Veri Merkezi Genişlemeleri AI Talebiyle Artıyor

AI Talebi Veri Merkezi Genişlemelerini Neden Hızlandırıyor?

Son birkaç yılda yapay zeka projeleriyle ilgilenen her ekibin ajandasına benzer bir madde eklendi: altyapı yeterli mi? Model eğitimi, büyük dil modelleri, görsel işleme, öneri motorları, sohbet botları, ses tanıma derken, veri merkezlerinin üzerine binen yük klasik web uygulamalarından çok daha agresif hale geldi. Artık tek sorun disk alanı ya da birkaç vCPU değil; GPU yoğunluğu, raf başına güç tüketimi, soğutma kapasitesi, omurga ağ hızı ve veri yerelleştirme gereklilikleri bir arada düşünülmek zorunda.

DCHost tarafında yaptığımız kapasite planlama toplantılarında da çok net görüyoruz: AI odaklı iş yükleri, geleneksel web barındırma büyümesinden kat kat daha dik bir eğri ile geliyor. Bu nedenle veri merkezi genişlemelerini eskisi gibi yalnızca yeni kabin eklemek olarak göremeyiz; mimariyi, enerji altyapısını, ağ topolojisini ve sürdürülebilirlik hedeflerini birlikte yeniden tasarlamak gerekiyor. Bu yazıda, AI talebiyle hızlanan veri merkezi genişlemelerinin arka planını, teknik gereksinimleri ve işletmeler için ne anlama geldiğini DCHost perspektifinden, sahadaki gerçek deneyimlere dayanarak detaylı şekilde ele alacağız.

AI İş Yükleri Veri Merkezini Nasıl Değiştiriyor?

Klasik web iş yüklerinden AI iş yüklerine geçiş

Uzun yıllar veri merkezlerindeki baskın iş yükü; web siteleri, veritabanları, mail sunucuları ve görece hafif API servisleriydi. Bu tür uygulamalarda kapasite planlarken tipik olarak şu metriklere bakıyorduk:

• 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) süreçleri hem yoğun hesaplama gücü hem de yüksek bant genişliği istiyor. Özellikle GPU hızlandırmalı işlemler, bir sunucunun güç tüketimini ve ısı üretimini katlayarak artırıyor. 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: Uzun süreli, yüksek yoğunluklu GPU kullanımı. Raf başına 20–40 kW güç tüketimi, yoğun ısı üretimi ve yüksek hızlı depolama gerektiriyor.
• Inference (çıkarım) servisleri: API benzeri istek-karşılık modeli. Gecikmeye duyarlı, ölçeklenebilir ve genellikle yatayda büyüyen bir yapı istiyor. Ani trafik dalgalanmaları sık.
• 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, veri merkezinde tek tip bir genişlemeyi imkansız hale getiriyor. Aynı yapılarda hem yoğun GPU rafları, hem yüksek kapasiteli depolama nodları, hem de düşük gecikmeli API node’ları bir arada tasarlanmak zorunda. DCHost olarak yeni genişleme planlarımızda kabin planlamasını bile bu üçlüye göre ayrı ayrı yapıyoruz.

Yeni Gerçek: GPU Yoğunluğu, Güç ve Soğutma Sınırları

Raf başına güç tüketimi neden patladı?

Geleneksel sunucu raflarında uzun süre 3–5 kW seviyeleri konuşulurdu; bazı yoğun ortamlarda 8–10 kW bile yüksek sayılırdı. AI odaklı GPU sunucuları ile birlikte bu tablo tamamen değişti:

• Tek bir GPU sunucu 2–3 kW üzerinde güç tüketebiliyor.
• Yoğun GPU rafları 20–40 kW aralığına rahatlıkla çıkabiliyor.
• Bu da kablo kesitlerinden PDU tasarımına, UPS kapasitelerinden trafo planlamasına kadar her katmanda mimariyi etkiliyor.

Bu noktada veri merkezi genişlemesi artık yalnızca ‘boş oda bulup kabin koymak’ değil; enerji altyapısını baştan tasarlamak anlamına geliyor. DCHost olarak yeni genişlemelerde raf başına güç yoğunluğunu baştan tanımlıyor, yüksek akım çeken rafları özel güç hatları ve izleme sensörleriyle ayrı bir sınıfta ele alıyoruz.

Soğutma: Sadece daha fazla klima eklemek çözüm değil

Güç tüketimi arttıkça soğutma ihtiyacı da katlanıyor. Geleneksel CRAC/CRAH sistemleri pek çok ortamda hala kullanılabilir olsa da, AI odaklı yüksek yoğunluklu raflar için şu stratejiler öne çıkıyor:

• Sıcak-soğuk koridor izolasyonu: Havanın kısa devre yapmasını engelleyip soğutmayı verimli hale getiriyor.
• Kapalı raf sistemleri: Özellikle 20 kW üzeri raflarda sıcak havayı raf içinde toplayıp merkezi soğutmaya yönlendirmek kritik hale geliyor.
• Sıvı soğutma: GPU yoğunluğu arttıkça doğrudan sıvı soğutmalı çözümler daha anlamlı hale geliyor.

AI talebiyle yapılan veri merkezi genişlemelerinin büyük bölümünde, soğutma tarafındaki tasarım kararları toplam yatırımın ve işletme maliyetinin ana belirleyicisi haline geliyor. Somut veri merkezi sürdürülebilirlik stratejileri anlattığımız yazıda bu konunun enerji verimliliği ve karbon ayak izi boyutuna da detaylı değinmiştik.

Güç ve soğutmayı izlemek: Sensörsüz genişleme olmaz

AI iş yükleriyle genişleyen veri merkezlerinde operasyonel hataların maliyeti çok daha yüksek. Bu yüzden raf tabanlı sensörler, akıllı PDU’lar ve ayrıntılı izleme sistemleri artık opsiyon değil, zorunluluk:

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

DCHost altyapısında yeni genişleme yapılan alanlarda, tasarım aşamasında belirlediğimiz sınırların yakınına gelindiğinde otomatik uyarılar üreten bir izleme mimarisi kuruyoruz. Böylece bir rafın sınırına gelindiğinde, oraya yeni GPU sunucu yerleştirilmeden önce kapasite yeniden değerlendirilmiş oluyor.

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

Omurga ağ: Saniyede onlarca gigabit yeni normal

Model eğitimi ve büyük veri setleri ile çalışan AI projelerinde, sunucular arası trafik klasik web uygulamalarına göre çok daha yoğun. Özellikle dağıtık eğitim senaryolarında, omurga ağın kapasitesi kritik bir darboğaz haline gelebiliyor. Bu nedenle veri merkezi genişlemelerinde şu başlıklar öne çıkıyor:

• Spine-leaf topolojiler ile yatay ölçeklenebilir ağ tasarımı
• Raf başına 10G yerine 25G/40G hatta 100G uplink senaryoları
• Doğu-batı trafiği için düşük gecikmeli switch konfigürasyonları

AI talebi arttıkça, dış dünya ile olan bağlantı kadar veri merkezinin kendi iç ağ topolojisinin de yeniden tasarlanması gerekiyor.

IPv4 kıtlığı ve IPv6 ile açılan nefes alanı

AI servisleri geliştikçe, daha fazla son kullanıcıya hizmet veren API uç noktaları, daha fazla test ve staging ortamı, daha fazla mikroservis ortaya çıkıyor. Bu da IP adres ihtiyacını artırıyor. IPv4 tarafındaki darlık ve fiyat artışları zaten başlı başına bir sorunken, AI ile bu baskı daha görünür hale geliyor.

IPv4 adres fiyatlarındaki artışın altyapıya etkileri üzerine yazımızda da anlattığımız gibi, adres havuzunu verimli kullanmak ve mümkün olan her yerde IPv6’ya geçmek kritik. AI odaklı uygulamalar tasarlarken, en baştan IPv6 desteğini zorunlu kabul etmek uzun vadede nefes aldırıyor. 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, ses asistanları gibi pek çok AI tabanlı ürün, milisaniye seviyesinde gecikmelere dahi duyarlı. 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?

DCHost tarafında AI odaklı projeleri konuşurken, yalnızca CPU/GPU tarafını değil, bu gecikme boyutunu da beraber planlamak artık standart bir pratik haline geldi.

Veri Merkezi Genişleme Stratejileri: Yatay mı Dikey mi, Bölgesel mi Küresel mi?

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

AI talebiyle hızlanan genişlemelerde karşımıza sık gelen bir soru: Tüm yatırımı tek, dev bir kampüste mi toplamak yoksa birden fazla bölgede orta ölçekli veri merkezleriyle mi ilerlemek daha mantıklı?

• Tek kampüs yaklaşımı: Operasyonel verimlilik, merkezi yönetim, büyük ölçekli altyapı yatırımlarını optimize etme avantajı sunuyor. Ancak bölgesel kesintilerde risk konsantrasyonu yüksek.
• Çok bölgeli yaklaşım: Gecikmeyi düşürmek, felaket senaryolarında dayanıklılığı artırmak ve regülasyon gereksinimlerini karşılamak için daha esnek. Ancak yönetim ve senkronizasyon karmaşıklığı artıyor.

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: AI tarafında hangisi baskın?

Web uygulamalarında uzun yıllardır yatay ölçekleme (çok sayıda daha küçük node) yaklaşımı öne çıkmıştı. AI tarafında tablo biraz daha karmaşık:

• Eğitim tarafında genellikle güçlü tekil node’lar ve bunların yüksek hızlı ağ ile birbirine bağlandığı kümeler tercih ediliyor. Yani dikey + yatay hibrit bir model söz konusu.
• Inference tarafında ise API benzeri yapılar yatayda ölçeklenmeye devam ediyor. Otomatik ölçeklendirme ve load balancer’lar burada ana rolü oynuyor.

DCHost olarak genişleme planlarımızda bu farkı doğrudan mimariye yansıtıyoruz: GPU yoğun node’lar ile hafif inference node’larının aynı raflarda değil, farklı güç/soğutma profillerine sahip segmentlerde toplanması hem işletme hem de kapasite yönetimi açısından büyük rahatlık sağlıyor.

İşletmeler İçin Anlamı: AI Projeleri ve Hosting Seçimi

Kendi veri merkezini kurmak mı, hazır altyapıyı kullanmak mı?

Gerçekçi olmak gerekirse, AI talebiyle büyüyen veri merkezi yatırımları çok büyük sermayeler gerektiriyor. Çoğu işletme için mantıklı senaryo, güvenilir bir sağlayıcının hazır altyapısını kullanmak. Burada üç tip yaklaşım öne çıkıyor:

• Yüksek performanslı VPS: Küçük ve orta ölçekli AI destekli web projeleri, basit modellerle çalışan uygulamalar ve POC (proof of concept) çalışmalarında ideal.
• Dedicated sunucu: GPU kartları veya özel depolama dizileri gerektiren, yüksek I/O isteyen, izole performans beklentisi olan projeler için mantıklı.
• Colocation: Kendi GPU sunucularını satın alıp, bunları DCHost veri merkezlerinde barındırmak isteyen işletmeler için en esnek seçenek.

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: Tipik senaryo nasıl görünüyor?

DCHost tarafında özellikle şu tür senaryoları sıkça görüyoruz:

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

Bu tip projelerde genellikle:

• 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 tercih ediliyor. Mevcut yazılarımızdan VPS ve bulut barındırma trendleri yazısında bu tür hibrit mimarilerin hangi noktalarda avantaj sağladığını daha geniş bir perspektiften anlattık.

DCHost Olarak AI Talebine Nasıl Hazırlanıyoruz?

Yüksek yoğunluklu raf tasarımı ve enerji altyapısı

DCHost olarak yeni veri merkezi genişlemelerimizi planlarken, en baştan AI iş yüklerini birincil senaryo kabul ediyoruz. Bu da şu adımları beraberinde getiriyor:

• 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

Böylece, yarın GPU ağırlıklı bir genişleme kararı aldığınızda, fiziksel altyapı bu yoğunluğu kaldıracak şekilde hâlihazırda hazır oluyor.

Ağ omurgasında AI senaryolarına göre ölçekleme

AI odaklı müşterilerimizden gelen talebe göre, omurga ağda şu kabulleri standart hale getirdik:

• Raf uplink kapasitelerini katman katman artırabilecek esnek spine-leaf tasarımlar
• Doğu-batı trafiği yoğun kümeler için ayrı, yüksek bant genişlikli segmentler
• AI kümeleri ile klasik hosting iş yüklerini ağ seviyesinde mantıksal olarak ayırmak

Bu sayede hem AI yükleri altında omurgayı tıkamadan büyüyebiliyor, hem de klasik web uygulamalarınızın performansını olumsuz etkilemeden aynı veri merkezinde bir arada tutabiliyoruz.

Sürdürülebilirlik ve maliyet dengesine odaklanmak

AI talebiyle genişleyen veri merkezlerinin en büyük risklerinden biri, enerji maliyetlerinin ve karbon ayak izinin kontrolsüz şekilde artması. DCHost olarak burada iki hedefi aynı anda kovalıyoruz:

• 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 çoğu zaman altyapıdan daha kritik hale geliyor. Şu başlıklara dikkat etmek gerekiyor:

• 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 söz konusuysa, object storage ve S3 uyumlu çözümler kritik bir bileşen haline geliyor. Bu konuda daha derinlemesine bir yaklaşım için, object storage ve veri merkezleriyle ilgili yazılarımızı da gözden geçirebilirsiniz.

3. Ağ, gecikme ve çok bölgeli mimariyi değerlendirin

AI destekli ürünlerinizin kullanıcı kitlesi global ise, tek bir lokasyonda kalmak çoğu zaman yeterli olmayabilir. Şunları tartmakta fayda var:

• 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 rehberimiz size somut kontrol listeleri ve örnek mimariler sunacaktır.

4. Maliyet ve ölçeklenebilirliği baştan konuşun

AI projelerinde sık gördüğümüz hatalardan biri, POC aşamasında küçük ölçekte çok ucuz görünen bir altyapının, üretim ortamına geçildiğinde öngörülenden kat kat pahalı hale gelmesi. Bunu önlemek 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 DCHost ekibiyle birlikte simüle edin

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 alanındaki gelişmeler, yalnızca yeni modeller, çarpıcı demolar ve ürün özellikleri anlamına gelmiyor; perde arkasında veri merkezleri için köklü bir dönüşümü de zorunlu kılıyor. GPU yoğunluğu, raf başına güç tüketimi, soğutma stratejileri, omurga ağ kapasitesi ve IP adres planlaması; hepsi birlikte yeniden tasarlanıyor. DCHost olarak biz de yeni veri merkezi genişlemelerimizi, bu gerçekliği baştan kabul ederek planlıyor, AI iş yüklerini bir yan senaryo değil, ana akım kabul ediyoruz.

Önümüzdeki dönemde ister küçük bir AI destekli web projesi hayata geçirmek isteyin, ister kendi GPU sunucularınızı veri merkezimize taşıyıp colocation ile yönetmek isteyin, kritik olan şey erken planlama ve doğru mimariyi baştan kurmak. AI talebiyle hızlanan bu dönemde altyapınızı nasıl büyüteceğinizi, hangi noktada VPS’ten dedicated sunucuya veya colocation’a geçmek isteyeceğinizi beraberce netleştirebiliriz. Projelerinizi ve büyüme hedeflerinizi DCHost ekibiyle paylaşmanız, sizin için hem teknik hem de maliyet açısından sürdürülebilir bir yol haritası çizmenin en hızlı yolu olacaktır.