Kelime Üretmeyen Transformer’ın Zaferi: Mistral AI’ın "Timestral" Mimarisi, Ayrıştırılmış Ufuk Tahmini (DHF) ve CPU Üzerinde Sıfır-Atışlı Zaman Serisi Devrimi

Yapay zeka ekosisteminin son birkaç yılına dışarıdan bakan bir gözlemci, insanlığın tek mühendislik probleminin bir sonraki kelimeyi tahmin etmek (next-token prediction) olduğunu düşünebilir. Trilyon parametreli Büyük Dil Modelleri (LLM), kod yazan ajanlar ve çok modlu ses-görüntü motorları manşetleri domine ederken, kurumsal prodüksiyon sistemlerinin sessiz ama en devasa veri katmanı çoğu zaman göz ardı edildi: Zaman Serileri (Time Series).

Bir Kubernetes kümesindeki mikroservislerin saniyelik CPU/RAM telemetrisinden küresel tedarik zincirlerindeki stok dalgalanmalarına, enerji şebekelerinin megavat bazlı yük dengelemesinden e-ticaret sepet dönüşümlerine kadar gerçek dünya metinle değil, zaman damgalı nümerik dizilerle çalışır.

15 Ekim 2026 itibarıyla Mistral AI, tek bir kelime bile üretmeyen ancak kurumsal veri boru hatlarının (data pipelines) mimarisini kökten sarsacak yeni bir model ailesini sahneye sürdü: Timestral. 5M, 28M, 123M ve 209M parametreli dört ayrı boyutta yayınlanan bu sıfır-atışlı zaman serisi temel model (Time-Series Foundation Model - TSFM) ailesi, devasa GPU kümelerine ihtiyaç duymadan standart bir sunucu CPU'su üzerinde milisaniyeler içinde çok değişkenli (multivariate) ve olasılıksal (probabilistic) tahminler üretebiliyor. Üstelik ailenin en büyük üyesi olan yalnızca 209 milyon parametreli Timestral-209M, kendisinden katbekat büyük rakiplerini geride bırakarak alanın en prestijli üç açık kıyaslama tablosunda (GIFT-Eval, TIME ve fev-bench) birincilik koltuğuna oturdu.

Bu makalede, Timestral'ın yama tabanlı (patch-based) Transformer mimarisini, literatürdeki maskeleme kusurlarını çözen Ayrıştırılmış Ufuk Tahmini (Decoupled Horizon Forecasting - DHF) mekanizmasını, eşdeğişken duyarlı dikkat (covariate-aware attention) topolojisini ve üretim ortamlarındaki MLOps çıkarımlarını derinlemesine inceliyoruz.

01 / Problem ve Bağlam: Neden Klasik Modeller ve İlk Nesil TSFM'ler Yetersiz Kaldı?

Yıllar boyunca mühendislik ekipleri zaman serisi tahmini için iki uç noktada sıkışıp kaldı:

1. İstatistiksel ve Tablosal Modeller (ARIMA, ETS, Prophet, XGBoost): Her bir zaman serisi için ayrı ayrı istatistiksel varsayımlar kurmayı, özellik mühendisliği (lag features, rolling windows) yapmayı ve her seri için modeli sıfırdan eğitmeyi (fit) gerektirir. Sisteminizde 500.000 ayrı IoT sensörü veya ürün SKU'su varsa, 500.000 ayrı modelin yaşam döngüsünü ve kaymasını (data drift) yönetmek operasyonel bir kabusa dönüşür.
2. Veri Setine Özgü Derin Öğrenme (PatchTST, DeepAR, Temporal Fusion Transformers): İlişkili seriler arasındaki örüntüleri öğrenebilseler de ağırlıkları eğitildikleri veri setine kilitlidir. Bir perakende veri setinde eğitilen PatchTST modelini alıp sıfır-atışlı (zero-shot) olarak bir bulut sunucusunun ağ trafiğini tahmin etmek için kullanamazsınız.

Son dönemde Google'ın TimesFM serisi, Amazon'un Chronos ailesi ve Datadog'un Toto modelleriyle "Zaman Serisi Temel Modelleri" (TSFM) çağı başladı. Dil modellerinin metin korpuslarından gramer öğrenmesi gibi, bu modeller de milyonlarca zaman serisinden mevsimsellik (seasonality), trend kırılımları ve döngüsellik gibi evrensel zamansal dinamikleri ön-eğitim (pre-training) aşamasında öğreniyor.

Ancak mevcut birinci ve ikinci nesil TSFM mimarilerinde iki kritik yapısal darboğaz bulunuyordu:

• Ardışık Yama Maskeleme (Contiguous Patch Masking) Tuzağı: Toto 2.0 ve TimesFM-3 gibi nedensel kod çözücüler (causal decoders), eğitim sırasında tahmin edilecek gelecek değerleri maskeleyerek (masking) modeli eğitir. Bu yaklaşımda maskelenen tahmin ufku, veri setindeki gerçek kayıp verilerle (NaN) aynı yapısal görünüme bürünür. Daha da kötüsü, maskelenen bu bölgeler daha sonraki tahmin adımları için bağlam (context) olarak kullanılamaz; yani model kendi geçmiş bağlamını körleştirir.
• Eşdeğişken (Covariate) Körlüğü veya Gelecek Sızıntısı: Gerçek dünyada hedeflediğiniz bir metrik (örneğin günlük satışlar veya API gecikmesi) izole bir boşlukta hareket etmez. Yalnızca geçmişte gözlemlenebilen dış sinyaller (past-only covariates; örn. mağaza içi yaya trafiği veya anlık CPU sıcaklığı) ve hem geçmişi hem de geleceği kesin olarak bilinen sinyaller (known-future covariates; örn. resmi tatil takvimleri, planlanmış indirim kampanyaları veya önceden zamanlanmış bir versiyon geçişi/deployment) hedef seriyi doğrudan domine eder. Çoğu sıfır-atışlı model ya bu dış değişkenleri hiç kabul etmez ya da çok değişkenli dikkat (attention) hesaplaması sırasında hedef serinin geleceğini yanlışlıkla modele sızdırır (future leakage).

"Mimari Not: Yalnızca geçmiş değerlere (univariate history) bakan bir tahmin modeli, yarın başlayacak olan ve geçmiş veride hiçbir izi bulunmayan büyük bir 'Black Friday' kampanyasına veya planlı bir sistem bakımına tepki veremez. Kurumsal tahminlemede eşdeğişken (covariate) desteği bir lüks değil, mimari zorunluluktur."

02 / Mimari ve Çalışma Prensibi: Timestral'ın Kaputunun Altı

Mistral AI'ın Timestral ailesi (5M, 28M, 123M ve 209M), tamamen aynı mimariyi ve eğitim reçetesini paylaşan yama tabanlı (patch-based) bir Transformer omurgası üzerine inşa edilmiştir. Ailenin amiral gemisi olan Timestral-209M, 24 katmandan (layers) oluşur ve 768 boyutlu gömme (embedding dimension) uzayında çalışır.

1. Yama Kodlama (Patching) ve 32K Bağlam Penceresi

Zaman serilerinde her bir zaman adımını (time step) tek bir token olarak işlemek, hem dikkat (attention) matrisinin $O(N^2)$ karmaşıklığını patlatır hem de tek bir sayının tek başına semantik bilgi taşımaması nedeniyle verimsizdir. Timestral, zaman serisini 32 zaman adımlık yamalara (patches) böler.

• Her bir yama, içindeki nümerik değerlerle birlikte kayıp değer göstergeleriyle (missing-value indicators) birleştirilerek gömme uzayına aktarılır. Bu sayede sensör kopmaları veya veri tabanı kesintilerinden kaynaklanan NaN değerler ön-işleme (imputation) aşamasında yapay ortalamalarla kirletilmeden doğrudan modele beslenir.
• Model, 1.024 yamaya yani tam 32.768 geçmiş zaman adımına kadar bağlamı tek seferde okuyabilir.
• Tek bir ileri besleme (single forward pass) geçişinde 32 yama (1.024 zaman adımı) uzunluğunda gelecek tahmini üretir. Eğer 1.024 adımdan daha uzun bir ufuk (horizon) talep edilirse, model blok-blok (block-by-block) ilerleyerek her bloğun medyan (p50) tahminini mevcut bağlama ekler ve otonom olarak ufku genişletir.

2. Ayrıştırılmış Ufuk Tahmini (Decoupled Horizon Forecasting - DHF)

Timestral'ın en önemli mimari yeniliği Decoupled Horizon Forecasting (DHF) mekanizmasıdır. Mistral mühendisleri, ardışık yama maskelemenin yarattığı bağlam kaybını ortadan kaldırmak için gözlemlenen geçmiş ile tahmin ufkunu yapısal olarak birbirinden ayırmıştır:

• Tüm geçmiş gözlemler dizide eksiksiz olarak tutulur.
• Gelecekteki adımları talep etmek için diziye öğrenilmiş tahmin token'ları (learned forecast tokens) eklenir ve bu token'lar kendilerinden önceki geçmişi dikkat mekanizmasıyla okur.
• Bu sayede dizideki her gerçek gözlem hem bir eğitim hedefi (target) hem de sonraki adımlar için tam bir bağlam (context) görevi görür. Gerçek veri boşlukları (NaN) net bir şekilde "kayıp veri" olarak işaretli kalırken, eğitim sırasında farklı tahmin ufku uzunlukları ve kayıp veri çoğullaması (missing-data augmentation) birbirine karışmadan optimize edilir.

3. Eşdeğişken Duyarlı Dikkat (Covariate-Aware Attention)

Timestral hem zaman ekseninde (time attention) hem de değişkenler ekseninde (variate attention) dikkat mekanizması çalıştırır. Ancak çok değişkenli girdilerde nedenselliği korumak için modele verilen her seriye katı bir rol atanır:

1. Target Variate (Hedef Değişken): Geleceği tahmin edilmek istenen bir veya birden fazla seri.
2. Past-Only Covariate (Yalnızca Geçmiş Eşdeğişken): Sadece bugüne kadar gözlemlenmiş yardımcı sinyaller (sayısal veya hedef-kodlamalı/target-encoded kategorik veriler).
3. Known-Future Covariate (Geleceği Bilinen Eşdeğişken): Hem geçmiş hem de tahmin ufku boyunca değerleri bilinen takvim, fiyatlandırma veya planlama verileri.

Covariate-Aware Attention mimarisinde, geleceği bilinen eşdeğişkenler tüm pencere boyunca görünürken, hedef değişkenler katı bir şekilde nedensel (causal) kalır. Dikkat matrisindeki bilgi akışı yalnızca eşdeğişkenlerden hedeflere doğru tek yönlü olarak sınırlandırılmıştır. Böylece model, önümüzdeki haftanın hava durumu tahminini veya tatil takvimini sonuna kadar kullanırken, hedef değişkenin kendi geleceğini tahminine sızdırması matematiksel olarak imkansız hale gelir.

4. Sentetik-Öncelikli (Synthetic-First) Eğitim ve 21 Kantilli Çıktı

Zaman serisi kıyaslamalarındaki en büyük şüphe "veri sızıntısıdır" (benchmark contamination); yani modelin test edildiği açık veri setlerini ön-eğitim sırasında ezberlemiş olmasıdır. Mistral bu sorunu Sentetik-Öncelikli (Synthetic-First) eğitim stratejisiyle çözmüştür:
Eğitim verisinin ezici çoğunluğu, tutarlı zamansal dinamiklere (çeşitli trendler, çoklu mevsimsellik periyotları ve karmaşık gürültü dağılımları) sahip tek değişkenli süreçlerin üretilip çok değişkenli seriler halinde birleştirilmesiyle oluşturulmuş sentetik verilerden oluşur. Ardından model gerçek ve sentetik verilerle son-eğitim (post-training) aşamasından geçirilmiştir.

Modelin çıkış katmanı (quantile head), tek bir noktasal tahmin (point forecast) yerine her bir gelecek adımı için 0.01'den 0.99'a kadar uzanan 21 ayrı kantil (quantile) üretir:
[0.01, 0.05, 0.10, 0.15, 0.20, 0.25, 0.30, 0.35, 0.40, 0.45, 0.50, 0.55, 0.60, 0.65, 0.70, 0.75, 0.80, 0.85, 0.90, 0.95, 0.99].

03 / Performans ve Kıyaslama: Pareto Sınırında Milyar Parametreli Modelleri Ezmek

Mistral AI, Timestral ailesini zaman serisi dünyasının üç ana açık kıyaslama standardında (GIFT-Eval, TIME ve fev-bench) herhangi bir model birleştirme (ensembling) yapmadan, tekil kontrol noktalarıyla (single checkpoint) test etmiştir.

Sonuçlar, model boyutu ile doğruluk arasındaki Pareto sınırının (Pareto front) tamamen yeniden çizildiğini gösteriyor. Yalnızca 209 milyon parametreye (837 MB ağırlık dosyası) sahip olan Timestral-209M, kendisinden 12 kat daha büyük olan Toto-2.0-2.5B (2.5 milyar parametre), Google'ın TimesFM-3 modeli, t0-gamma ve Amazon'un Chronos-2 modellerini tüm metriklerde geride bırakmıştır:

(Veriler: Mistral AI Resmi Model Kartı, Ekim 2026. MASE: Ölçeklendirilmiş Ortalama Mutlak Hata, CRPS: Sürekli Derecelendirilmiş Olasılık Skoru).

Timestral Ailesi İçi Ölçeklenme ve CPU Gecikme (Latency) Analizi

Gerçek üretim ortamlarında zaman serisi modelleri genellikle GPU sunucularında değil, mevcut veri ambarlarının ve ETL boru hatlarının koştuğu standart CPU düğümlerinde çalıştırılır. Bu nedenle modelin boyutu ve CPU önbellek (cache) dostu olması hayati önem taşır.

8 iş parçacıklı (8-thread) standart bir sunucu CPU'su üzerinde yapılan ölçümlerde Timestral ailesinin kendi içindeki performans ve hız dengesi şu şekildedir:

• Timestral-5M (21 MB): Tahmin başına sadece 10 milisaniye CPU gecikmesi. GIFT-Eval MASE skoru 0.705, TIME MASE skoru 0.652 (5M parametreli minyatür bir model olmasına rağmen TIME kıyaslamasında çok daha büyük olan Chronos-2'nin 0.662 skorunu geçmeyi başarıyor).
• Timestral-28M: 209M modelden yaklaşık 5 kat daha hızlı (~28 ms). GIFT-Eval MASE skoru 0.678, TIME MASE skoru 0.638. Kendisinden yaklaşık 4 kat daha büyük olan Chronos-2'yi her üç kıyaslama setinde de net bir farkla mağlup ediyor.
• Timestral-123M: 209M modelin gecikme süresinin dörtte üçü (~105 ms) sürede çalışırken, doğruluk olarak 209M modelin skoruna %0.2 kadar yakın (0.659 GIFT-Eval MASE, 0.628 TIME MASE) performans sergiliyor.
• Timestral-209M (837 MB): 8 iş parçacıklı sunucu CPU'sunda 140 milisaniyede yanıt veriyor ve tüm kıyaslamalarda mutlak SOTA (State-of-the-Art) liderliğini elinde tutuyor.

"Mimari Not: Eğer yüksek frekanslı bir gözlemlenebilirlik (observability) veya gerçek zamanlı anomali tespit boru hattı tasarlıyorsanız, Timestral-28M veya 123M modelleri doğruluk/gecikme (accuracy/latency) Pareto eğrisindeki en tatlı noktayı (sweet spot) temsil ediyor."

04 / Gerçekçi Kod Örnekleri: Timestral ile Üretim Ortamında Kapasite ve Talep Tahmini

Mistral AI, Timestral'ın çıkarım (inference) motorunu GitHub üzerinde Apache 2.0 lisansıyla açık kaynak olarak yayınladı. Python 3.10+ ve PyTorch 2.4+ bulunan herhangi bir ortamda (GPU veya saf CPU) doğrudan çalıştırılabiliyor.

Kurulum için:

pip install git+https://github.com/mistralai/timestral.git

Senaryo 1: Temel Sıfır-Atışlı Olasılıksal Tahmin ve Kantil Çıkarımı

Aşağıdaki örnekte, geçmiş gözlemleri vererek 96 adımlık bir ufku tahmin ediyor ve belirsizlik bantlarını (p10, p50 medyan ve p90) çekiyoruz:

import numpy as np
import torch
from timestral import TimestralForecaster

# Donanım kontrolü: GPU varsa CUDA, yoksa doğrudan CPU üzerinde çalışır
device = "cuda" if torch.cuda.is_available() else "cpu"

# 209M SOTA kontrol noktasını yükle
model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-209M",
    device=device
)

# Örnek: 1.000 adımlık geçmiş gözlem (NaN değerler doğrudan bırakılabilir)
rng = np.random.default_rng(42)
context = rng.standard_normal(1000).cumsum()
context[450:455] = np.nan  # Sensör kesintisi simülasyonu; Timestral NaN destekler

# Tek ileri besleme (forward pass) ile 96 adım sonrasını tahmin et
forecast = model.forecast(context, prediction_length=96)

# Noktasal ortalama yerine 21 kantilden kritik olanları çekiyoruz
p50_median = forecast.median
p10_lower = forecast.quantile(0.10)
p90_upper = forecast.quantile(0.90)

print(f"Gelecek ilk adım medyan (p50): {p50_median[0]:.3f}")
print(f"%80 Güven Aralığı (p10 - p90): [{p10_lower[0]:.3f}, {p90_upper[0]:.3f}]")

Senaryo 2: Dış Ağdan İzole (Air-Gapped) Sunucularda Eşdeğişkenli (Covariate) Kapasite Planlaması

Bir bulut altyapı mimarı olarak önümüzdeki 1 haftalık (168 saat) saatlik HTTP istek yükünü tahmin etmek istediğinizi varsayalım. Önümüzdeki hafta Çarşamba günü büyük bir ürün lansmanı ve versiyon geçişi planlanmış durumda. Bu bilgiyi known_covariates olarak modele besliyoruz ve sunucu ölçeklemesini medyan yerine p90 kantiline göre yapıyoruz:

import numpy as np
from timestral import TimestralForecaster

# Air-gapped / Kilitli prodüksiyon kutuları için yerel önbellekten ve sabit commit ile yükleme
model = TimestralForecaster.from_pretrained(
    "mistralai/Timestral-28M",
    revision="main",          # Prodüksiyon kararlılığı için commit hash sabitleyin
    local_files_only=True,    # Dış ağa çıkışı kapatır (HF_HUB_OFFLINE=1 eşdeğeri)
    device="cpu"
)

# Son 4 haftalık (672 saat) saatlik API istek sayısı: Şekil (Batch=1, Variates=1, T=672)
history_requests = np.loadtxt("hourly_api_requests.txt").reshape(1, 1, 672)
horizon = 168  # Gelecek 168 saat (1 hafta)

# Bilinen Gelecek Eşdeğişkeni (Known-Future Covariate):
# Boyut: (Batch=1, C_known=1, T + prediction_length = 672 + 168 = 840)
# Sadece 0 ve 1'lerden oluşan satırlar Timestral tarafından otomatik olarak "indicator" (olay bayrağı) olarak işlenir
launch_schedule = np.zeros((1, 1, 672 + horizon), dtype=np.float32)

# Geçmişteki bir kampanya (saat 200-224 arası) ve gelecekteki planlı lansman (saat 720-744 arası)
launch_schedule[0, 0, 200:224] = 1.0
launch_schedule[0, 0, 720:744] = 1.0

# Eşdeğişken duyarlı dikkat (Covariate-Aware Attention) ile sıfır-atışlı tahmin
weekly_forecast = model.forecast(
    history_requests,
    prediction_length=horizon,
    known_covariates=launch_schedule
)

# KRİTİK MİMARİ KARAR: Sunucu kapasitesi p50'ye göre değil, p90 veya p95'e göre ayrılır!
p50_load = weekly_forecast.median
p90_capacity_target = weekly_forecast.quantile(0.90)
p99_spike_ceiling = weekly_forecast.quantile(0.99)

print(f"Lansman saati beklenen medyan yük: {p50_load[0, 0, 48]:.0f} req/hr")
print(f"Otomatik ölçekleme (Auto-scaling) p90 hedefi: {p90_capacity_target[0, 0, 48]:.0f} req/hr")

05 / Mühendislik ve Sektör Çıkarımları: Mimarlar Neye Dikkat Etmeli?

Mistral AI'ın Timestral hamlesi, kurumsal yazılım mimarileri ve veri mühendisliği ekipleri için üç kritik gerçeği gün yüzüne çıkarıyor:

1. Sunucuları Medyana (p50) Göre Değil, Kantillere Göre Ölçekleyin

Klasik makine öğrenmesi boru hatlarında yapılan en ölümcül hata, tekil nokta tahminlerine (point forecasts) güvenerek stok veya sunucu kapasitesi planlamaktır. Matematiksel tanımı gereği gerçek yük, zamanın yarısında medyan (p50) tahmininin üzerinde gerçekleşecektir. Timestral'ın her ileri beslemede 21 kantili (0.01 – 0.99) doğrudan ve ek bir hesaplama maliyeti olmadan sunması, Stokastik Optimizasyon ve risk duyarlı karar mekanizmalarını standart hale getiriyor. SLA (Hizmet Seviyesi Anlaşması) ihlallerini önlemek isteyen SRE ekipleri p90 veya p95 kantilini baz alırken, maliyet optimizasyonu yapan ekipler p50 ile p85 arasındaki makası izleyerek bütçe tahsisi yapabilir.

2. ETL Boru Hatlarında "Eğitim" (Training) Aşamasının Sonu

Her gece çalışan Airflow veya Dagster DAG'larında binlerce müşteri veya sensör için model eğitme (fit) devri kapanıyor. 21 MB boyutundaki Timestral-5M veya 110 MB civarındaki Timestral-28M modelini doğrudan bir PostgreSQL/DuckDB uzantısının yanına veya bir Kafka tüketicisinin (consumer) içine gömerek, akan veri üzerinde 10 ila 30 milisaniye içinde GPU olmadan sıfır-atışlı tahmin almak artık çok daha ekonomik. Özel alan adaptasyonu (domain adaptation) ve şirket içi verilerle ince ayar (fine-tuning) gerektiğinde ise Mistral, kendi dil modellerini eğitmekte kullandığı Mistral Forge boru hattını Timestral için de kurumsal müşterilere açmış durumda.

3. "Modified MIT" Lisansı ve Aylık 20 Milyon Dolarlık Gelir Duvarı

Mühendislik liderlerinin ve CTO'ların gözden kaçırmaması gereken en kritik hukuki ve mimari detay modelin lisansında gizli. GitHub'daki çıkarım kodu Apache 2.0 olsa da, Hugging Face üzerinden indirilen model ağırlıkları (5M model dahil tamamı) Modified MIT lisansıyla sunuluyor.

Bu lisans, standart MIT lisansına çok kritik bir ticari sınır ekliyor: Aylık 20 milyon dolar gelir sınırı (monthly revenue cap).

• Eğer çalıştığınız şirketin (sadece sizin departmanınızın değil, tüm işverenin) aylık geliri 20 milyon doların altındaysa, ağırlıkları indirip şirket içi (on-prem) veya dış ağa kapalı (air-gapped) sunucularınızda tamamen ücretsiz kullanabilir, ince ayar (fine-tuning) yapabilirsiniz.
• Ancak şirketinizin aylık geliri 20 milyon doları (yıllık ~240 milyon dolar) aşıyorsa, bu ağırlıkları, türevlerini veya ince ayar yapılmış kopyalarını üretimde kullanmak için Mistral AI ile ticari lisans anlaşması yapmanız veya Mistral'ın barındırılan (hosted) servislerini kullanmanız gerekiyor.

"Mimari Not: Dış ağa kapalı (air-gapped) kurulumlara en çok ihtiyaç duyan bankalar, savunma sanayii devleri, telekom operatörleri ve enerji şirketleri zaten aylık 20 milyon dolar gelir sınırının çok üzerinde olan kuruluşlardır. Mistral'ın mühendislik ekibi CPU üzerinde çalışan açık ağırlıklarla geliştirici ekosistemini fethetmiş, hukuk ve strateji ekibi ise Modified MIT lisansıyla Fortune 500 şirketlerini doğrudan kurumsal satış hunisine yönlendirmiştir."

Sonuç

Mistral AI; Mistral Large 4, ses modeli Voxtral, doküman zekası OCR 4.1 ve Lean 4 tabanlı teorem kanıtlayıcı Leanstral 1.5'in yanına Timestral'ı ekleyerek, yalnızca sohbet eden modeller üreten bir laboratuvar olmadığını, kurumsal bilişimin tüm temel veri katmanlarını (metin, ses, görsel, matematiksel kanıt ve zaman serisi) ele geçirmeyi hedefleyen tam donanımlı bir mimari güç olduğunu kanıtladı.

Zaman serisi verisiyle uğraşan bir sistem mimarı veya veri bilimciyseniz, GPU kiralama maliyetlerini bir kenara bırakın; CPU'nuzda 10 milisaniyede çalışan bu yeni sıfır-atışlı paradigmayı kendi geçmiş verileriniz üzerinde hemen bugün test etmeye başlayın.