götür. Sorunu tahmin ettirmek yerine elindeki kanıtı yorumlatıyorsun: “Zamanın çoğu şu iki fonksiyonda geçiyor, bunun sebebi ne olabilir?” Model burada gerçekten güçlü. Ölçüm bir yön verdiği için önerileri genel tavsiye olmaktan çıkıp odaklı bir analize dönüşüyor.
  3. Bir seferde bir şey değiştir. Aynı anda beş yeri düzeltirsen hangisinin işe yaradığını bilemezsin. Küçük adımlar, hem sonucu okumayı hem de gerekirse geri dönmeyi kolaylaştırır.
  4. Tekrar ölç. En çok atlanan adım bu. Değişiklikten sonraki rakamları öncekilerle karşılaştır. Fark yoksa ya da fark çok küçükken kod ciddi biçimde karmaşıklaştıysa değişikliği geri al. Bir optimizasyon ancak sayılarla kanıtlandığında gerçektir.

Bu sırayı alışkanlık haline getirdiğinde bir şey daha fark edeceksin: Ölçüm çoğu zaman “hızlandırma” ihtiyacını bile ortadan kaldırıyor. Bazen sorun kodda değil, gereksiz yere tekrar tekrar çağrılan bir işlemde ya da fazla veri çeken bir sorguda çıkıyor.

Modele hangi soruları sormalı?

“Hızlandır” yerine somut sorular sormak çok daha iyi sonuç verir:

  • Yaklaşım sorusu: Bir işlemin zaman karmaşıklığını analiz ettirip daha iyi bir yaklaşım isteyebilirsin. Ama okunabilirliği bozmaması gerektiğini de mutlaka ekle.
  • Veritabanı sorusu: Yavaş çalışan bir sorgunun çalışma planını paylaşıp hangi indeksin eksik olabileceğini sorabilirsin.
  • Bellek sorusu: Büyük veride bellek sorunu yaşıyorsan, veriyi tek seferde yüklemek yerine parça parça işleyen bir yaklaşım isteyebilirsin.
  • İnceleme sorusu: “Bu döngünün her turunda veritabanına gidiliyor mu?” diye sormak, uygulamalarda en sık görülen yavaşlık sebeplerinden birini yakalamanın basit bir yoludur. Her kayıt için ayrı sorgu atmak, küçük veride fark edilmez ama veri büyüdükçe sistemi boğar.

Bu soruların ortak yanı, modele bir hedef ve bir kanıt vermeleri. Model artık sana “her derde deva” listeler saymıyor, senin durumuna özgü konuşuyor.

Sık yapılan yanlışlar

Erken optimizasyon. Yavaşlık gerçek bir sorun değilse kodu hızlandırmaya çalışmak, onu sadece okunmaz hale getirir. Kullanıcının fark etmediği bir milisaniye için karmaşıklık satın alma. Kodu bir yıl sonra okuyacak olan da yine sensin.

Teoriye fazla güvenmek. Modelin yaptığı karmaşıklık analizleri genelde doğrudur, ama gerçek dünyada veri boyutu, ağ gecikmesi ve önbellek davranışı teoriden farklı sonuçlar üretebilir. Küçük veride hızlı olan yaklaşım büyük veride yavaş olabilir, tersi de mümkündür. Bu yüzden “kâğıt üstünde daha iyi” demek, “gerçekte daha iyi” demek değildir.

Birden fazla şeyi aynı anda değiştirmek. Modelin önerdiği her şeyi tek seferde uygulamak cazip görünür. Ama sonuç iyileşirse neden, kötüleşirse hangisi yüzünden olduğunu bilemezsin.

Canlı sisteme doğrudan dokunmak. Modelin önerdiği bir veritabanı değişikliğini, örneğin yeni bir indeksi, önce test ortamında dene. Bir öneri, senin sistemine özel koşulları bilmeden yapılmış bir tahmindir. Canlıda sürprizle karşılaşmak istemezsin.

Rakamsız iyileştirme raporu. “Bence daha hızlı oldu” bir ölçüm değildir. Önce ve sonra rakamlarını bir kenara yaz. Hem kendini hem ekibini ikna etmenin tek yolu budur.

Bu yazıdaki her şey tek bir fikre çıkıyor: Yapay zekâ performans konusunda iyi bir yorumcu, ama ölçüm aleti değil. Elindeki veriyi anlamlandırır, alternatifler sunar, gözünden kaçan bir kalıbı işaret eder. Fakat neyin yavaş olduğunu söyleyen de, değişikliğin işe yaradığını doğrulayan da rakamlardır. O rakamları toplamak ve okumak hâlâ sana düşüyor.

Serinin özeti

Üç yazı boyunca aynı fikrin üç ayrı yüzünü gördük.

  • Kod yazarken: Model taslağı hızla çıkarır. Okuyan, anlayan ve çalıştıran sensin.
  • Hata ayıklarken: Model hipotez üretir. Doğru bağlamı veren ve kök nedeni kavrayan sensin.
  • Performansta: Model yorum yapar. Ölçen ve doğrulayan sensin.

Bu yazı ilk olarak Medium'da yayımlandı. Yorum ve alkış için:

Medium'da aç