Merhaba! Bir önceki dersimizde Google Cloud'un temel işlem, depolama ve veritabanı hizmetlerini inceledik ve hangi hizmetin hangi iş yükü için uygun olduğunu öğrendik. Özellikle, BigQuery'nin büyük veri analitiği (OLAP) için ne kadar güçlü bir araç olduğunu gördük. Bu ders, o temel üzerine inşa ederek sizi bir danışman olarak bir sonraki seviyeye taşıyacak: veriyi sadece saklamak ve sorgulamaktan, onu görselleştirmeye, ondan anlam çıkarmaya ve hatta geleceği tahmin etmeye.
Bu dersin sonunda, Google Cloud'un veri ve yapay zeka alanındaki dört kilit hizmeti olan BigQuery, Looker, Vertex AI ve Gemini for Google Cloud arasındaki temel farkları ve her birinin bir işletmenin veri odaklı ihtiyaçlarını karşılarken hangi rolü üstlendiğini net bir şekilde ayırt edebileceksiniz. Bu yetkinlik, müşterilerinize sadece altyapı değil, aynı zamanda stratejik iş değeri sunmanız için kritik öneme sahiptir.
Modern Veri Stratejisi: Veriden Değere Yolculuk
Günümüzün rekabetçi dünyasında şirketler, ellerindeki veriyi bir maliyet kalemi olarak değil, stratejik bir varlık olarak görüyorlar. Bu varlıktan değer üretme süreci genellikle birkaç adımdan oluşur: veriyi toplamak, depolamak, işlemek, analiz etmek, görselleştirmek ve son olarak da bu analizlere dayanarak eyleme geçmek veya tahminlerde bulunmak.
Google Cloud, bu yolculuğun her adımı için özel olarak tasarlanmış hizmetler sunar. Aşağıdaki görsel, Google'ın "Yapay Zekaya Hazır Veri Bulutu" vizyonunu özetlemektedir. Farklı kullanıcı tiplerinin (veri ekipleri, iş kullanıcıları) farklı ihtiyaçlarını karşılayan hizmet katmanlarını görebilirsiniz.
Bu derste, bu mimarinin "Data Analytics", "Business Insights" ve "AI & ML" katmanlarındaki ana oyuncuları mercek altına alacağız.
1. BigQuery: Analitik Veri Ambarınız
Önceki dersten hatırlayacağınız üzere BigQuery, Google'ın sunucusuz (serverless), petabayt ölçeğinde, yönetilen veri ambarıdır. Onu, şirketinizin tüm analitik verilerini (örneğin satış kayıtları, web sitesi tıklama verileri, pazarlama kampanya sonuçları) depoladığınız merkezi bir kütüphane olarak düşünebilirsiniz.
Ancak BigQuery sadece bir depolama alanı değildir. Onun asıl gücü, bu devasa veri yığınları üzerinde saniyeler içinde karmaşık SQL sorguları çalıştırabilmesidir. Danışmanlık kariyerinizde BigQuery'nin ne zaman doğru seçim olduğunu anlamak için aşağıdaki temel özelliklerini aklınızda tutmalısınız.
FREE Cloud Digital Leader Exam Guide 2026: Pass for $99 | OpenExamPrep
Bu sınav hazırlık rehberi, BigQuery'nin temel özelliklerini ve danışmanlık senaryolarında neden tercih edildiğini çok net bir şekilde özetliyor. Bu, Cloud Digital Leader sertifikası hedefiniz için de doğrudan faydalı olacaktır.
Lütfen "Section 2 Deep-Dive: Data Transformation" başlığı altındaki BigQuery özetini dikkatle okuyun. Özellikle depolama ve işlem gücünün ayrılması (separation of storage and compute) ve diğer veri kaynaklarını yerinden oynatmadan sorgulama (federated queries) gibi kavramlara odaklanın.
2. Looker: Veriyi Anlaşılır Kılan İş Zekası Platformu
Verileriniz BigQuery'de. Harika! Peki, SQL bilmeyen bir pazarlama müdürü veya bir satış direktörü bu verilerden nasıl faydalanacak? İşte bu noktada Looker devreye girer.
Looker, bir iş zekası (Business Intelligence - BI) ve analiz platformudur. Temel görevi, BigQuery gibi veri kaynaklarındaki ham veriyi alıp, herkesin anlayabileceği interaktif panolara (dashboards), grafiklere ve raporlara dönüştürmektir.
Looker'ı diğer BI araçlarından ayıran en önemli özelliklerden biri LookML adını verdiği anlamsal modelleme katmanıdır. Teknik bir ekip (örneğin veri analistleri), LookML kullanarak "müşteri yaşam boyu değeri", "aylık aktif kullanıcı" veya "satış dönüşüm oranı" gibi iş metriklerini bir kez merkezi olarak tanımlar. Bu tanımdan sonra, şirketteki herkes bu metrikleri kendi raporlarında güvenle kullanabilir. Bu, "herkesin kendi raporunda farklı bir sonuç bulması" sorununu ortadan kaldırır ve bir "tek doğruluk kaynağı" (single source of truth) yaratır.
Aşağıdaki makale, BigQuery ve Looker ikilisinin birlikte nasıl çalıştığını ve LookML'in bu sinerjideki rolünü çok güzel açıklıyor.
From Data to Decisions: How Looker, BigQuery, and AI Are Changing the Analytics Era - Kartaca
Bu makale, modern bir analitik stratejisinde Looker ve BigQuery'nin rollerini ve birbirlerini nasıl tamamladıklarını ele alıyor.
Makalenin giriş bölümünü ve "The Power of the Semantic Model (LookML)" başlıklı bölümü okuyun. Looker'ın veriyi kendi içinde depolamak yerine doğrudan BigQuery üzerinde sorgu çalıştırdığı (in-database architecture) ve LookML'in bu süreci nasıl basitleştirdiği konularına odaklanın.
Google Cloud Tech kanalındaki şu kısa video, pazarlama departmanlarının sıkça karşılaştığı "veri siloları" sorununu ve Looker'ın bu sorunu nasıl çözdüğünü pratik bir örnekle gösteriyor.
Democratizing marketing data with BigQuery and Looker
Bu video, pazarlamacıların karşılaştığı veri zorluklarını ve Looker ile BigQuery'nin bu zorlukları nasıl aştığını anlatıyor.
Lütfen videonun pazarlama zorluklarını anlatan bölümünü ve ardından Looker'ın bu sorunları nasıl çözdüğünü açıklayan bölümü izleyin. Bu, bir müşterinin "problemini" anlayıp ona uygun bir "çözüm" önermeniz gerektiğinde size ilham verecektir.
3. Vertex AI: Kendi Yapay Zeka Modellerinizi Geliştirme Platformu
Veriyi analiz edip "ne olduğunu" anladık. Peki ya "ne olacağını" tahmin etmek istersek? Örneğin, "Hangi müşterilerin bir sonraki ay hizmeti terk etme olasılığı en yüksek?" veya "Bir ürünün gelecek 3 aydaki satışları ne olur?". Bu tür sorular, makine öğrenmesi (Machine Learning - ML) ile cevaplanır.
Vertex AI, Google Cloud'un uçtan uca yönetilen yapay zeka platformudur. Veri bilimcilerin ve ML mühendislerinin kendi özel makine öğrenmesi modellerini geliştirmeleri, eğitmeleri, dağıtmaları ve yönetmeleri için gereken tüm araçları tek bir çatı altında toplar.
Vertex AI vs. BigQuery ML:
Bir önceki okumada BigQuery'nin BigQuery ML adında yerleşik bir ML yeteneği olduğundan bahsedilmişti. İkisini karıştırmamak önemlidir:
- BigQuery ML: Veriniz zaten BigQuery'deyse ve SQL yazarak standart ML modelleri (örneğin, regresyon, sınıflandırma) oluşturmak istiyorsanız harikadır. Hızlı ve kolaydır.
- Vertex AI: Daha karmaşık, özel modellere (örneğin, derin öğrenme, bilgisayarlı görü) ihtiyacınız olduğunda veya tüm ML yaşam döngüsünü (veri hazırlama, model versiyonlama, izleme vb.) yönetmeniz gerektiğinde kullanılır. Çok daha kapsamlı ve esnektir.
Google Cloud Tech'in hazırladığı aşağıdaki video, Vertex AI'ın ne olduğunu ve geliştiriciler için ne anlama geldiğini açıklıyor.
Introduction to Gemini on Vertex AI
Bu video, Gemini'ye bir giriş yapmakla birlikte, Vertex AI'ın Google Cloud ekosistemindeki rolünü de çok net bir şekilde tanımlıyor.
Videodaki Vertex AI'ın tanımı bölümünü izleyin. "Managed end-to-end AI platform" (yönetilen uçtan uca YZ platformu) ifadesine ve "custom training", "prediction", "fine-tuning" gibi yeteneklerine dikkat edin.
4. Gemini for Google Cloud: Akıllı Asistanınız
Son yıllarda üretken yapay zeka (Generative AI) ve büyük dil modelleri (LLM'ler) teknolojide bir devrim yarattı. Gemini, Google'ın bu alandaki en gelişmiş, çok modlu (metin, resim, kod, video anlayabilen) model ailesidir.
Bir danışman olarak, Gemini'nin farklı ürün formlarını ayırt etmeniz önemlidir:
- Gemini (gemini.google.com): Herkesin kullanabildiği, eski adıyla Bard olan genel web uygulaması.
- Gemini for Workspace: Gmail, Docs, Sheets gibi Google ofis uygulamalarına entegre edilen yapay zeka özellikleri.
- Gemini for Google Cloud: Bizim bu derste odaklandığımız, bulut profesyonellerinin ve geliştiricilerin işini kolaylaştıran asistan.
- Gemini API (via Vertex AI): Geliştiricilerin kendi uygulamalarına Gemini'nin gücünü entegre etmelerini sağlayan programatik arayüz.
Gemini for Google Cloud, sizin gibi bulut uzmanlarının verimliliğini artırmak için tasarlanmıştır. Örneğin:
- BigQuery'de doğal dille yazdığınız bir isteği SQL sorgusuna çevirebilir.
- Cloud Logging'de karşılaştığınız bir hata mesajını size açıklayabilir.
- Bir uygulamanın kodunu yazarken size yardımcı olabilir (Code Assist).
Aşağıdaki video, bu farklı Gemini ürünlerini net bir şekilde ayırıyor ve Gemini'nin Vertex AI üzerinden nasıl kullanılabileceğini gösteriyor.
Introduction to Gemini on Vertex AI
Aynı videoya geri dönerek, bu kez Gemini'nin farklı yüzlerini ve Vertex AI ile olan ilişkisini daha derinlemesine inceleyeceğiz.
İlk olarak, farklı Gemini ürünlerini ayıran bölümü izleyin. "Gemini for Google Cloud"un kimin için olduğunu not alın. Ardından, Gemini model ailesinin teknik özelliklerini (multimodal, context window vb.) anlatan kısmı dinleyin. Son olarak, Vertex AI Studio'daki demo, bir geliştiricinin Gemini'yi nasıl kullanabileceğine dair somut bir örnek sunuyor; bir prompt'tan API çağrısına giden süreci gözlemleyin.
Hepsini Bir Araya Getirmek
Bu dört hizmet, veriden değere giden yolda birbirini tamamlayan bir zincir oluşturur:
Aşağıdaki tablo, bu dört hizmetin rollerini özetlemektedir. Bir danışman olarak, bir müşterinin ihtiyacını dinlediğinizde aklınıza bu tablo gelmelidir.
| Hizmet | Rolü | Birincil Kullanıcısı | Yanıtladığı Temel Soru |
|---|---|---|---|
| BigQuery | Veri Ambarı | Veri Analisti, Veri Mühendisi | "Ne oldu?" / "Neden oldu?" |
| Looker | İş Zekası (BI) | İş Kullanıcısı, Analist | "Bana trendleri bir panoda göster." |
| Vertex AI | Makine Öğrenmesi Platformu | Veri Bilimci, ML Mühendisi | "Bundan sonra ne olacak?" (Özel model ile) |
| Gemini for Google Cloud | Yapay Zeka Asistanı | Geliştirici, Bulut Uzmanı | "Bunu yapmama/anlamama yardım et." |
Özet ve Sonraki Adımlar
Bu derste, Google Cloud'un veri ve yapay zeka portföyünün dört temel direğini inceledik. Artık bu hizmetlerin sadece ne yaptığını değil, aynı zamanda bir iş ihtiyacı bağlamında birbirlerinden nasıl ayrıldıklarını da biliyorsunuz.
Anahtar Çıkarımlar:
- BigQuery, analitik veriler için merkezi, ölçeklenebilir bir temeldir.
- Looker, bu verileri iş kullanıcıları için eyleme dönüştürülebilir, güvenilir içgörülere ve görsel raporlara çevirir.
- Vertex AI, standart raporların ötesine geçip özel tahmin modelleri oluşturmak için gereken kapsamlı araç setini sunar.
- Gemini for Google Cloud, tüm bu süreçlerde çalışan teknik profesyonellerin verimliliğini artıran akıllı bir asistandır.
Bu hizmetlerin değerini ve rollerini anladığınıza göre, bir danışman olarak sormanız gereken bir sonraki mantıklı soru şudur: "Peki bunların maliyeti ne kadar?". Bir sonraki dersimizde, tam da bu soruya cevap vereceğiz ve Google Cloud Pricing Calculator'ı kullanarak basit bir iş yükü için nasıl maliyet tahmini oluşturulacağını öğreneceğiz.