Lumaq: Kurumsal Yazılım Geliştirme Sürecinde AI Destekli Gözlemlenebilirlik ve İnsan Onayı

Kurumsal yazılım geliştirme ortamlarında, karmaşık mikroservis mimarileri, sürekli entegrasyon/dağıtım (CI/CD) zincirleri ve sıkı düzenleme gereklilikleri, ekip verimliliğini sınırlayan faktörler haline gelmiştir. Bu bağlamda, Sina Afra ve Rudi Dökmecioğlu tarafından kurulan lumaq, yapay zeka destekli gözlemlenebilirlik ve insan onayı odaklı bir platform sunarak, yazılım teslim sürecinde şeffaflığı artırırken riskleri azaltmayı hedefliyor. Platform, statik kod analizi, büyük dil modelleri (LLM) ve gerçek zamanlı veri akışı işlemeyi birleştirerek, geliştiricilere eylem öngörülebilir öneriler sunar ve aynı zamanda kritik karar noktalarında insan denetimini zorunlu kılar.

Lumaq'nin Mimarisini ve AI Tabanlı Gözlemlenebilirlik Katmanı

Lumaq’nin çekirdek mimarisi, üç ana katmandan oluşur: veri toplama, analiz ve eylem. Veri toplama katmanı, Git depoları, CI/CD araçları (Jenkins, GitLab CI, GitHub Actions), izleme sistemleri (Prometheus, OpenTelemetry) ve issue takibi platformları (Jira, YouTrack) üzerinden kod değişiklikleri, derleme çıktıları, test sonuçları ve runtime metriklerini gerçek zamanlı olarak çeker. Bu veri akışı, Apache Kafka üzerinden yüksek verimli bir event stream olarak işlenir ve ardından özellik çıkarımı (feature extraction) aşamasına geçer.

Analiz katmanı, özelleştirilmiş LLM tabanlı modeller ve derin öğrenme tabanlı anomaly detection algoritmalarını kullanır. Kod değişiklikleri için, model, geçmiş pull request geçmişi, hata raporları ve kod inceleme yorumları üzerinden eğitilmiş bir “code‑review LLM” ile semantik benzerlik ve potansiyel regresyon riskini skorlar. Aynı zamanda, runtime metrikleri üzerinden zaman serisi anomaly detection (örneğin, Prophet veya LSTM‑tabanlı modeller) ile performans düşükliği, memory sızıntısı veya güvenlik açığı işaretleri tespit edilir. Bu analiz sonuçları, bir bilgi grafiği (knowledge graph) içinde ilişkilendirilir; bu sayede, bir kod değişikliği ile bir üretim olayı arasındaki neden‑sonuç ilişkisi görselleştirilebilir.

Eylem katmanı, analiz çıktısına dayalı olarak otomatik olarak öneri üretir: kod iyileştirme patch’leri, ek test case önerileri, veya güvenlik yamaları. Ayrıca, tespit edilen anomalilere göre otomatik rollback tetikleyicisi veya canary dağıtımını durduran bir politika motoru çalıştırılır. Tüm bu süreçler, OpenAPI üzerinden dış araçlarla entegrasyon sağlar ve RBAC (role‑based access control) politikalarıyla yetkilendirilir.

Lumaq’nin en farklılaştırıcı özelliği, kritik karar noktalarında zorunlu insan onayını iş akışına entegre etmesidir. Platform, “human‑in‑the‑loop (HITL)” prensibi üzerine kurulu bir onay matrisi sunar. Bu matris, risk seviyesi (düşük, orta, yüksek), etkilenen servis kritikalitesi ve değişiklik tipini (özellik, hata düzeltmesi, altyapı güncellemesi) baz alarak onay gerekliliğini dinamik olarak belirler. Örneğin, bir mikroservisin API sözleşmesini değiştiren bir pull request, yüksek risk skoru üretirse, lumaq otomatik olarak bir onay isteği oluşturur ve ilgili ekip liderine, mimaride uzman bir mühendire ve güvenlik ofisörüne bildirim gönderir.

Onay süreci, özel bir web portalı üzerinden gerçekleştirilir. Bu portal, AI tarafından üretilen açıklamaları (örneğin, “Bu değişiklik, OrderService’deki zaman aşımı hatasını tetikleyebilir çünkü yeniden deneme mantığını değiştirir”) ve etkileşimli diff görüntülemesini sunar. Değerlendiren, değişikliği onaylayabilir, reddedebilir veya AI’nin önerdiği alternatif bir çözümü (örneğin, ek bir birim testi ekleme) seçebilir. Tüm etkileşimler, denetim izi (audit log) olarak immutable bir blockchain tabanlı ledger’da kaydedilir; bu da düzenleme uyumu (örneğin, SOC 2, ISO 27001) ve geri izlenebilirlik gereksinimlerini karşılar.

Bu model, sadece hataları önlemekle kalmaz; aynı zamanda ekip içindeki bilgi paylaşımını artırır. AI’nin ürettiği açıklamalar, junior geliştiricilerin kod inceleme becerilerini geliştirirken, deneyimli mühendislerin zamanını daha stratejik kararlara ayırmalarını sağlar.

Kurumsal Entegrasyon, Güvenlik ve ROI Analizi

Lumaq, mevcut DevOps araç zinciriyle plug‑and‑play şekilde entegrasyon sağlar. Docker ve Kubernetes ortamlarında sidecar konteyneri olarak dağıtılabilen aracısı, ağ trafiğini pasif olarak izler ve gerekli meta verileri toplar. Ayrıca, HashiCorp Vault veya AWS Secrets Manager gibi secret yönetim sistemleriyle entegrasyon yaparak, hassas bilgilerin dışarı sızdırılmasını önler. Tüm veri akışı, TLS 1.3 ile şifrelenir ve veri istasyonu (data residency) politikalarına uygun olarak, müşteri seçimine göre EU veya Türkiye veri merkezlerinde tutulur.

Güvenlik açısından, platform, OWASP ASVS ve NIST SSDF çerçevelerine uygun olarak geliştirilmiş güvenli kod üretimi modelleri içerir. Model çıktıları, static application security testing (SAST) ve dynamic application security testing (DAST) araçlarıyla çapraz doğrulanır; bu sayede yanlış pozitif oranı %10’un altına indirgenmiş raporlanmıştır. Ayrıca, model güncellemeleri, diferansiyel gizlilik teknikleriyle eğitilen veri kümeleri üzerinden yapılır, böylece müşteri kodlarına özgü bilgilerin model içinde kalıcı olarak saklanması önlenir.

ROI açısından, early‑adopter kurumlar tarafından paylaşılan verilere göre, lumaq entegrasyonu sonrası ortalama cycle time %30 azalmış, üretimdeki kritik hata