Bir ML modelini tekrarlanabilir (reproducible) hale getirmek ve versiyonlamak için neler yaparsınız?

Bir model sadece kodun değil kod + veri + konfigürasyon + ortam + rastgelelik kombinasyonunun ürünüdür. Tekrarlanabilirlik için bunların hepsinin versiyonlanması gerekir. Amaç: "6 ay önce production'a çıkan v14 modelini aynı şekilde yeniden üretebilir miyim?" sorusuna evet diyebilmek.

Versiyonlanması gerekenler

1. Kod: Git. Her eğitim run'ı bir commit hash'e bağlanır.
2. Veri: DVC, lakeFS, Delta Lake/Iceberg time travel veya değişmez (immutable) snapshot'lar. Veri setinin hash'i kaydedilir.
3. Konfigürasyon: Hiperparametreler ve özellik listesi koda gömülü değil, versiyonlanan config dosyalarında (YAML, Hydra).
4. Ortam: Kilitlenmiş bağımlılıklar (uv.lock, poetry.lock, pinned requirements.txt), Docker image digest'i, CUDA/cuDNN versiyonu.
5. Rastgelelik: Seed'ler sabitlenir.
6. Model artifact: Model registry'de versiyon numarası, eğitim run'ına, veri versiyonuna ve metriklere bağlantı (lineage).

import random, numpy as np, torch

def set_seed(seed=42):
    random.seed(seed); np.random.seed(seed); torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    torch.backends.cudnn.benchmark = False
    torch.use_deterministic_algorithms(True, warn_only=True)

dvc add data/train.parquet          # veri hash'ini .dvc dosyasında tutar
git add data/train.parquet.dvc params.yaml
git commit -m "train data v2025-10"
dvc repro                           # pipeline'ı bağımlılıklara göre yeniden çalıştırır

Pratik gerçekler

• GPU'da tam bit düzeyinde determinizm her zaman mümkün değildir (atomik işlemler, farklı donanım). Hedef genelde "istatistiksel olarak aynı sonuç"tur.
• Eğitim notebook'tan değil, parametreli bir pipeline'dan (script + config) yapılmalıdır.
• Model kartı (model card): amaç, eğitim verisi, metrikler, bilinen sınırlamalar.
• Rollback için önceki model versiyonu ve onun preprocessing kodu aynı anda erişilebilir olmalı.