Haberlere Dön/Yapay Zeka & Gelecek
Teknoloji HaberiYapay Zeka & Gelecek·20 Kasım 2026·3 dk okuma

OpenAI, ChatGPT Yavaşlamalarını Otonom Olarak Teşhis Eden Codex Destekli ‘Performance Factory’ Sistemini Tanıttı

OpenAI, ChatGPT'deki performans gerilemelerini bulut tabanlı Codex ajanları ve rakip inceleme oturumlarıyla otonom olarak tespit edip çözüm öneren Performance Factory mimarisini duyurdu. Sistem, üç ayda 1.700'den fazla inceleme yürüterek 600'ün üzerinde kök nedeni %70 doğruluk oranıyla teşhis etti.

OpenAI, ChatGPT Yavaşlamalarını Otonom Olarak Teşhis Eden Codex Destekli ‘Performance Factory’ Sistemini Tanıttı

OpenAI, 19 Kasım 2026 tarihinde yaptığı resmi mühendislik duyurusuyla ChatGPT ve şirket içi servislerdeki performans gerilemelerini (regressions) otonom olarak araştıran, kök nedenleri teşhis eden ve kod düzeltmeleri öneren Performance Factory adlı dahili yapay zeka sistemini tanıttı. Bulut üzerinde çalışan ve şirketin kodlama ajanı Codex tarafından desteklenen bu yeni mimari, yazılım güncellemeleri sonrasında yaşanan gecikme (latency) veya erişilebilirlik düşüşlerini insan müdahalesini minimuma indirerek uçtan uca yönetiyor.

Yapay zeka destekli yazılım geliştirme süreçlerinin hızlanmasıyla birlikte geleneksel performans mühendisliği yöntemlerinin yetersiz kaldığını belirten OpenAI, daha önce mühendislerin 30'dan fazla dahili araç kullanarak manuel olarak yürüttüğü günlük kaydı (log) ve metrik analizlerini aşamalı olarak otonomlaştırdı. Bu dönüşüm sürecinde mühendislik ekibinin inceleme prosedürleri, Codex ajanlarının tekrar tekrar kullanabileceği perf-forensics adlı özel bir yeteneğe dönüştürüldü.

Rakamlarla Performance Factory ve ‘Regression Workflow’

Performance Factory mimarisinin ilk aktif iş akışı olan Regression Workflow, devreye alındığı üç ayı aşkın süre içinde dikkat çekici operasyonel verilere ulaştı:

  • 1.700+ Otomatik İnceleme: Sistem üç ayda 1.700'ün üzerinde performans yavaşlaması vakasını takip etti; bu sayı günde ortalama 17 otonom incelemeye karşılık geliyor.
  • 600+ Kök Neden Teşhisi ve %70 Doğruluk: Codex ajanları, incelenen vakaların 600'den fazlasında sorunun temel nedenini belirledi. Rastgele seçilen 100 kök neden önerisi üzerinde yapılan manuel mühendislik değerlendirmesinde sistemin teşhis doğruluk oranı %70 olarak ölçüldü.
  • Çözüm Önerileri ve PR (Pull Request) Dönüşümü: Teşhis edilen 600'ü aşkın kök nedenden yaklaşık 400'ü için kod düzeltme önerisi oluşturuldu. Bunların arasından yaklaşık 15 tanesi tamamen Codex tarafından yazılan PR olarak doğrudan canlı ortama alınırken, yaklaşık 50 düzeltme ise ajanların sunduğu bulgular ve yönlendirmeler doğrultusunda mühendisler tarafından tamamlanarak yayına verildi.

Rakip İnceleme (Adversarial Review) ve Çalışma Mimarisi

Performance Factory'de süreç bir performans uyarısının tetiklenmesiyle başlıyor. Görevi devralan ilk Codex ajanı; yavaşlamanın tam olarak ne zaman başladığını (uyarı tetiklenmeden saatler önce başlamış olsa dahi), hangi uç noktaları etkilediğini, o zaman dilimindeki dağıtımları (deployments) ve özellik bayrağı (feature-flag) değişikliklerini kod depoları ve izleme kayıtlarıyla çapraz eşleştirerek inceliyor.

Sistemin en kritik güvenlik ve kalite katmanını ise rakip inceleme (adversarial review) mekanizması oluşturuyor. İlk ajanın ulaştığı teşhisi ve önerdiği kod yamasını çürütmek üzere bağımsız ikinci bir Codex oturumu devreye giriyor. Bu çapraz doğrulama ajanı, kanıtları yeniden değerlendirerek teşhislerin yaklaşık %25'ini yetersiz veya hatalı bularak ek inceleme için geri gönderiyor. Çapraz doğrulamadan geçen düzeltmeler bir insan mühendisin onayına sunuluyor. Kod dağıtıldıktan sonra ise başka bir Codex ajanı görevi devralarak sistem performansının temel (baseline) değerlere dönüp dönmediğini doğruluyor.

Sektörel Etki ve Mühendislik Sınırları

OpenAI'ın paylaştığı veriler, yapay zeka ajanlarının birinci sınıf (Tier-1) tüketici servislerinde Site Güvenilirlik Mühendisliği (SRE) süreçlerine doğrudan entegre edilebildiğini gösteriyor. Bununla birlikte, 400 çözüm önerisinden yalnızca 15'inin birebir ajan yazımı kod olarak yayına alınması, bir sorunu teşhis etmek ile güvenli üretim kodu yazmak arasındaki farkı da ortaya koyuyor. OpenAI mühendisleri, Codex'in izole ve net hatalarda yüksek başarı gösterdiğini, ancak yeni bir özelliğin gecikme yarattığı ve mimari değişiklik gerektiren karmaşık senaryolarda nihai kararın halen insan mühendislerde olduğunu vurguluyor. Performance Factory, yazılım mühendisliğinde geliştirici rolünün kademeli olarak "sıfırdan araştıran" konumundan "ajan bulgularını onaylayan ve mimari karar veren" konumuna geçişinin somut bir örneği olarak değerlendiriliyor.

Konu Etiketleri
#OpenAI#Yapay Zeka Ajanları#Yazılım Mühendisliği#Codex#ChatGPT#Performance Factory
Emre Taştutan
Emre TaştutanGeliştirici & AI Meraklısı

Yazılım mimarisi, mikroservis ekosistemleri ve üretken yapay zeka uygulamaları üzerine çalışıyorum. TastutanLabs çatısı altında geliştirici araçları ve SaaS ürünleri inşa ediyorum.

@tastutanlabs • Instagram Mini-Blog

Bu analizin 6 kartlık görsel özetini Instagram'da inceleyin ve kaydedin

Her gün yazılım mimarisi, Java/JVM ve yapay zeka gelişmelerini kendi başına okunabilen 6 slaytlık Mini-Blog serileri halinde paylaşıyoruz.

Instagram'da Takip Et →
Bu Yazıyı Paylaş:

Yorumlar (0)

Düşüncelerinizi Paylaşın

Henüz yorum yapılmamış. İlk yorumu siz yapın!

Bu Kategorideki Diğer İncelemeler