``

Temel fikir: Paylaşılan bir durum makinesi

Akıllı sözleşme, blok zincire yerleştirilmiş programdır. Ethereum gibi ağlarda kod, Ethereum Sanal Makinesi üzerinde yürütülür. Sözleşmenin bakiyesi, yetkili adresleri ve ödeme durumu kalıcı veriler olarak saklanır.

Bunu bir durum makinesi gibi düşünebiliriz: Sözleşme başlangıçta ödeme bekliyor, ardından fonlandı, son olarak ödendi durumuna geçer. Her geçişin koşulları vardır. Yetkisiz bir kullanıcı düğmeye bassa bile programın kontrollerini geçemez. Güven, tarafların iyi niyetinden çok, kodun doğruluğuna ve ağın güvenlik varsayımlarına dayanır.

“Otomatik” ödeme hangi adımlarla gerçekleşir?

1. İşlem oluşturulur: Kullanıcı, sözleşmenin bir fonksiyonunu çağıran işlemi özel anahtarıyla imzalar.
2. Kod yürütülür: İşlemi işleyen düğümler, ilgili blok bağlamında aynı kuralları uygulayarak sonucu hesaplar.
3. Durum güncellenir: Koşullar sağlanırsa bakiye ve kayıtlar değişir. Bir kontrol başarısız olursa işlem geri alınır; harcanan işlem ücretleri genellikle yine ödenir.

Buradaki kritik ayrıntı şudur: Sözleşmeler kendiliğinden uyanıp çalışmaz. Bir işlemle tetiklenmeleri gerekir. Zamanlanmış işler için harici otomasyon hizmetleri kullanılabilir; bunlar da sonuçta zincire işlem gönderir.

Ödeme kuralını şöyle özetleyebiliriz:

Burada $B$ emanetteki tutar, $A$ yetkili alıcının onayı, $K$ ise sözleşmenin kapanmış olmasıdır. Gösterge fonksiyonu, koşul doğruysa bir, yanlışsa sıfır üretir. Yani onay yoksa veya ödeme zaten yapıldıysa transfer gerçekleşmez.

Solidity ile küçük bir emanet kasası

Aşağıdaki örnek, alıcının sözleşmeyi oluştururken yatırdığı ETH’yi saklar. Yalnızca aynı alıcı onay verdiğinde satıcıya ödeme yapar.

// SPDX-License-Identifier: MIT
pragma solidity ^0.8.24;

contract Emanet {
    address public immutable alici;
    address payable public immutable satici;
    uint256 public immutable tutar;
    bool public kapandi;

    constructor(address payable _satici) payable {
        require(msg.value > 0, "Bos emanet");
        require(_satici != address(0), "Gecersiz satici");
        alici = msg.sender;
        satici = _satici;
        tutar = msg.value;
    }

    function teslimatiOnayla() external {
        require(msg.sender == alici, "Yetkisiz kullanici");
        require(!kapandi, "Zaten odendi");

        kapandi = true;
        (bool basarili, ) = satici.call{value: tutar}("");
        require(basarili, "Transfer basarisiz");
    }
}

payable, oluşturma sırasında ETH kabul edilmesini sağlar. msg.sender çağıranın adresidir; msg.value gönderilen tutarı belirtir. immutable alanlar oluşturulduktan sonra değiştirilemez. require ifadeleri ise geçersiz işlemleri durdurur.

Önemli güvenlik ayrıntısı, kapandi değişkeninin dış adrese para gönderilmeden önce güncellenmesidir. Bu, kontroller–etkiler–etkileşimler düzenidir: Önce koşulları denetle, sonra iç durumu değiştir, en son dış çağrı yap. Transfer başarısızsa require tüm bu durum değişikliklerini geri alır.

Blok zincir kargonun geldiğini nereden bilir?

Bilmez! Örnekte “teslimat”, alıcının onayı anlamına gelir; fiziksel teslimatın bağımsız kanıtı değildir. Kargo şirketinden bilgi alınacaksa oracle gerekir. Oracle, dış veriyi zincire taşıyan bir mekanizmadır ve sisteme yeni güven varsayımları ekler.

Bu yüzden “kod aracıları tamamen kaldırır” sözü her senaryoda doğru değildir. Özellikle fiyat, hava durumu veya teslimat gibi verilerde kaynağın doğruluğu, güncelliği ve manipülasyona dayanıklılığı ayrıca değerlendirilmelidir.

Gerçek kullanımda eksik parçalar

Bu örnekte alıcı hiç onay vermezse para kilitli kalır. Üretim tasarımında süreli iade, anlaşmazlık çözümü, olay kayıtları ve kapsamlı testler düşünülmelidir. Yeniden giriş saldırıları, erişim yetkileri ve yükseltme mekanizmaları ayrıca incelenmelidir.

İşlem ücretleri küçük ödemeleri pahalılaştırabilir; blokta görünmek de her ağda aynı kesinlik düzeyini sağlamaz. Akıllı sözleşme sihirli noter değildir: Açıkça tanımlanmış koşulları uygular. Başarılı tasarımın sırrı, yalnızca mutlu ödeme yolunu değil, herkesin fikrini değiştirdiği ve sistemlerin aksadığı günleri de kodlamaktır.

``

Navigasyonun üç katmanı

Otonom navigasyonu üç çalışanı olan küçük bir köprüüstü gibi düşünün: durum kestirici nerede olduğunuzu söyler, rota planlayıcı güvenli yolu seçer, kontrolcü ise dümen ve itkiyi yönetir. Bu görevleri ayırmak, hem yazılımı test etmeyi hem de arızaların kaynağını bulmayı kolaylaştırır.

GNSS konumu ve yer üzerindeki hızı sağlar. IMU ivme ve açısal hareketleri ölçer; pusula baş açısına yardımcı olur. Ancak hiçbiri kusursuz değildir. GNSS kesilebilir, pusula manyetik etkilerden sapabilir, IMU hataları zamanla birikebilir. Genişletilmiş Kalman filtresi gibi yöntemler, hareket modeliyle ölçümleri birleştirerek daha tutarlı bir durum tahmini üretir. Zaman damgalarının uyumu da en az sensör seçimi kadar önemlidir.

Baş açısı ile rota açısı aynı değildir

Aracın burnunun baktığı yön, baş açısı $ψ$; yer üzerindeki hareket yönü ise rota açısı $χ$ olsun. Akıntı varsa bu iki açı farklı olabilir. Burnunu kuzeye çevirmiş bir araç, doğuya akan su nedeniyle kuzeydoğuya ilerleyebilir.

Basitleştirilmiş yatay düzlem modeli şöyledir:

Burada $\mathbf{v}b$ suya göre hızı, $\mathbf{v}_c$ akıntıyı, $R(ψ)$ gövde koordinatlarından dünya koordinatlarına dönüşümü temsil eder. Yer hızından $χ=\operatorname{atan2}(v{g,y},v_{g,x})$ hesaplanır. Dolayısıyla yalnızca baş açısını sabitlemek, çizilen rotayı korumaya yetmez.

Rotayı kovalamak yerine önüne bakmak

Yaygın çözümlerden biri, görüş hattı anlamına gelen LOS yönlendirmesidir. Sistem, rota üzerinde ileride bulunan hayali bir noktaya yönelir. Böylece küçük sapmalarda sert dönüşler yerine yumuşak yaklaşmalar üretir.

Düz bir rota parçasında yanal hata $e$, rota yönü $γ$ ve ileri bakış mesafesi $Δ$ için:

Buradaki $β$, süzülmüş $χ-ψ$ farkıyla yaklaşık olarak kestirilebilen sürüklenme açısıdır. Küçük $Δ$ daha çevik fakat daha salınımlı davranış yaratabilir. Büyük $Δ$ ise dönüşleri yumuşatırken rotaya dönüşü yavaşlatır. Çok düşük hızlarda rota açısı güvenilir olmadığından sürüklenme kestirimi sınırlandırılmalıdır.

Python ile yönlendirme ve dümen kontrolü

Aşağıdaki örnek, LOS hedefini hesaplar ve baş açısı hatasını PI kontrolcüyle dümen komutuna dönüştürür. Koordinatlar metre cinsinden yerel düzlemde, açılar radyan cinsindedir. İntegral terimi kalıcı sapmayı azaltırken koşullu güncelleme, dümen doygunluğunda gereksiz birikimi önler.

import math


def wrap(angle):
    return (angle + math.pi) % (2 * math.pi) - math.pi


def los_heading(position, start, end, beta, lookahead=15.0):
    dx, dy = end[0] - start[0], end[1] - start[1]
    length = math.hypot(dx, dy)
    if length == 0 or lookahead <= 0:
        raise ValueError("Geçersiz rota veya bakış mesafesi")
    px, py = position[0] - start[0], position[1] - start[1]
    error = (dx * py - dy * px) / length
    course = math.atan2(dy, dx) - math.atan2(error, lookahead)
    return wrap(course - beta)


def steering(target, heading, integral, dt):
    if dt <= 0:
        raise ValueError("dt pozitif olmalı")
    error = wrap(target - heading)
    raw = 1.2 * error + 0.04 * integral
    command = max(-0.6, min(0.6, raw))
    if abs(raw) < 0.6 or raw * error < 0:
        integral += error * dt
    return command, integral

wrap, açı sınırında yanlışlıkla tam tur dönülmesini engeller. İntegral değeri kontrol döngüleri arasında korunmalıdır. Katsayılar yalnızca örnektir; gerçek araçta hız, gövde dinamiği ve dümen sınırlarına göre ayarlanır. Ayrıca dümen işaretinin modelle uyumu doğrulanmalıdır. Bu kod, waypoint geçişlerini veya engelden kaçınmayı kapsamaz.

Her dalgayla kavga etmeyin

Dalga kaynaklı hızlı salınımları sürekli dümenle düzeltmek enerji tüketir ve mekanizmayı yorar. Uygun filtreleme ve kontrol bant genişliği, yavaş rota sapmalarını hızlı yalpalamadan ayırmaya yardımcı olur. Ancak aşırı filtreleme gecikme yaratır; bu yüzden kontrolcü, sensör ve gövde birlikte değerlendirilmelidir.

İtki kontrolü de önemlidir: birçok dümenli araç düşük hızda yönlendirme otoritesini kaybeder. Akıntı aracın kapasitesini aşıyorsa hiçbir yazılım istenen rotayı garanti edemez. Sistem güvenli bekleme, alternatif rota veya operatöre devretme davranışına geçmelidir. Trafikte ise çarpışma riski ve uygulanabilir COLREG kuralları ayrıca ele alınmalıdır.

Başarılı otonomi, denizi yenmek değil, etkilerini ölçüp yönetmektir. Önce simülasyonda akıntı, sensör kesintisi ve aktüatör sınırlarını deneyin; ardından kontrollü deniz testlerinde yanal hata, enerji tüketimi ve güvenlik davranışlarını karşılaştırın.

``

Önce temel mantık: Güç bütçesi

Şarj istasyonlarının etiket güçlerini toplamak, altyapının gerçek ihtiyacını anlamak için yeterli değildir. Önemli olan, tesisin bağlantı kapasitesiyle o anda tüketilen diğer yükler arasındaki farktır. Dinamik yük dengeleme, ölçüm cihazlarından aldığı verilerle bu farkı düzenli olarak hesaplar ve araçlara ayrılabilecek toplam gücü günceller.

Basitleştirilmiş aktif güç modeli şöyledir:

Burada $P_{pay}$ güvenlik rezervidir. Her aracın aldığı güç için de şu sınırlar geçerlidir:

Örneğin tesis sınırı 120 kW, diğer tüketimler 45 kW ve rezerv 10 kW ise araçlara 65 kW kalır. Sekiz aracın her biri 11 kW isterse toplam talep 88 kW olur. Eşit paylaşımda araç başına yaklaşık 8,125 kW ayrılır; böylece toplam tüketim rezerv dahil belirlenen sınırı aşmaz.

Statik mi, dinamik mi, öngörülü mü?

Statik sistem, restoranın her akşam aynı sayıda masa açmasına benzer. Dinamik sistem müşteri yoğunluğunu izler; öngörülü sistem ise rezervasyon defterini de okur. Ancak hiçbir yöntem fiziksel bağlantı sınırını sihirli biçimde büyütmez.

Gücü adil dağıtmak: Ağırlıklı paylaşım

Eşit paylaşım anlaşılırdır, fakat ihtiyaçlar eşit olmayabilir. Yarım saat sonra ayrılacak servis aracı, gece boyunca park edecek araçtan daha yüksek öncelik alabilir. Ağırlıklı paylaşımda öncelikler sayısallaştırılır; araçların kabul edebileceği güç sınırları da korunur.

Aşağıdaki Python fonksiyonu bütçeyi ağırlıklara göre dağıtır. Sınırına ulaşan aracın kullanamadığı pay, sonraki turda diğerlerine aktarılır:

def paylastir(butce, araclar):
    if any(a['max_kw'] < 0 or a['agirlik'] <= 0 for a in araclar):
        raise ValueError('Güç negatif, ağırlık sıfır veya negatif olamaz.')

    kalan = max(0.0, butce)
    sonuc = [0.0] * len(araclar)
    aktif = [i for i, a in enumerate(araclar) if a['max_kw'] > 0]

    while aktif and kalan > 1e-6:
        toplam_agirlik = sum(araclar[i]['agirlik'] for i in aktif)
        tur_butcesi = kalan

        for i in aktif:
            arac = araclar[i]
            pay = tur_butcesi * arac['agirlik'] / toplam_agirlik
            ek = min(pay, arac['max_kw'] - sonuc[i])
            sonuc[i] += ek
            kalan -= ek

        aktif = [
            i for i in aktif
            if araclar[i]['max_kw'] - sonuc[i] > 1e-6
        ]

    return sonuc

araclar = [{'max_kw': 11.0, 'agirlik': 1.0} for _ in range(8)]
print(paylastir(65.0, araclar))

Bu örnek sekiz araç için yaklaşık 8,125 kW üretir. max_kw, yalnızca istasyonun etiketini değil, aracın ve bağlantının güncel sınırını temsil etmelidir. Fonksiyon sürekli güç paylaşımını gösterir; üretim sistemindeki haberleşme, hata yönetimi ve minimum akım koşullarını uygulamaz.

Sahada matematiğin yanına mühendislik koyun

Gerçek tesislerde toplam kW sınırı tek başına yeterli değildir. Özellikle tek fazlı araçlar, toplam kapasite uygun görünürken bir fazı aşırı yükleyebilir. Bu nedenle faz akımları, kablo sınırları, koruma elemanları ve gerektiğinde görünür güç de izlenmelidir. Yazılım, elektriksel korumanın yerine geçmez.

AC şarjda izin verilen minimum akımın altında kesintisiz paylaşım mümkün olmayabilir. Böyle durumlarda bazı oturumları sırayla bekletmek gerekir. Ölçüm gecikmesine karşı rezerv bırakmak, komut değişimlerini yumuşatmak ve iletişim kesildiğinde güvenli sınırlara dönmek de önemlidir.

Optimizasyonun gerçek hedefi

Güç, anlık hızdır; enerji ise zaman boyunca biriken miktardır. Sabit güçte bataryaya aktarılan yaklaşık enerji $E=\eta P\Delta t$ ile hesaplanır. Burada $\eta$ verim, $\Delta t$ saat cinsinden süredir. Ayrılış zamanına kadar gereken enerjiyi tamamlamak, her aracı sürekli maksimum güçte tutmaktan daha anlamlıdır.

Ucuz saatlere kaydırma, güneş üretimini değerlendirme ve tesisin tepe talebini azaltma aynı planın parçaları olabilir. Fakat düşük öncelikli araçların sürekli beklememesi için bekleme süresi de hesaba katılmalıdır. Başarılı yük dengeleme, en yüksek anlık gücü değil; güvenli, adil ve zamanında tamamlanan şarjı hedefler.

Önce Mantık: Emir Defteri Nedir?

Emir defteri, gerçekleşmeyi bekleyen alış ve satış emirlerini tutar. Alış tarafındaki en yüksek fiyat en iyi alış, satış tarafındaki en düşük fiyat ise en iyi satış olarak adlandırılır. Aralarındaki fark, yani spread:

Bir limit alış emri, ödemeye razı olduğunuz azami fiyatı belirtir. Limit satış emri ise kabul edeceğiniz asgari fiyatı söyler. Alıcının limiti satıcının fiyatına eşit veya yüksekse eşleşme mümkündür. Piyasa emri fiyat sınırı koymadan mevcut likiditeyi tüketir; büyük emirlerde bu nedenle kayma oluşabilir.

Örneğin satış defterinde 100 USDT’den iki, 101 USDT’den üç token bulunsun. Dört tokenlık, 101 USDT limitli alış emri önce iki tokenı 100’den, sonra iki tokenı 101’den alır. İşlem fiyatı, bu modelde defterde bekleyen emrin fiyatıdır.

Kim Önce İşlem Görür?

Yaygın yaklaşım fiyat-zaman önceliğidir: Daha iyi fiyat önce gelir; aynı fiyatta daha önce kabul edilen emir önceliklidir. Bu yüzden her fiyat seviyesinde bir FIFO kuyruğu tutulabilir.

Burada $L$, fiyat seviyesi sayısıdır. Ağaç kullanılan bir tasarımda en iyi seviyeye işaretçi tutulabilir; seviyenin içindeki kuyruk başını kaldırmak ise $O(1)$ maliyetlidir.

Fiyat ve miktarlar genellikle kayan noktalı sayılar yerine tam sayı olarak saklanır:

Böylece yuvarlama sürprizleri yerine açık fiyat adımları ve miktar kuralları kullanılır.

Milisaniyelik İşlem Hattı

Tipik akış şu istasyonlardan geçer:

1. Ağ geçidi: Kimlik doğrulama, mesaj biçimi ve hız sınırları kontrol edilir.
2. Risk kontrolü: Bakiye, minimum miktar ve fiyat adımı doğrulanır; gerekli varlık rezerve edilir.
3. Sıralayıcı: Kabul edilen emir ve iptal komutlarına kesin bir sıra numarası atanır.
4. Motor: Komutlar bu sırayla uygulanır; gerçekleşmeler ve defter değişiklikleri üretilir.

Aynı defteri birçok iş parçacığının gelişigüzel değiştirmesi yarış koşulları yaratır. Yaygın çözüm, her defter için tek yazarlı deterministik işlemektir. Ölçekleme farklı işlem çiftlerine dağıtılarak yapılabilir; birden fazla defter aynı süreçte de çalışabilir.

Önceliğin hakemi istemci saati değil, sunucunun kabul sırasıdır. Aksi hâlde bilgisayarının saatini değiştiren kullanıcı sırada öne geçmeye çalışabilir!

Küçük Bir Eşleştirme Prototipi

Aşağıdaki Python kodu, önceden doğrulanmış bir limit alış emrini satış kuyruklarıyla eşleştirir:

from collections import deque
from dataclasses import dataclass

@dataclass
class Order:
    oid: int
    price: int
    qty: int

def match_buy(limit, qty, asks):
    trades = []
    while qty > 0 and asks:
        price = min(asks)
        if price > limit:
            break
        queue = asks[price]
        maker = queue[0]
        filled = min(qty, maker.qty)
        trades.append((maker.oid, price, filled))
        qty -= filled
        maker.qty -= filled
        if maker.qty == 0:
            queue.popleft()
        if not queue:
            del asks[price]
    return trades, qty

asks = {
    10000: deque([Order(1, 10000, 2)]),
    10100: deque([Order(2, 10100, 3)]),
}
trades, remaining = match_buy(10100, 4, asks)

Fiyat adımı 0,01 USDT kabul edilirse 10000, 100 USDT’yi temsil eder. Kod kısmi gerçekleşmeleri işler ve boş seviyeleri kaldırır. Ancak min(asks) her turda seviyeleri tarar: Bu bir öğretim örneğidir, üretim motoru değildir. Eşleşmeyen miktar, GTC limit emrinde alış defterine eklenir; IOC emrinde iptal edilir.

Hız Yetmez: Çökünce Ne Olacak?

Motorun bellekte çalışması, kayıtların unutulabileceği anlamına gelmez. Komut günlüğü ve periyodik snapshot kullanılarak durum yeniden oluşturulur. Dışarıya kesin kabul veya işlem sonucu bildirilmeden önce gereken kalıcılık garantisi sağlanmalıdır. Günlük senkronizasyonu ve çoğaltma tercihleri gecikmeyi etkiler.

Yeniden oynatma aynı komutlardan aynı sonucu üretmelidir. Emir kimlikleriyle yinelenen istekler ayıklanır; piyasa verisi sıra numaralarıyla yayınlanır, kayıp mesajlar snapshot üzerinden tamamlanır. Bakiye muhasebesi de gerçekleşme olaylarını güvenilir biçimde işlemelidir.

Son olarak yalnızca ortalama gecikmeyi ölçmeyin: p99 gecikmesi, yoğunluk altında kuyruk büyümesi ve iptal performansı da önemlidir. İyi motor, hızlı bir çöpçatan olduğu kadar, sırası şaşmayan titiz bir muhasebecidir.

Telefonunuza gelen üç dakikalık bir ders, rastgele seçilmiş küçük bir bilgi paketi olmak zorunda değil. İyi bir mikro öğrenme platformu, neyi bildiğinizi ve neyi unutmak üzere olduğunuzu tahmin ederek içerik dağıtır. İşin sırrı yalnızca dersleri küçültmek değil, onları zihninizin ritmine göre zamanlamaktır. ``

Kısa içerik neden tek başına yeterli değil?

Mikro öğrenme, bir öğrenme hedefini kısa ve odaklı etkinliklere böler. Ancak kısa olmak, otomatik olarak öğretici olmak anlamına gelmez. Bir dakikalık videoyu izlemekle aynı bilgiyi yardım almadan hatırlamak farklı şeylerdir.

Burada iki eğriyi ayırmak gerekir: Öğrenme eğrisi, pratik arttıkça performansın nasıl geliştiğini; unutma eğrisi, tekrar yapılmadığında hatırlamanın zamanla nasıl azaldığını gösterir. Dağıtım algoritması ikisini birlikte değerlendirmelidir.

Örneğin kullanıcı döngü sorularını hızla çözüyorsa daha zor bir uygulamaya geçebilir. Aynı kullanıcı önceki sözdizimini unutuyorsa yeni konu yerine kısa bir hatırlama sorusu daha faydalı olabilir. Hedef, sürekli yeni içerik sunmak değil, kullanılabilir bilgiyi büyütmektir.

Hafızayı basit bir modelle temsil etmek

Başlangıç için hatırlama olasılığını şu yaklaşık modelle düşünebiliriz:

Burada $t$, son tekrardan beri geçen süre; $S$ ise bilginin hafızadaki dayanıklılığıdır. İkisi aynı zaman birimini kullanmalıdır. Büyük $S$, daha yavaş unutma anlamına gelir. Gerçek hafıza bundan karmaşıktır; bu denklem evrensel yasa değil, anlaşılır bir mühendislik yaklaşımıdır.

Tekrarı hedef olasılık $p_*$ seviyesinde yapmak istersek:

Örneğin $S=6$ gün ve $p_*=0.85$ için tekrar yaklaşık $0.98$ gün sonra planlanır. Hedef olasılık yükseldikçe tekrarlar sıklaşır; öğrenme yükü de artar. Yani algoritmanın elinde bedava bir hafıza sihirbazı yoktur!

Dağıtım algoritmasının karar zinciri

Platform, yalnızca içerik değil, kullanıcı–beceri–içerik ilişkisi tutmalıdır. Aynı kullanıcı iki konuda farklı dayanıklılığa sahip olabilir.

1. Ölç: İzleme tamamlanmasını değil, kısa bir geri çağırma sorusunu değerlendir.
2. Güncelle: Doğruluk, önceki tekrarlar ve geçen süreyle hafıza tahminini yenile.
3. Filtrele: Ön koşulları karşılanmamış veya erişilebilir olmayan içerikleri çıkar.
4. Sırala: Tekrarı gelen kartları, öğrenme hedeflerini ve beklenen kazanımı birlikte değerlendir.
5. Paketle: Seçimi günlük süre bütçesine sığdır; örneğin sekiz dakikaya.

Tepki süresi yardımcı sinyaldir, fakat tek başına başarı ölçüsü değildir. Yavaş okuyan kullanıcıyı bilgisiz saymak, algoritmanın kendi sınavından kalmasıdır.

Python ile küçük bir zamanlama motoru

Aşağıdaki fonksiyon, soru sonucundan sonra dayanıklılığı günceller ve sonraki tekrar zamanını üretir. kart, gün cinsinden S değerini içeren bir sözlüktür; simdi ise bir datetime nesnesidir.

import math
from datetime import timedelta


def tekrar_planla(kart, dogru, simdi, hedef=0.85):
    if not 0 < hedef < 1:
        raise ValueError("Hedef 0 ile 1 arasında olmalı")

    katsayi = 1.35 if dogru else 0.60
    yeni_s = min(180.0, max(0.5, kart["S"] * katsayi))
    aralik = -yeni_s * math.log(hedef)

    return {
        **kart,
        "S": yeni_s,
        "son_tekrar": simdi,
        "sonraki_tekrar": simdi + timedelta(days=aralik),
    }

Doğru cevap aralığı büyütür; yanlış cevap küçültür. Alt ve üst sınırlar aşırı değerleri engeller. Ancak katsayılar örnek sezgisellerdir; bilimsel olarak doğrulanmış kişisel parametreler değildir. Üretimde geçmiş denemelerle kalibre edilmelidir. Yanlış cevaptan sonra açıklayıcı geri bildirim hemen verilmeli, sonraki kalıcı tekrar ayrıca planlanmalıdır.

Başarıyı tıklamayla karıştırmayın

Zamanı gelen bütün kartları aynı anda göndermek kullanıcıyı bildirim yağmuruna tutar. Bu nedenle zamanlayıcı, tekrar ihtiyacını belirlerken dağıtım katmanı sessiz saatleri, günlük bütçeyi ve konu çeşitliliğini gözetmelidir. Geciken içerikler kuyrukta önceliklendirilebilir; hatırlama tahmini geçen süreyle yeniden hesaplanır.

Başarı ölçümü de uzun vadeli olmalıdır: Bir hafta sonraki hatırlama, yeni sorulara transfer, tamamlanan hedefler ve kullanıcı yükü birlikte izlenebilir. A/B testlerinde yalnızca tıklama oranına bakmak, eğlenceli ama öğretmeyen içerikleri ödüllendirebilir. Kullanıcı verilerini gereğinden fazla toplamak da kişiselleştirmenin zorunlu bedeli değildir.

Kısacası iyi mikro öğrenme, bilgiyi küçük lokmalara bölmekten fazlasıdır: Her lokmayı doğru zamanda sunar, gerçekten sindirilip sindirilmediğini ölçer ve menüyü buna göre değiştirir.

``

Go neden böylesine zor?

Go, siyah ve beyaz taşlarla alan kontrolü kurmaya dayanan bir strateji oyunudur. Kurallar görece basittir, ancak 19×19 tahtadaki olası yasal konumların sayısı yaklaşık $10^{170}$ mertebesindedir. Bütün olasılıkları taramak, okyanusu çay kaşığıyla boşaltmaya benzer.

Üstelik iyi bir hamle hemen ödül getirmeyebilir. Bugün yapılan küçük bir fedakârlık, onlarca hamle sonra büyük bir bölge kazandırabilir. Dolayısıyla sistemin yalnızca mevcut taşları değil, gelecekteki sonuçları değerlendirmesi gerekir.

Pekiştirmeli öğrenmenin temel mantığı

Pekiştirmeli öğrenmede bir ajan, çevreyle etkileşerek karar vermeyi öğrenir. Go için durum $s$ tahta konumunu, eylem $a$ taş yerleştirmeyi veya pas geçmeyi temsil eder. Politika $\pi(a\vert s)$, hangi durumda hangi hamlenin seçileceğini belirler.

Amaç, beklenen toplam ödülü büyütmektir:

Burada $\theta$ model parametreleri, $r_t$ ödül, $\gamma$ gelecekteki ödüllerin ağırlığıdır. Sonlu Go karşılaşmalarında $\gamma=1$ kullanılabilir. Basitleştirilmiş bir düzende ara hamleler ödülsüzdür; sonuç, ilgili oyuncunun açısından galibiyette $+1$, yenilgide $-1$ olur.

AlphaGo ile AlphaGo Zero aynı şey değil

2016’da Lee Sedol’u 4–1 yenen AlphaGo, önce insan uzmanların oyunlarından öğrenmişti. Ardından kendi kendine oynayarak politikasını geliştirdi; değer ağı da öz-oyun verilerinden yararlandı. Yani orijinal başarıyı tamamen insan verisinden bağımsızmış gibi anlatmak yanlış olur.

2017’de tanıtılan AlphaGo Zero ise insan oyunlarını kullanmadan, oyun kuralları ve öz-oyun üzerinden öğrendi. Politika ve değer tahminlerini tek sinir ağında birleştirdi.

Arama, sezgiyi nasıl güçlendirir?

Sinir ağı tek başına son sözü söylemez. Monte Carlo Ağaç Araması, yani MCTS, aday hamlelerin devamlarını araştırır. Politika tahmini aramayı umut verici dallara yönlendirirken değer tahmini ulaşılan konumları değerlendirir.

Arama, daha önce başarılı görünen hamleleri kullanmak ile yeterince incelenmemiş hamleleri keşfetmek arasında denge kurar. Sonunda ziyaret sayılarından bir hamle dağılımı elde edilir. Ağın ilk önerisi böylece aramayla iyileştirilir; bu dağılım, sonraki eğitimin hedefi olur. Öğrenci kendi analizlerinden ders çıkarır!

Python ile öz-oyun iskeleti

Aşağıdaki kod, hazır bir Go ortamı ve MCTS ajanı varsayar. Tam AlphaGo uygulaması değildir; eğitim örneklerinin nasıl toplandığını gösterir. search, pas dâhil yasal hamleler üzerinde normalize edilmiş olasılıklar döndürmelidir.

import numpy as np


def self_play(env, agent):
    env.reset()
    history = []

    while not env.done:
        player = env.current_player  # +1 veya -1
        state = env.canonical_state().copy()
        policy = agent.search(env)
        history.append((state, policy.copy(), player))

        action = np.random.choice(
            env.action_size, p=policy
        )
        env.step(action)

    winner = env.winner()  # +1, -1 veya beraberlikte 0
    return [
        (state, policy, float(winner * player))
        for state, policy, player in history
    ]

Her kayıt, bir konumu, aramanın hamle dağılımını ve o konumdaki oyuncunun sonucunu saklar. canonical_state, tahtayı sıradaki oyuncunun bakış açısından kodlar. Sonucun oyuncuyla çarpılması önemlidir: aynı maç, kazanan için olumlu, kaybeden için olumsuz örnektir.

Deneyimden ustalığa

AlphaGo Zero yaklaşımında eğitim kaybı üç parçayı birleştirir:

İlk terim değer tahminini gerçek sonuca yaklaştırır. İkinci terim ağ politikasını MCTS dağılımına yaklaştırır. Son terim ağırlıkları düzenler. Oyunlar üretildikçe ağ güncellenir, güçlenen ağ daha kaliteli aramalar yapar ve döngü sürer.

Ancak başarı sınırsız değildir: Go’nun kuralları açık, sonuçları ölçülebilirdir ve deneyim üretmek hesaplama ister. AlphaGo’nun dersi, bütün problemleri çözen sihirli bir formül değil; öğrenme, arama ve geri bildirimin birlikte insan uzmanlığını aşabilecek kadar güçlü olabilmesidir.

Temel Mantık: Depolamak Yerine Akışı Yönetmek

Geleneksel depolamada ürün kabul edilir, stok alanına taşınır, sipariş geldiğinde toplanır ve sevk edilir. Çapraz sevkiyatta ise gelen ürünün çıkış planı mümkün olduğunca önceden bellidir. Yazılım, giriş sevkiyatlarını müşteri siparişleriyle veya dağıtım noktalarıyla eşleştirir.

Buradaki “bekletilmeden” ifadesi mutlak sıfır bekleme anlamına gelmez. Kontrol, ayrıştırma ve araç senkronizasyonu için kısa süreli tampon alanlar gerekebilir. Amaç, uzun süreli stoklamayı ortadan kaldırmaktır. Bazı operasyonlarda palet doğrudan aktarılırken bazılarında koliler farklı mağazalar için yeniden gruplanır.

Teorik Altyapı: Bir Eşleştirme ve Çizelgeleme Problemi

Operasyon, iki taraflı bir eşleştirme problemi gibi düşünülebilir: Bir tarafta gelen ürün partileri, diğer tarafta çıkış araçları vardır. Fakat hedef adresin uyuşması tek başına yetmez. Araç kapasitesi, yükleme süresi, kapı müsaitliği ve ürünün sıcaklık gereksinimi de hesaba katılmalıdır.

Basitleştirilmiş bir optimizasyon hedefi şöyle yazılabilir:

Burada $W_i$ partinin aktarmaya hazır olduktan sonraki bekleme süresi, $L_i$ ise hedeflenen çıkış zamanına göre gecikmesidir. $\alpha$ ve $\beta$, bu süreleri ortak bir maliyet ölçeğine dönüştüren ağırlıklardır. Gecikmenin ticari bedeli yüksekse ikinci ağırlık artırılır. Ancak kapasite ve güvenlik gibi sert kısıtlar, maliyet düşsün diye ihlal edilemez.

Yazılım Sahada Nasıl Çalışır?

Ön bildirim: Tedarikçiden ASN, yani ön sevkiyat bildirimi alınır. Ürün, miktar, taşıma birimi ve tahmini varış bilgileri sisteme girer.

Planlama: WMS depo içi hareketleri, TMS ise taşıma planını yönetir. Entegrasyon katmanı bunları birleştirerek ürünleri uygun çıkış seferlerine ve aktarma kapılarına atar.

Doğrulama: Kabul sırasında barkod veya RFID okutulur. Beklenen miktarla fiziksel miktar karşılaştırılır; eksik, hasarlı ya da yanlış ürünler istisna akışına alınır.

Yönlendirme: El terminali operatöre aktarım alanını gösterir. Yükleme okutması tamamlanınca sevkiyat kaydı güncellenir ve ilgili sistemlere olay gönderilir. Böylece dijital planın sahada gerçekten uygulanıp uygulanmadığı anlaşılır.

Python ile Küçük Bir Planlayıcı

Aşağıdaki örnek, hazır partileri aynı hedefe giden, zaman penceresine uyan ve yeterli ağırlık kapasitesi bulunan araçlara atar. hazir, kalkis ve son_kalkis değerleri aynı zaman dilimindeki datetime nesneleri olmalıdır.

def eslestir(partiler, araclar):
    kalan = {a["id"]: a["kapasite_kg"] for a in araclar}
    plan, istisnalar = [], []

    for parti in sorted(partiler, key=lambda p: p["hazir"]):
        uygun = [
            a for a in araclar
            if a["hedef"] == parti["hedef"]
            and parti["hazir"] <= a["kalkis"] <= parti["son_kalkis"]
            and kalan[a["id"]] >= parti["kg"]
        ]

        if not uygun:
            istisnalar.append(parti["id"])
            continue

        arac = min(uygun, key=lambda a: a["kalkis"])
        kalan[arac["id"]] -= parti["kg"]
        plan.append((parti["id"], arac["id"]))

    return plan, istisnalar

Bu, en erken uygun kalkışı seçen açgözlü bir sezgiseldir; küresel optimumu garanti etmez. hazir zamanı, gerekli kontrol ve hazırlık işlemlerinin tamamlanmasını temsil eder. Atanamayan partileri gizlemek yerine istisna listesinde döndürmesi önemlidir: Operatör alternatif sefer planlayabilir.

Gerçek sistemde hacim, palet pozisyonu, kapı çakışmaları ve yükleme süreleri de modellenmelidir. Daha karmaşık senaryolarda karma tamsayılı programlama veya kısıt programlama kullanılabilir.

Üretimde Asıl Sınav: Gecikmeler ve Veri Tutarlılığı

Giriş kamyonu geciktiğinde yazılım kalan bağlantıları yeniden değerlendirmelidir. Ancak her güncellemede bütün planı değiştirmek, sahayı dijital sandalye kapmacaya çevirebilir. Başlamış yüklemeleri sabitlemek ve yalnızca etkilenen partileri yeniden planlamak daha kontrollü bir yaklaşımdır.

Aynı barkodun tekrar okutulması stok hareketini iki kez oluşturmamalıdır. Olay kimlikleriyle idempotent işlem yapmak, eşzamanlı kapasite rezervasyonlarını veritabanı işlemleriyle korumak ve değişiklikleri denetim kaydına yazmak temel gereksinimlerdir.

Başarıyı ortalama bekleme süresi, zamanında çıkış oranı, yanlış yükleme oranı ve araç doluluğuyla ölçün. Yalnızca hızlanmak yetmez; yanlış kamyona hızlı yüklenen palet, sonuçta daha hızlı kaybolmuş sayılmaz. İyi çapraz sevkiyat yazılımı, hızı doğrulukla birlikte yönetir.

Karakteriniz duvardan geçiyor, mermiler hedefi delmeden kayboluyor veya kutular birbirinin içine yerleşiyorsa, oyun dünyanızın trafik polisi biraz uyukluyor olabilir. Çarpışma tespiti, nesnelerin geometrik olarak temas edip etmediğini belirler. İşin püf noktası yalnızca doğru cevabı bulmak değil, bunu her karede binlerce nesne için yeterince hızlı yapabilmektir.

``

Önce Geometri, Sonra Performans

Bir nesnenin ekranda görünen şekliyle çarpışma geometrisi aynı olmak zorunda değildir. Karmaşık bir karakter modeli yerine daire, kutu veya kapsül kullanabilirsiniz. Bu temsil, hesaplama maliyetini düşürür; ancak görünür şekle göre yaklaşık sonuçlar üretebilir. Dolayısıyla ilk kararınız, oyunun ne kadar geometrik hassasiyet gerektirdiğidir.

Her nesneyi diğerleriyle karşılaştırırsanız test sayısı $n(n-1)/2$ olur. Bu, $O(n^2)$ büyüme demektir: nesne sayısını ikiye katlamak, iş yükünü yaklaşık dört katına çıkarır.

AABB: Kutularla Hızlı Başlangıç

Axis-Aligned Bounding Box, kenarları koordinat eksenlerine paralel bir sınırlayıcı kutudur. İki kutunun çarpışması için hem yatay hem dikey aralıklarının örtüşmesi gerekir. Bir eksende ayrılıyorlarsa, diğer eksene bakmadan sonucu söyleyebilirsiniz.

Aşağıdaki Python kodu, dünya koordinatlarındaki iki kutuyu test eder. Sınırların doğru sıralandığını, yani minimum değerlerin maksimumlardan büyük olmadığını varsayar:

from dataclasses import dataclass

@dataclass(frozen=True)
class AABB:
    min_x: float
    min_y: float
    max_x: float
    max_y: float

def intersects(a: AABB, b: AABB) -> bool:
    separated_x = a.max_x < b.min_x or b.max_x < a.min_x
    separated_y = a.max_y < b.min_y or b.max_y < a.min_y
    return not (separated_x or separated_y)

player = AABB(0, 0, 2, 3)
wall = AABB(2, 1, 4, 5)
print(intersects(player, wall))  # True: kenarlar temas ediyor

Burada kenar teması çarpışma sayılır. Yalnızca pozitif alanlı örtüşme istiyorsanız ayırma karşılaştırmalarını <= yapabilirsiniz. Bu küçük tercih, platform oyunlarında zeminde durma davranışını bile etkileyebilir!

Daireler: Karekökü Emekliye Ayırın

İki dairenin merkezleri arasındaki uzaklık, yarıçaplarının toplamından büyük değilse daireler çarpışır. Ancak uzaklığı hesaplamak için karekök almak şart değildir:

Her iki taraf da negatif olmadığından, karelerini karşılaştırmak eşdeğerdir. Böylece gereksiz karekök işleminden kaçınırsınız. Bu yöntem toplar, basit düşmanlar ve yakınlık kontrolleri için kullanışlıdır. Üç boyutta aynı mantık kürelere uygulanır; yalnızca $z$ farkının karesi eklenir.

SAT: Dönen Nesnelerin Dedektifi

Separating Axis Theorem, iki dışbükey çokgenin çarpışmadığını göstermek için onları ayıran bir eksen arar. İki boyutta her iki çokgenin kenarlarına dik yönler aday eksenlerdir. Köşeleri bu yönlere izdüşürerek minimum ve maksimum değerlerden aralıklar oluşturursunuz.

İzdüşümün temel işlemi noktasal çarpımdır: $p = v \cdot a$. Herhangi bir eksende aralıklar ayrılıyorsa çarpışma yoktur. Bütün aday eksenlerde örtüşme varsa çokgenler kesişir; temasın dahil edilmesi yine karşılaştırma seçiminize bağlıdır.

SAT, dönen kutularda AABB’den daha hassastır. Ancak içbükey şekillere doğrudan uygulanmaz; önce dışbükey parçalara ayırmak gerekir. Ayrıca sıfır uzunluklu kenarlar gibi bozuk geometrileri temizlemelisiniz.

Asıl Kazanç: Gereksiz Testleri Eleme

Pratik sistemler iki aşama kullanır. Broad phase, çarpışma ihtimali bulunan çiftleri seçer; narrow phase, bu adaylara kesin geometrik test uygular. AABB ilk aşamada kaba sınır, ikinci aşamada ise kutu biçimli nesnenin gerçek çarpışma şekli olabilir.

Grid kullanırken nesneyi kapladığı bütün hücrelere ekleyin; yalnızca merkez hücresi yeterli değildir. Birden fazla hücrede bulunan çiftleri tekilleştirin. Bu yöntemler çoğu sahnede işi azaltır, fakat kötü dağılımlarda yine karesel maliyete yaklaşabilir.

Hızlı Mermiler ve Son Kontroller

Ayrık çarpışma tespiti yalnızca belirli zamanlardaki konumlara bakar. Hızlı bir mermi, iki kare arasında ince bir duvarı tamamen geçebilir: buna tünelleme denir. Sürekli çarpışma tespiti, hareket boyunca ilk temas zamanını araştırır; swept testler bunun için kullanılır.

Son olarak temas kurallarını tutarlı belirleyin, kayan nokta toleranslarını dünya ölçeğine göre seçin ve çarpışma şekillerini ekranda çizdirin. Görünmez trafik polisini denetlemenin en iyi yolu, ona görünür bir üniforma giydirmektir!

``

DICOM yalnızca bir dosya uzantısı değildir

DICOM, “Digital Imaging and Communications in Medicine” ifadesinin kısaltmasıdır. Tıbbi görüntülerin saklanmasını, tanımlanmasını ve sistemler arasında aktarılmasını standartlaştırır. Dosyaların .dcm uzantısı taşıması yaygındır; ancak uzantı tek başına güvenilir bir format göstergesi değildir.

Bir DICOM nesnesi, görüntü verisiyle birlikte veri elemanları içerir. Her elemanın bir etiketi, veri türü ve değeri bulunur. Örneğin (0010,0010) hasta adını, (0028,0030) piksel aralığını belirtir. Böylece yazılım, sayıları rastgele yorumlamak yerine standart bir sözlüğe başvurur.

Organizasyon genellikle hasta → çalışma → seri → nesne şeklindedir. Bir MR incelemesindeki T1 ve T2 çekimleri farklı seriler olabilir. Üstelik bir nesne her zaman tek kesit değildir: çok kareli DICOM nesneleri birden fazla görüntü barındırabilir.

Piksel değerleri neden doğrudan görüntü değildir?

Bilgisayarlı tomografide saklanan piksel değeri çoğu zaman doğrudan Hounsfield birimi değildir. Yaygın dönüşüm şöyledir:

Burada $P$ saklanan değer, $m$ RescaleSlope, $b$ ise RescaleIntercept değeridir. Örneğin $P=1024$, $m=1$ ve $b=-1024$ için sonuç $0$ HU olur; bu, yaklaşık olarak suyun değeridir. Uygulanacak dönüşüm yine nesnenin etiketlerinden doğrulanmalıdır.

MR görüntülerinde ise tüm çekimler için geçerli bir HU ölçeği bulunmaz. Sinyal; sekansa, cihaz ayarlarına ve rekonstrüksiyona bağlıdır. Dolayısıyla BT için yazılan normalizasyonu MR’a kopyalamak, kahve makinesine çay tarifi yüklemek gibidir: çalışabilir, ama beklediğiniz sonucu vermeyebilir.

Pencereleme, geniş yoğunluk aralığının seçilen bölümünü ekranda görünür yapar. Pencere merkezi $c$, genişliği $w$ ile gösterilir. Kemik ve yumuşak doku pencereleri aynı veriyi farklı aralıklarla sunar; alttaki ölçümler değişmez.

Python ile kontrollü bir ilk okuma

Aşağıdaki örnek için pip install pydicom numpy yeterlidir. Kod, tek kareli bir BT dosyasını okuyup modalite dönüşümünü uygular ve seçilen pencereyi 8 bitlik gösterim dizisine dönüştürür:

import numpy as np
import pydicom
from pydicom.pixels import apply_modality_lut

ds = pydicom.dcmread("ornek_bt.dcm")
if ds.Modality != "CT":
    raise ValueError("Bu örnek yalnızca BT içindir.")

pixels = ds.pixel_array
if pixels.ndim != 2:
    raise ValueError("Tek kareli görüntü bekleniyor.")

hu = apply_modality_lut(pixels, ds).astype(np.float32)
center, width = 40.0, 400.0
scaled = (hu - (center - 0.5)) / (width - 1) + 0.5
view = (np.clip(scaled, 0, 1) * 255).astype(np.uint8)
print(view.shape, view.dtype)

apply_modality_lut, elle katsayı çarpmaktan daha güvenli biçimde ilgili dönüşüm etiketlerini kullanır. Pencere hesabı, $w>1$ için DICOM’un LINEAR yaklaşımını izler. view gösterim içindir; nicel analizde pencereleme öncesindeki değerleri korumak gerekir. Sıkıştırılmış dosyalarda ayrıca uygun bir piksel çözücü gerekebilir.

Kesitleri birleştirirken geometriyi unutmayın

Üç boyutlu hacim oluştururken dosya adına veya yalnızca InstanceNumber değerine göre sıralamak güvenilir değildir. ImagePositionPatient ve ImageOrientationPatient, kesitlerin hasta koordinatlarındaki konumunu ve yönünü belirlemeye yardımcı olur. Konumları kesit normaline izdüşürerek sıralamak daha sağlamdır.

Piksel aralığı ve gerçek kesit konumları da önemlidir. Yanlış eksen sırası, ters yön veya göz ardı edilen düzensiz aralıklar; hacim ölçümünü ve model eğitimini bozabilir. Modeliniz anatomiyi öğrenmek yerine veri hazırlama hatalarını ezberlemesin!

Saklama, paylaşma ve mahremiyet

Hastanelerde görüntüler çoğunlukla PACS sistemlerinde yönetilir. DICOM ağ hizmetleri ve DICOMweb, görüntülerin gönderilmesini, sorgulanmasını ve alınmasını sağlar. Ancak standarda uygun olmak, otomatik olarak güvenli olmak değildir; şifreli bağlantı, erişim kontrolü ve denetim kayıtları ayrıca tasarlanmalıdır.

Araştırma öncesinde yalnızca hasta adını silmek yeterli olmaz. Özel etiketler, tarihler, kimlikler ve görüntüye gömülü yazılar da kişisel bilgi taşıyabilir. Kimliksizleştirme, ilişkileri koruyan tutarlı UID eşlemeleriyle ve uygun gizlilik profilleriyle yapılmalıdır.

Kısacası DICOM’u doğru işlemek, piksel okumaktan fazlasıdır: anlamı, geometriyi ve mahremiyeti birlikte korumaktır. Klinik kullanımda ayrıca doğrulanmış araçlar ve uzman değerlendirmesi gerekir.

``

Dosya yaşıyor, peki anlamı?

Uzun vadeli korumanın üç katmanı vardır: bitlerin bütünlüğü, içeriğin okunabilirliği ve bağlamın korunması. Bir belge değişmeden durabilir; ancak onu açan uygulama kaybolmuşsa okunabilirlik ortadan kalkar. Üstelik belgenin üreticisi, tarihi ve kullanım hakları bilinmiyorsa kültürel değeri de eksik aktarılır.

OAIS referans modeli bu süreci kavramsallaştırır: arşive teslim edilen paket, koruma bilgileriyle zenginleştirilmiş arşiv paketi ve kullanıcıya sunulan dağıtım paketi birbirinden ayrılır. OAIS hazır bir yazılım değil, sorumlulukları ve bilgi akışını tanımlayan bir çerçevedir.

Format eskimesi yalnızca dosya uzantısıyla ilgili değildir. Kodekler, yazı tipleri, eklentiler ve işletim sistemi bağımlılıkları da kaybolabilir. Bir video kapsayıcısının tanınması, içindeki görüntünün çözülebileceğini garanti etmez.

Göç mü, emülasyon mu?

İki temel yaklaşım, içeriği yeni biçime taşımak ve eski çalışma ortamını yeniden oluşturmaktır. Bunlar rakip değil, tamamlayıcı araçlardır.

Metin belgelerinde uygun PDF/A profilleri, görüntülerde TIFF, seslerde WAV veya FLAC değerlendirilebilir. Ancak hiçbir format sihirli ölümsüzlük iksiri değildir. Seçim; açıklık, araç desteği, doğrulanabilirlik ve koleksiyonun ihtiyaçlarına dayanmalıdır. Dönüştürülen dosyaları doğrulayın; sayfa sayısı, renkler, metin katmanı ve ses süresi gibi önemli özellikleri karşılaştırın. Özgün dosyayı da mutlaka koruyun.

Depolama: Tek kopya, tek macera

3-2-1 yaklaşımı iyi bir başlangıçtır: üç kopya, iki farklı ortam türü ve bir coğrafi olarak ayrı kopya. Fidye yazılımlarına karşı çevrimdışı veya değiştirilemez kopyalar da düşünülmelidir. Ancak yedekleme, tek başına dijital koruma değildir.

Bağımsız kopyaların belirli bir dönemde kaybolma olasılığı $p$ ise, $n$ kopyanın tamamının kaybolması teorik olarak:

Bu ifade yalnızca kayıplar bağımsızsa geçerlidir. Aynı binadaki sunucular yangında birlikte kaybolabilir; aynı yönetici hesabına bağlı bulut kopyaları birlikte silinebilir. Kopya sayısı kadar hata alanlarını ayırmak da önemlidir.

Python ile bütünlük kontrolü

Aşağıdaki örnek, Python 3.9 ve üzerinde dosyaların SHA-256 özetlerini kaydeder; sonraki çalıştırmalarda değişen, eksilen veya eklenen dosyaları bildirir. Büyük dosyalar belleğe bütünüyle alınmaz.

import hashlib
import json
import sys
from pathlib import Path


def digest(path):
    h = hashlib.sha256()
    with path.open("rb") as stream:
        for chunk in iter(lambda: stream.read(1024 * 1024), b""):
            h.update(chunk)
    return h.hexdigest()


root = Path(sys.argv[1]).resolve()
manifest = Path(sys.argv[2]).resolve()
if not root.is_dir():
    raise ValueError("Koleksiyon klasörü bulunamadı.")
if manifest.is_relative_to(root):
    raise ValueError("Manifesti koleksiyon dışında saklayın.")

current = {
    p.relative_to(root).as_posix(): digest(p)
    for p in sorted(root.rglob("*"))
    if p.is_file() and not p.is_symlink()
}

if sys.argv[3] == "init":
    with manifest.open("x", encoding="utf-8") as stream:
        json.dump(current, stream, ensure_ascii=False, indent=2)
else:
    expected = json.loads(manifest.read_text(encoding="utf-8"))
    changes = [
        name for name in sorted(expected.keys() | current.keys())
        if expected.get(name) != current.get(name)
    ]
    print("Değişen, eksik veya yeni dosyalar:", changes)
    sys.exit(bool(changes))

İlk kayıt için python kontrol.py koleksiyon manifest.json init, denetim için son argümanı check yapın. Manifestin yanlışlıkla üzerine yazılması engellenir. Sembolik bağlantılar kapsam dışıdır. Özetler özgünlüğü tek başına kanıtlamaz; güvenilir manifesti ayrı, korumalı bir yerde tutun. Değişiklik saptandığında inceleme yapmadan başlangıç kaydını yenilemeyin.

Arşivi yaşayan bir sisteme dönüştürün

PREMIS gibi koruma metaverisiyle dönüşümleri, kullanılan araç sürümlerini, kontrol sonuçlarını ve sorumluları kaydedin. Dosyanın özgünüyle türevi arasındaki ilişkiyi açık tutun. Şifreleme kullanıyorsanız anahtarların korunmasını ve erişim yetkilerinin devrini de planlayın.

Düzenli bütünlük taramaları, geri yükleme tatbikatları ve format risk değerlendirmeleri için takvim oluşturun. Depolama ortamlarını gerektiğinde yenileyin; telif ve kişisel veri koşullarını erişim politikalarına yansıtın. Bütçe ve görev sahipleri belirlenmeden hiçbir teknik çözüm sürdürülebilir olmaz. Başarı, gelecekteki kullanıcının yalnızca dosyayı bulması değil, içeriği doğru biçimde anlayabilmesidir.