Hosting

AI Odaklı Veri Merkezi Genişlemesi: Güç, Soğutma ve Ağ

AI Talebi Veri Merkezi Kapasitesini Nasıl Etkiliyor?

Yapay zeka projesi planlarken temel sorulardan biri şudur: altyapı yeterli mi? Model eğitimi, büyük dil modelleri, görsel işleme, öneri motorları, sohbet botları ve ses tanıma farklı kaynak profilleri doğurabilir. Büyük modelleri kendi altyapısında çalıştıran bir projeyle hazır model API’si kullanan uygulamanın gereksinimleri aynı değildir. GPU gereken senaryolarda disk alanı ve vCPU yanında GPU yoğunluğu, raf gücü, soğutma, ağ kapasitesi ve varsa veri yerelleştirme yükümlülükleri birlikte değerlendirilmelidir.

AI odaklı iş yükleri, özellikle büyük ölçekli model eğitiminde, geleneksel web barındırmadan farklı kapasite gereksinimleri doğurabilir. Mevcut kapasite yetersiz kaldığında genişleme yalnızca yeni kabin eklemekten ibaret olmayabilir; enerji altyapısı, ağ topolojisi, soğutma ve sürdürülebilirlik hedefleri birlikte ele alınmalıdır. Bu yazıda bu teknik gereksinimleri, genişleme seçeneklerini ve işletmelerin hosting seçimine etkilerini inceleyeceğiz.

AI İş Yükleri Veri Merkezini Nasıl Değiştiriyor?

Klasik web iş yüklerinden AI iş yüklerine geçiş

Web siteleri, veritabanları, mail sunucuları ve API servisleri için kapasite planlarken tipik olarak şu metriklere bakılır:

  • vCPU sayısı ve saatlik ortalama CPU kullanımı
  • RAM kullanım profili (zirve yükler, cache boyutları)
  • Disk IOPS ve ardışık okuma/yazma performansı
  • Gelen-giden trafik ve bant genişliği gereksinimi

AI iş yükleri ise bu tablonun dengesini kökten değiştiriyor. Model eğitimi ve çıkarım (inference) süreçlerinin gereksinimleri modelin boyutuna ve kullanım biçimine bağlı; büyük modeller hem yoğun hesaplama gücü hem de yüksek bant genişliği isteyebiliyor. Özellikle çok GPU’lu sunucular, güç tüketimini ve ısı üretimini önemli ölçüde artırabiliyor. Yani artık kabine bir sunucu daha koymak, yalnızca U yüksekliği ve port sayısı meselesi değil; enerji ve soğutma kapasitesi sorunu haline geliyor.

Eğitim, çıkarım ve veri boru hatları: Üç farklı yük profili

AI tarafında kabaca üç tür iş yüküyle karşılaşıyoruz ve her biri veri merkezi genişlemesini farklı şekilde etkiliyor:

  • Model eğitimi: Büyük modellerde uzun süreli, yüksek yoğunluklu GPU kullanımı öne çıkıyor. Raf başına güç tüketimi, soğutma ve depolama gereksinimleri donanıma, modelin boyutuna ve raf yerleşimine göre değişiyor.
  • Inference (çıkarım) servisleri: Çevrimiçi çıkarımda API benzeri istek-karşılık modeli, düşük gecikme ve trafik dalgalanmalarına göre ölçeklenme öne çıkıyor. Toplu çıkarımda ise tek isteğin gecikmesinden çok toplam işlem hacmi belirleyici olabiliyor.
  • Veri hazırlama ve boru hatları: Büyük veri setlerinin toplanması, temizlenmesi, dönüştürülmesi. Depolama kapasitesi, disk I/O ve ağ throughput burada belirleyici.

Bu üç yük profili, kapasite planlamasında farklı öncelikler doğuruyor. Aynı tesiste barındırıldıklarında yoğun GPU rafları, yüksek kapasiteli depolama nodları ve düşük gecikmeli API node’ları birlikte değerlendirilmelidir. Kabin yerleşimi bu bileşenlerin güç, soğutma ve bağlantı ihtiyaçlarına göre planlanabilir.

GPU Yoğunluğu, Güç ve Soğutma Sınırları

Raf başına güç tüketimi nasıl planlanmalı?

Raf güç bütçesi, sunucuların donanımına, yük profiline ve yerleşimine göre belirlenmelidir. Aşağıdaki değerler yalnızca farklı yoğunlukları karşılaştıran planlama örnekleridir; tarihsel ortalama, yeterlilik hedefi veya üst sınır değildir:

  • 3–5 kW veya 8–10 kW raf bütçeleriyle 20–40 kW bütçeler, farklı güç ve soğutma tasarımları gerektirir.
  • Örneğin sunucu başına 2–3 kW varsayımıyla yapılan hesap, gerçek GPU donanımının daha yüksek güç ihtiyacını karşılamayabilir. Üretici gereksinimleri, tepe yük ve raftaki diğer cihazlar ayrıca hesaba katılmalıdır.
  • Raf bütçesi; kablo kesitlerini, PDU tasarımını, UPS kapasitesini ve trafo planlamasını etkiler.

Bu noktada veri merkezi genişlemesi artık yalnızca ‘boş oda bulup kabin koymak’ değil; enerji altyapısının kapasitesini değerlendirmeyi ve gerektiğinde yeniden tasarlamayı da gerektiriyor. Yeni genişlemelerde raf başına güç yoğunluğu baştan tanımlanmalı; yüksek akım çeken raflar için özel güç hatları ve izleme sensörleri tasarım seçenekleri olarak değerlendirilmelidir.

Soğutma: Sadece daha fazla klima eklemek çözüm değil

Elektrik tüketimi arttıkça uzaklaştırılması gereken ısı da artar. Geleneksel CRAC/CRAH sistemlerinin yeterliliği tesis tasarımına ve raf ısı yüküne bağlıdır. Yüksek yoğunluklu raflar için şu seçenekler değerlendirilebilir:

  • Sıcak-soğuk koridor izolasyonu: Havanın kısa devre yapmasını engelleyip soğutmayı verimli hale getiriyor.
  • Kapalı raf sistemleri: Yüksek yoğunluklu raflarda sıcak havayı kontrollü biçimde toplayıp soğutma sistemine yönlendirmek bir seçenek. Uygunluk, rafın ısı yüküne ve tesisin soğutma tasarımına bağlı.
  • Sıvı soğutma: GPU yoğunluğu arttıkça doğrudan sıvı soğutmalı çözümler daha anlamlı hale geliyor.

AI talebiyle yapılan veri merkezi genişlemelerinde soğutma tasarımı, yatırım ve işletme maliyetini etkileyen önemli etkenlerden biri. Somut veri merkezi sürdürülebilirlik stratejileri anlattığımız yazıda bu konunun enerji verimliliği ve karbon ayak izi boyutuna da detaylı değinmiştik.

Güç ve soğutmayı izlemek: Sensörler ve alarmlar

AI iş yükleriyle yoğunluğu artan veri merkezlerinde güç veya soğutma sınırlarının aşılması ciddi kesintilere yol açabilir. Raf tabanlı sensörler, akıllı PDU’lar ve ayrıntılı izleme sistemleri bu riski yönetmek için kullanılabilir:

  • Her raf için anlık ve tarihsel güç tüketimi grafikleri
  • Sıcaklık ve nem sensörleriyle sıcak-soğuk noktaların tespiti
  • Alarm eşikleriyle proaktif kapasite yönetimi

İzleme mimarisi, tasarım aşamasında belirlenen güç ve soğutma sınırlarına yaklaşıldığında otomatik uyarı üretecek şekilde kurulabilir. Bu uyarılar, yeni GPU sunucu yerleştirilmeden önce raf kapasitesinin yeniden değerlendirilmesini tetikleyen bir operasyon sürecine bağlanmalıdır.

AI Çağında Ağ Altyapısı: Bant Genişliği, Gecikme ve IP Stratejisi

Omurga ağ: Dağıtık eğitimde bant genişliği ihtiyacı

Dağıtık model eğitiminde GPU’ların sunucular arasında veri alışverişi yapması, iletişim ağını darboğaza dönüştürebilir. Veri seti aktarımını, API erişimini ve yönetimi taşıyan genel veri merkezi ağı ile GPU’lar arası eğitim iletişiminin gereksinimleri ayrı hesaplanmalıdır. Aynı fiziksel ağ kullanılacaksa kapasite paylaşımı da değerlendirilmelidir:

  • Genel veri merkezi ağı için yatay ölçeklenebilir spine-leaf topolojileri
  • Genel raf uplink’lerinde 10G, 25G, 40G veya 100G gibi kapasite seçenekleri; bunlar dağıtık eğitim için yeterlilik hedefi değildir
  • Eğitim ağı için GPU sayısı, sunucu başına bağlantı kapasitesi, iletişim profili, gecikme ve ortak bağlantılardaki kapasite paylaşımına göre ayrı boyutlandırma; büyük kümelerde bu örneklerden çok daha yüksek kapasiteler gerekebilir
  • Doğu-batı trafiği için düşük gecikmeli switch konfigürasyonları

AI talebi arttıkça, dış dünya ile olan bağlantı kadar veri merkezinin kendi iç ağ topolojisinin de kapasite ve gecikme hedefleri açısından değerlendirilmesi gerekiyor.

IPv4 kıtlığı ve IPv6 ile açılan nefes alanı

Bir AI projesine yeni API uç noktaları, test ve staging ortamları veya mikroservisler eklendiğinde IP adres planı da gözden geçirilmelidir. Ancak her uç nokta veya mikroservis için ayrı bir genel IP gerekmez. Ortak giriş noktaları ve özel ağlar adres ihtiyacını sınırlayabilir. IPv4 adres havuzundaki darlık nedeniyle genel adres gereksinimi mimariye göre hesaplanmalıdır.

IPv4 adres fiyatlarındaki artışın altyapıya etkileri üzerine yazımızda da anlattığımız gibi, adres havuzunu verimli kullanmak ve IPv6 desteğini planlamak önemli. Geçiş biçimi, istemcilerin ve bağımlı servislerin IPv6 erişimine göre seçilmeli; yalnızca IPv4 kullanan istemcilere erişim gerekiyorsa bu erişim korunmalı. Bu konuda karar vermeye çalışıyorsanız, IPv6-only ve dual-stack hosting değerlendirmesi rehberimizi mutlaka gözden geçirmenizi öneririz.

AI API’leri ve gecikme hassasiyeti

Gerçek zamanlı öneri sistemleri, sohbet botları ve ses asistanları gibi AI tabanlı ürünlerde yanıt süresi önemli; kabul edilebilir gecikme bütçesi uygulamaya göre değişiyor. Bu da veri merkezi genişlemelerinde şu soruları öne çıkarıyor:

  • Sunucu lokasyonları son kullanıcıya yeterince yakın mı?
  • Backbone sağlayıcıları arasında doğru peering ve rota seçimi yapıldı mı?
  • Çok bölgeli mimari veya edge nodları ne zaman devreye alınmalı?

AI odaklı projelerde CPU/GPU kapasitesi ile ağ gecikmesi birlikte planlanmalı; toplam yanıt süresinde modelin işlem süresi ve kuyrukta bekleme de hesaba katılmalıdır.

Veri Merkezi Genişleme Stratejileri

Tek büyük kampüs mü, çoklu orta ölçekli veri merkezleri mi?

AI iş yükleri için tesis kapasitesi artırılacaksa önemli bir karar şudur: Yatırımı tek büyük kampüste toplamak mı, birden fazla bölgede orta ölçekli veri merkezleriyle ilerlemek mi hedeflere daha uygundur?

  • Tek kampüs yaklaşımı: Merkezi yönetim ve altyapı yatırımlarında operasyonel verimlilik sağlayabilir. Ancak bölgesel kesinti riski tek yerde yoğunlaşır.
  • Çok bölgeli yaklaşım: Uygun yönlendirme, replikasyon ve failover tasarımıyla kullanıcı gecikmesini azaltmayı ve dayanıklılığı destekleyebilir. Yönetim ve senkronizasyon karmaşıklığı artar; veri yerelleştirme yükümlülükleri bölgeler arası aktarımı sınırlayabilir.

Veri merkezi genişlemelerini ne zaman ve nasıl yapmak gerektiğini anlattığımız yazımızda bu kararı daha genel hatlarıyla ele almıştık. AI talebi bu denklemde gecikme, bant genişliği ve GPU yoğunluğu gibi ekstra parametreler ekliyor; ama temelde aynı karar noktaları geçerli.

Yatay ve dikey ölçekleme: İş yüküne göre seçim

Dikey ölçekleme tek sunucunun kaynaklarını artırmayı, yatay ölçekleme ise birden fazla sunucu kullanmayı ifade eder. AI projelerinde seçim, modelin kaynak ihtiyacına ve işin bölünebilirliğine bağlıdır:

  • Eğitim tarafında model tek sunucuya sığabilir veya birden fazla sunucuya dağıtılabilir. Güçlü node’ları hızlı bir eğitim ağıyla birleştirmek, yazılım ve model destekliyorsa dikey ve yatay ölçeklemeyi birlikte kullanma seçeneğidir.
  • Inference tarafında model kopyaları arasında yük dengeleme ve otomatik ölçeklendirme kullanılabilir. Ancak büyük modeller tek node’a sığmayabilir; bellek ihtiyacı, modelin dağıtılması ve yeni kopyaların hazırlanma süresi ayrıca planlanmalıdır.

GPU yoğun node’lar ile hafif inference node’larını farklı güç/soğutma profillerine sahip segmentlerde toplamak, işletme ve kapasite yönetimini kolaylaştırabilecek bir tasarım seçeneğidir. Ayrım, yalnızca eğitim veya inference etiketine değil, gerçek donanım ve yük gereksinimlerine göre yapılmalıdır.

İşletmeler İçin Anlamı: AI Projeleri ve Hosting Seçimi

Kendi veri merkezini kurmak mı, hazır altyapıyı kullanmak mı?

Kendi veri merkezini kurmak sermaye ve sürekli operasyon kapasitesi gerektirir. Hazır altyapı kullanmak bu yükün bir bölümünü sağlayıcıya bırakabilir; uygunluk toplam maliyet, kontrol ihtiyacı ve ekip yetkinliğine bağlıdır. Üç seçenek değerlendirilebilir:

  • Yüksek performanslı VPS: Küçük ve orta ölçekli AI destekli web projelerinin uygulama katmanı, basit modeller ve POC (proof of concept) çalışmaları için kaynak gereksinimleri karşılandığında uygun olabilir.
  • Dedicated sunucu: GPU kartları veya özel depolama dizileri gerektiren, yüksek I/O isteyen, izole performans beklentisi olan projelerde, seçilen donanım bu gereksinimleri karşılıyorsa mantıklı.
  • Colocation: Kendi GPU sunucularını satın alıp bir veri merkezinde barındırmak isteyen işletmeler için bir seçenek. Tesisin raf gücü, soğutma ve bağlantı kapasitesinin donanıma uygunluğu doğrulanmalı.

Hangi yolu seçeceğiniz; bütçe, regülasyon, performans hedefleri ve ekibinizin teknik yetkinliğine göre değişiyor. Burada önemli nokta, AI iş yükünüzün profilini doğru tarif etmek ve buna göre plan yapmak.

AI destekli web projeleri için mimari örneği

AI destekli web projelerine şu senaryolar örnek verilebilir:

  • Mevcut bir e-ticaret sitesine öneri motoru eklemek
  • Destek ekibine yardımcı olacak sohbet botu entegrasyonu
  • Görsel sınıflandırma ile ürün etiketlemesini otomatikleştirmek

Örneğin, modeli kendi altyapısında GPU ile çalıştırmayı seçen bir proje için:

  • Uygulama katmanı için bir veya birkaç NVMe diskli VPS
  • Veritabanı için ayrı, optimize edilmiş bir VPS veya dedicated sunucu
  • AI model servisleri için GPU barındıran dedicated sunucu veya colocation

şeklinde üç katmanlı bir mimari kurulabilir. Bu bir tasarım örneğidir; seçilecek planın GPU, bellek, depolama ve bağlantı gereksinimlerini karşılayıp karşılamadığı doğrulanmalıdır. Hazır model API’si kullanılıyorsa yerel GPU katmanı gerekmeyebilir. Mevcut yazılarımızdan VPS ve bulut barındırma trendleri yazısı, barındırma seçeneklerini daha geniş çerçevede ele alır.

Veri Merkezi Altyapısı AI Talebine Nasıl Hazırlanabilir?

Yüksek yoğunluklu raf tasarımı ve enerji altyapısı

Yeni veri merkezi genişlemelerinde AI iş yükleri hedefleniyorsa, güç ve soğutma planlamasında şu adımlar değerlendirilebilir:

  • Raf başına hedef güç yoğunluğunu klasik sunucular ve GPU rafları için ayrı ayrı tanımlamak
  • Yedekli güç hatları, akıllı PDU’lar ve detaylı güç izleme ile kapasiteyi anlık görmek
  • Sıcak-soğuk koridor izolasyonu ve gerektiği yerlerde kapalı raf çözümleri kullanmak

Bu adımlar GPU ağırlıklı genişlemeye hazırlığı destekler; fiziksel altyapının yeterliliği, hedef donanımın güç ve soğutma gereksinimleriyle karşılaştırılarak doğrulanmalıdır.

Ağ omurgasında AI senaryolarına göre ölçekleme

AI iş yüklerinin trafik profiline göre omurga ağda şu tasarım seçenekleri değerlendirilebilir:

  • Genel raf uplink kapasitelerini artırabilecek esnek spine-leaf tasarımlar
  • GPU’lar arası eğitim iletişimi için ayrıca boyutlandırılmış bağlantılar; GPU sayısı, iletişim profili, gecikme ve ortak ağ kapasitesinin birlikte değerlendirilmesi
  • Doğu-batı trafiği yoğun kümeler için yüksek bant genişlikli segmentler veya gereksinime göre ayrı fiziksel eğitim ağı
  • AI kümeleri ile klasik hosting iş yüklerinin ağ seviyesinde mantıksal olarak ayrılması

Bu tasarımlar, AI yükleriyle klasik web uygulamalarının aynı veri merkezinde birlikte çalışmasını destekleyebilir. Mantıksal ayrım tek başına performans yalıtımı sağlamaz; ortak bağlantıların kapasitesi ve trafik yönetimi de planlanmalıdır.

Sürdürülebilirlik ve maliyet dengesine odaklanmak

AI iş yükleri için kapasite artırılırken enerji maliyetleri ve karbon ayak izi de büyüyebilir. Bu riski azaltmak için iki hedef birlikte ele alınabilir:

  • Enerji verimliliği yüksek donanımlar ve soğutma tasarımlarıyla işletme maliyetini düşürmek
  • Yenilenebilir enerji kaynaklarını mümkün olan en yüksek oranda kullanarak çevresel etkiyi azaltmak

Bu yaklaşımı daha geniş çerçevede görmek isterseniz, veri merkezi sürdürülebilirlik girişimleri üzerine detaylı rehberimizi okumanızı öneririz.

Altyapınızı AI Dalgasına Hazırlamak İçin Yol Haritası

1. İş yükü profilinizi netleştirin

İlk adım, AI tarafında ne yapmayı planladığınızı gerçekten netleştirmek:

  • Sadece hazır modelleri çağıran bir API tüketicisi misiniz?
  • Kendi modellerinizi eğitiyor musunuz, yoksa yalnızca ince ayar (fine-tuning) mı yapacaksınız?
  • Gerçek zamanlı yanıt zorunlu mu, yoksa asenkron işler kabul edilebilir mi?

Bu sorulara vereceğiniz cevaplar; VPS mi, dedicated sunucu mu, yoksa colocation mı tercih edeceğinizi doğrudan etkiliyor.

2. Depolama ve veri boru hatlarını planlayın

AI projelerinde verinin yaşam döngüsü, hesaplama kapasitesiyle birlikte planlanmalıdır. Şu başlıklar değerlendirilmelidir:

  • Ham veri, işlenmiş veri ve model artefact’ları için ayrı depolama sınıfları
  • Sıcak, soğuk ve arşiv depolama stratejileri
  • Yedekleme ve felaket kurtarma planları

Büyük veri setleri ve model artefact’ları için object storage ve S3 uyumlu çözümler değerlendirilebilir. Uygunluk erişim biçimine, gecikmeye ve veri aktarım maliyetine bağlıdır; eğitim sırasında gereken hızlı yerel depolama veya önbelleğin yerini her durumda tutmaz. Daha fazla ayrıntı için object storage ve veri merkezleriyle ilgili yazılarımızı da gözden geçirebilirsiniz.

3. Ağ, gecikme ve çok bölgeli mimariyi değerlendirin

Global kullanıcı kitlesi tek başına çok bölgeli mimari gerektirmez. Tek lokasyonun gecikme ve erişilebilirlik hedeflerini karşılayıp karşılamadığı değerlendirilerek şu seçenekler tartılabilir:

  • Kritik API’ler için kullanıcıya en yakın veri merkezi lokasyonları
  • Çok bölgeli replikasyon, DNS yönlendirme ve otomatik failover senaryoları
  • Veri yerelleştirme ve regülasyon gereksinimlerinin bölgesel etkileri

Bu tip karmaşık senaryoları planlarken, AI dalgasına hazırlanmak için detaylı altyapı rehberimizi de inceleyebilirsiniz.

4. Maliyet ve ölçeklenebilirliği baştan konuşun

AI projelerinde bir maliyet riski, POC aşamasında küçük ölçekte ucuz görünen altyapının üretim ortamında beklenenden çok daha pahalı hale gelmesidir. Bu riski azaltmak için:

  • Kullanacağınız model başına tahmini CPU/GPU süresini ve trafik maliyetini kabaca hesaplayın
  • Ölçek büyüdükçe VPS’ten dedicated sunucuya veya colocation’a geçmenin maliyet kırılma noktalarını belirleyin
  • Kısa ve orta vadeli büyüme senaryolarını farklı kaynak kullanımı ve fiyat varsayımlarıyla karşılaştırın

Böylece, veri merkezi tarafında yapılacak genişlemelerin bütçe üzerindeki etkisini önceden görüp, zamana yayılmış bir yatırım planı oluşturabilirsiniz.

Sonuç: AI Sadece Model Değil, Altyapı Kararıdır

AI projesi yalnızca model seçimi değil, altyapı kararı da gerektirir. Büyük modelleri yerel olarak çalıştırmak GPU yoğunluğunu, raf gücünü ve soğutma ihtiyacını artırabilir; hazır model API’leri kullanan uygulamaların yerel kaynak profili farklıdır. Genişleme gerektiğinde güç, soğutma, depolama, genel ağ ve eğitim iletişim ağı birlikte planlanmalı; IP adres ihtiyacı mimariye göre hesaplanmalıdır.

İster küçük bir AI destekli web projesi geliştirin, ister kendi GPU sunucularınızı colocation ile barındırın, başlangıç noktası iş yükünün gereksinimleridir. VPS, dedicated sunucu ve colocation seçeneklerini bu gereksinimlere göre karşılaştırın. Teknik ve mali açıdan sürdürülebilir bir yol haritası için güç, soğutma, depolama, ağ ve toplam maliyeti seçilen altyapının kapasitesiyle birlikte değerlendirin; büyüme kararını kapasite ve bütçe hedeflerine dayandırın.

Sıkça Sorulan Sorular

Büyük ölçekli model eğitimi, yoğun GPU kullanımıyla raf gücü ve soğutma ihtiyacını artırabilir. Dağıtık eğitimde GPU'lar arası iletişim ağı ayrıca boyutlandırılmalıdır; genel raf uplink hızları tek başına yeterlilik ölçütü değildir. Veri hazırlamada depolama ve disk I/O kapasitesi önem kazanır. Genişleme kararı, bu gereksinimlerin mevcut kapasiteyle karşılaştırılmasına bağlıdır.

KOBİ'ler için önemli olan, genişleme yatırımlarının otomatik olarak daha ucuz veya uygun hizmet sağlayacağını varsaymadan plan seçmektir. Hazır model API'lerini kullanan uygulamayla kendi GPU sunucusunda model çalıştıran projenin ihtiyaçları farklıdır. VPS, dedicated sunucu veya colocation seçerken kaynak kapasitesi, bütçe, regülasyon ve ekibin teknik yetkinliği birlikte değerlendirilmelidir.

Kaynak gereksinimleri karşılanıyorsa uygulama katmanı, basit modeller ve POC çalışmaları için VPS uygun olabilir. GPU, özel depolama veya izole performans gereken projelerde, bu donanımı sağlayan dedicated sunucular değerlendirilebilir. GPU gereksinimi herhangi bir dedicated sunucunun uygun olduğu anlamına gelmez. Seçim, gerçek iş yükü ve büyüme maliyetleri üzerinden yapılmalıdır.

Colocation, kendi GPU sunucularını satın alıp bir veri merkezinde barındırmak isteyen işletmelere bir seçenek sunar. İşletme donanımını seçerken tesisin güç, soğutma ve bağlantı altyapısından yararlanır. Ancak raf kapasitesinin seçilen donanıma uygunluğu doğrulanmalı; bütçe, regülasyon ve operasyonel yetkinlik ayrıca değerlendirilmelidir.
↑