RailPulse AI İnşası: Gemma ve Google Cloud Run ile Açık Kaynaklı Bir Demiryolu Sevkiyat Ajanı Dağıtmak

Yapay zeka eğitimlerinin çoğu şiir yazan, PDF özetleyen veya standart kod üreten sohbet botlarına odaklanır. Bu demolar eğlenceli olsa da kritik görev (mission-critical) endüstrilerindeki mühendislik gerçeklerini yansıtmaz. Binlerce kilometre boyunca hareket eden yük trenleri gibi fiziksel operasyonları yönetmek için yapay zekayı devreye aldığınızda, sıradan bir sohbet botu sadece işe yaramaz olmakla kalmaz, aynı zamanda tehlikeli olabilir. Halüsinasyon sonucu üretilen bir hız sınırı veya gecikmiş bir sinyal uyarısı, felaketle sonuçlanan donanım arızalarına ya da trenin raydan çıkmasına yol açabilir.

ADA Üniversitesi'nde düzenlenen DevFest Baku 2026'da, AI/ML Google Developer Expert (GDE) Robina Mirbahar tarafından gerçek bir operasyonel problemi çözen kurumsal düzeyde bir sistem tanıtıldı: RailPulse AI. Google'ın açık ağırlıklı (open-weights) Gemma modelleri, Google Agent Development Kit (ADK) ve Google Cloud Run ile güçlendirilen bu otonom sistem, güvenlik açısından kritik bir demiryolu sevkiyat ve canlı takip ajanı olarak tasarlandı. Yazılım geliştiriciler için bu proje, açık ağırlıklı modellerin sunucusuz (serverless) mimarilerde deterministik güvenlik kilitleriyle (safety interlocks) nasıl üretime alınacağının somut bir örneğidir.

Gerçek Dünya Mühendislik Problemi#

Demiryolu koridorları çok dar hata paylarıyla çalışır. Sevkiyat görevlileri (dispatcher) şu verileri sürekli olarak izlemek zorundadır:

• Gerçek Zamanlı Telemetri: GPS koordinatları, aks rulman sıcaklıkları ve lokomotif hızı.
• Koridor Hava Durumu Aşırılıkları: Kıyı veya dağ hatları boyunca aniden ortaya çıkan yan rüzgarlar.
• Tarife Kurtarma (Schedule Recovery): Gecikmeleri yolcu aktarma süreleri ve tek hatlı geçiş yan yollarıyla dengeleme.

Acil bir durum meydana geldiğinde, operatörlerin parçalı SCADA panellerini ve binlerce satırlık log dosyalarını tarayacak vakti yoktur. Canlı telemetriyi birleştiren, sinyalizasyon kurallarını çapraz kontrol eden ve net, uygulanabilir sevkiyat tavsiyeleri sentezleyen akıllı bir sisteme ihtiyaç duyarlar. En kritik nokta ise sistemin halüsinasyon görmemesi gerektiğidir. Geliştiriciler için buradaki temel ders, bir LLM'in doğal akıl yürütme yeteneğini sabit kodlanmış (hard-coded) güvenlik kurallarının deterministik öngörülebilirliğiyle birleştirmektir.

RailPulse AI Mimarisi#

RobinaMirbahar/railpulse-gemma-cloudrun projesinde uygulanan üst düzey sistem tasarımı, katmanlı ve güvenli bir ajan mimarisi sunar. Etkileşimli SVG göstergeleri ve çok dilli destek (EN/AZ/RU) sunan Streamlit Operatör Kokpiti, HTTPS/JSON üzerinden Google Cloud Run Servisi ile haberleşir. Bu servisin kalbinde yer alan Google ADK Ajan Orkestratörü, açık ağırlıklı Gemma Modeli ile Araç Bildirimleri (Tool Declarations / Function Calling) arasında çift yönlü iletişim kurar.

Ajanın ürettiği kararlar doğrudan sahaya uygulanmadan önce Python ile yazılmış Deterministik Güvenlik Kilitleri katmanından geçer:

• Kesin Rüzgar Hızı Sınırları: Rüzgar hızı belirli eşiklere (65 km/s - 80) ulaştığında devreye giren sabit sınırlar.
• Mutlak Sinyal Geçersiz Kılmaları: Kırmızı sinyalin her koşulda kesin duruş (STOP) anlamına gelmesini zorunlu kılan kurallar.

Pratik Çıkarım: Üretim ortamında ajan geliştirirken iş mantığını ve güvenlik sınırlarını yalnızca prompt mühendisliğine bırakmayın. LLM'i bir orkestratör ve karar destek mekanizması olarak konumlandırıp, kritik doğrulamaları deterministik kod katmanlarıyla (interlocks) güvence altına alın.

---

Bu konuyu derinlemesine öğrenmek isterseniz: Production'da Agent Güvenilirliği modülüne göz atın.