AWS Bedrock, Azure OpenAI ve Vertex AI: Hangisini Seçmeli?

Büyük bir yapay zeka projesi başlatmadan önce vermeniz gereken en kritik teknik kararlardan biri platform seçimidir. AWS Bedrock, Azure OpenAI Service ve Google Vertex AI, her üçü de kurumsal sınıf güvenlik, LLM API’leri ve yönetilen altyapı vaat ediyor. Fiyatlandırma modelleri, desteklenen modeller, ekosistem entegrasyonları ve özelleştirme olanakları bakımından ise ciddi farklılıklar var.

Neden Bulut AI Platform Seçimi Önemli?

On yıl önce makine öğrenmesi altyapısı kurmak altı ay sürebiliyordu. Bugün aynı iş bir API anahtarıyla birkaç dakikaya iniyor. Ama bu kolaylık beraberinde yeni bir zorluk getiriyor: hangi platformun ekosistemini seçtiğiniz, gelecekteki veri taşıma maliyetlerinizi, entegrasyon yük miktarınızı ve tedarikçi bağımlılığı riskinizi belirliyor.

Kurumsal bir yapay zeka projesinde platform değiştirmek sadece kod yeniden yazmaktan ibaret değil. Model ince-ayarları, vektör veritabanı yapılandırmaları, IAM politikaları, SLA sözleşmeleri ve iç denetim kayıtları yeniden kurulması gereken katmanlar oluyor. Bu yüzden baştan doğru seçimi yapmak kritik.

Platform seçiminde öne çıkan faktörler:

• Mevcut bulut altyapınız (AWS, Azure veya GCP)
• Kullanmak istediğiniz model ailesi (Claude, GPT, Gemini veya açık kaynak)
• Güvenlik ve uyumluluk gereksinimleri (HIPAA, SOC 2, GDPR)
• İnce ayar ve MLOps yetenekleri
• Fiyat/token ve toplam sahip olma maliyeti

AWS Bedrock: Güvenlik Öncelikli Kurumsal Seçim

AWS Bedrock, Amazon’un 2023’te genel kullanıma açtığı yönetilen AI hizmeti. Temel felsefesi net: kendi modelinizi eğitmeksizin üçüncü taraf ve Amazon’un kendi modellerine tek bir API üzerinden erişim. Bedrock’ı kurumsal altyapılarda cazip kılan temel özellik güvenlik mimarisi.

Model Kataloğu ve Desteklenen LLM’ler

Bedrock’ın önemli avantajlarından biri çok satıcılı model erişimi. Aynı API çatısı altında şu modeller mevcut (Temmuz 2026 itibarıyla):

• Anthropic Claude 3.5 Sonnet, Claude 3 Haiku: Dengeli maliyet/performans için yaygın tercih
• Meta Llama 3.1 (8B, 70B, 405B): Açık ağırlıklı modeller, ince ayar esnekliği
• Mistral Large 2: Avrupa merkezli şirketler için uyumlu seçenek
• Amazon Titan: Embedding ve metin üretme için AWS’nin kendi modeli
• Cohere Command R+: RAG odaklı işler için güçlü bir tercih
• AI21 Jamba 1.5: Uzun bağlam penceresi ihtiyacı için

GPT-4o ve Gemini bu katalogda yer almıyor. Azure OpenAI ve Vertex AI’ya kıyasla OpenAI ve Google modellerine Bedrock üzerinden erişemiyorsunuz.

Güvenlik, Uyumluluk ve VPC Entegrasyonu

Bedrock’ı kurumsal ortamlarda öne çıkaran asıl etken güvenlik katmanı. Dikkat çeken özellikler:

• VPC endpoint desteği: Bedrock API çağrılarınızı tamamen özel ağ içinde tutabilirsiniz; verileriniz genel internet üzerinden geçmiyor.
• AWS PrivateLink: Şirket içi veri merkezinizden doğrudan AWS’ye özel bağlantı kurabilirsiniz.
• IAM entegrasyonu: Her API çağrısını AWS kimlik ve erişim yönetimi politikalarıyla denetleyebilirsiniz.
• Şifreleme: Veriler hem aktarımda hem durağan halde AWS KMS anahtarlarıyla şifreleniyor.
• Guardrails for Bedrock: Hassas veri filtreleme, hallucination azaltma ve içerik politikaları için özel katman.

Uyumluluk sertifikaları: HIPAA, SOC 1/2/3, PCI DSS, ISO 27001, FedRAMP.

Fiyatlandırma ve AWS Ekosistemi

Bedrock token bazlı fiyatlandırma kullanıyor. Claude 3.5 Sonnet için örnek fiyat (kaynak: AWS Bedrock Fiyatlandırma):

• Giriş: $3.00 / 1M token
• Çıkış: $15.00 / 1M token

AWS ekosisteminde çalışıyorsanız Bedrock’ın S3, Lambda, SageMaker ve Step Functions ile doğal entegrasyonu ek değer katıyor. Örneğin S3’teki belgeleri doğrudan Knowledge Bases’e bağlayarak yönetilen bir RAG mimarisi kurabilirsiniz.

Azure OpenAI Service: Microsoft Ekosistemi İçin Tercih

Azure OpenAI Service, Microsoft’un OpenAI ile kurumsal ortaklığının somut ürünü. GPT ailesi modellerini Azure altyapısında çalıştırmanızı sağlıyor; standart OpenAI API’sinden farklı olarak kurumsal güvenlik, uyumluluk ve SLA garantileri içeriyor.

Desteklenen Modeller (GPT-4o, o3, DALL-E, Whisper)

Azure OpenAI’nın model listesi doğrudan OpenAI’ın üretim modellerinden oluşuyor (Temmuz 2026):

• GPT-4o ve GPT-4o mini: Metin ve görsel anlama, en popüler kurumsal tercih
• o3 ve o3-mini: Akıl yürütme odaklı görevler için optimize edilmiş
• GPT-4 Turbo: Uzun bağlam penceresi (128K token)
• DALL-E 3: Görsel üretim
• Whisper: Ses-metin dönüşümü
• text-embedding-3-large: Vektör arama ve semantik eşleştirme

Claude veya açık kaynak modellere burada erişemiyorsunuz. OpenAI modellerini kurumsal SLA garantisiyle kullanmanız gerekiyorsa Azure OpenAI, doğrudan OpenAI API’sinden daha güvenli ve sözleşmeye uygun bir ortam sunuyor.

Microsoft 365 ve Azure AD Entegrasyonu

Azure OpenAI’yı kurumsal kullanım için cazip kılan entegrasyon derinliği:

• Azure Active Directory (Entra ID): Tek oturum açma, MFA ve koşullu erişim politikaları üzerinden kullanıcı yönetimi.
• Microsoft Fabric / Copilot Stack: Power BI, Teams ve SharePoint ile AI özelliklerini birleştirmek isteyen ekipler için hazır kütüphane.
• Azure DevOps ve GitHub Copilot: CI/CD pipeline’larına doğrudan AI entegrasyonu.
• Azure Cognitive Services: Metin analizi, çeviri, form tanıma ve konuşma tanıma ile birlikte çalışma.

Microsoft 365 ve Azure altyapısına yoğun yatırım yapmış şirketler için bu entegrasyonlar platform değiştirme maliyetini düşürüyor.

Güvenlik ve Fiyatlandırma

Azure OpenAI güvenlik sertifikaları bakımından güçlü: HIPAA, FedRAMP High, ISO 27001, SOC 1/2/3, PCI DSS. Azure Private Endpoint desteğiyle API trafiğini özel ağda tutabilirsiniz.

Fiyatlandırma (kaynak: Azure OpenAI Fiyatlandırma):

• GPT-4o: Giriş $2.50 / 1M token, Çıkış $10.00 / 1M token
• GPT-4o mini: Giriş $0.15 / 1M token, Çıkış $0.60 / 1M token

Provisioned Throughput Units (PTU) modeliyle rezervasyon alarak daha düşük birim maliyet elde etmek mümkün; aylık sabit hacimde işlem yapan kurumlar için bu mantıklı bir seçenek.

Google Vertex AI: Geniş ML Araç Seti

Google Vertex AI, diğer iki platformdan farklı olarak yalnızca bir model API’si değil. Vertex AI, model eğitiminden dağıtımına, izleme ve yeniden eğitime kadar tam MLOps döngüsünü kapsayan bir platform. Bu yapı onu özellikle kendi modellerini eğitmek ya da karmaşık ML iş akışları yönetmek isteyen veri bilimi ekipleri için güçlü bir seçenek haline getiriyor.

Model Garden ve Gemini Ailesi

Vertex AI’nın Model Garden kataloğu (Temmuz 2026):

• Gemini 1.5 Pro ve Flash: Google’ın amiral gemisi modelleri, 1M token bağlam penceresi
• Gemini 2.0 Flash: Hızlı çıkarım, düşük gecikme odaklı
• Imagen 3: Görsel üretim
• Chirp 2: Ses tanıma
• Codey: Kod üretimi ve tamamlama
• Meta Llama, Mistral, Falcon: Model Garden üzerinden açık kaynak modeller

Gemini’nin 1M token bağlam penceresi uzun doküman analizi, kod tabanı anlama ve büyük veri kümelerinde arama için avantaj sunuyor. Detaylar için uzun bağlam LLM rehberimize bakabilirsiniz.

BigQuery ve GCP Entegrasyonu

Vertex AI’da dikkat çeken bir özellik GCP entegrasyonu:

• BigQuery ML: SQL sorgularıyla doğrudan model çalıştırma. SELECT * FROM ML.GENERATE_TEXT(...) formatındaki sorgularla veri analizine AI katmak mümkün.
• Cloud Storage: Büyük veri setlerini doğrudan Vertex AI pipeline’larına bağlama.
• Dataflow ve Dataproc: Batch ve streaming veri işleme ile AI entegrasyonu.
• Cloud Spanner ve Bigtable: Düşük gecikme gerektiren gerçek zamanlı uygulamalar için veritabanı katmanı.

Veri mühendisliği altyapısını GCP üzerinde kurmuş şirketler için bu entegrasyonlar ciddi verimlilik farkı yaratıyor.

AutoML ve MLOps Araçları

Vertex AI’nın ayırt edici özelliklerinden biri özel model eğitimini destekleyen araç kümesi:

• Vertex AI Training: Özel model eğitimi için yönetilen GPU/TPU altyapısı.
• Vertex AI Pipelines (Kubeflow tabanlı): ML iş akışlarını kodla tanımlayıp tekrar çalıştırılabilir pipeline’lara dönüştürme.
• Model Registry: Tüm model versiyonlarını izleme, A/B test ve üretim geçişi yönetimi.
• Feature Store: Merkezi özellik depolama ve paylaşım.
• Explainability: Model tahmin açıklama araçları; finans ve sağlık sektörü uyumluluk gereksinimleri için özellikle değerli.

LLMOps ihtiyaçlarınız karmaşıklaştıkça bu araç seti değer kazanıyor. Üretimde model yönetimi konusunda bir perspektif için LLMOps nedir rehberimizi inceleyebilirsiniz.

Karşılaştırma Tablosu: Özellikler ve Fiyatlar

Kaynak: AWS Bedrock, Azure OpenAI Service, Google Vertex AI (Temmuz 2026).

Fiyat karşılaştırması (1M token başına):

Kaynak: AWS Bedrock Fiyatlandırma, Azure OpenAI Fiyatlandırma, Vertex AI Fiyatlandırma (Temmuz 2026).

Hangi Platform Sana Uygun? Karar Çerçevesi

AWS Bedrock seçin, eğer:

• Altyapınız zaten AWS’de konuşlanmış durumda.
• Claude ve açık kaynak modelleri (Llama, Mistral) öncelik listenizde.
• VPC içinde kalan, ağ dışına veri çıkarmayan katı güvenlik gereksinimleri var.
• Birden fazla model sağlayıcısını tek API anahtarıyla yönetmek istiyorsunuz.

Azure OpenAI seçin, eğer:

• Microsoft 365, Teams veya Azure ekosistemi merkezli bir kurumsal yapınız var.
• GPT-4o veya o3 gibi OpenAI modellerini kurumsal SLA garantisiyle kullanmanız gerekiyor.
• Azure Active Directory üzerinden kimlik yönetimi ve uyumluluk zorunlu.
• Power Platform veya Copilot Stack üzerinde iş uygulamaları geliştiriyorsunuz.

Google Vertex AI seçin, eğer:

• Verileriniz BigQuery veya GCP’de ve analitik iş akışlarını AI ile genişletmek istiyorsunuz.
• Kendi modellerinizi eğitmek veya var olan modelleri ince ayarlayıp yönetmek için tam MLOps altyapısı lazım.
• Gemini’nin uzun bağlam (1M token) kapasitesi büyük doküman işleme ihtiyacınıza uyuyor.
• Açık kaynak ML araçları (Kubeflow, TensorFlow) ekibinizin doğal ortamı.

RAG ile fine-tuning arasındaki strateji seçimi için RAG vs Fine-tuning: LLM Proje Stratejisi yazısına göz atabilirsiniz. Fine-tuning ağırlıklı bir yol izleyecekseniz Vertex AI’nın MLOps araçları uzun vadede kazandırıyor. RAG ağırlıklıysa üç platform da yeterli, ama vektör veritabanı entegrasyonu bakımından RAG mimarisi kurulum rehberimizi incelemenizi öneririz.

Başlangıç: Üç Platformda İlk API Çağrısı

Üç platformda da temel bir metin tamamlama çağrısı yapmak birkaç satır Python gerektiriyor.

AWS Bedrock, Claude 3.5 Sonnet:

import boto3
import json

client = boto3.client("bedrock-runtime", region_name="us-east-1")

response = client.invoke_model(
    modelId="anthropic.claude-3-5-sonnet-20241022-v2:0",
    body=json.dumps({
        "anthropic_version": "bedrock-2023-05-31",
        "max_tokens": 1024,
        "messages": [{"role": "user", "content": "Merhaba, nasılsın?"}]
    }),
    contentType="application/json"
)

result = json.loads(response["body"].read())
print(result["content"][0]["text"])

AWS kimlik bilgileri için AWS_ACCESS_KEY_ID, AWS_SECRET_ACCESS_KEY veya IAM rolü gerekiyor. Model erişimini önceden Bedrock konsolundan etkinleştirmeniz gerekebilir.

Azure OpenAI Service, GPT-4o:

from openai import AzureOpenAI

client = AzureOpenAI(
    api_key="AZURE_OPENAI_API_KEY",
    api_version="2024-02-01",
    azure_endpoint="https://YOUR_RESOURCE.openai.azure.com"
)

response = client.chat.completions.create(
    model="gpt-4o",  # Azure'daki deployment adınız
    messages=[{"role": "user", "content": "Merhaba, nasılsın?"}],
    max_tokens=1024
)

print(response.choices[0].message.content)

Azure portalında bir OpenAI kaynağı ve model deployment oluşturmanız gerekiyor. azure_endpoint değeri kaynağınızın uç nokta URL’si.

Google Vertex AI, Gemini 1.5 Pro:

import vertexai
from vertexai.generative_models import GenerativeModel

vertexai.init(project="YOUR_PROJECT_ID", location="us-central1")

model = GenerativeModel("gemini-1.5-pro")
response = model.generate_content("Merhaba, nasılsın?")

print(response.text)

GCP proje kimliği ve gcloud auth application-default login ile kimlik doğrulama gerekiyor. Vertex AI API’sini de projenizde etkinleştirmeniz gerekiyor.

Her platformun SDK’sı ve kimlik doğrulama mekanizması birbirinden farklı. AWS IAM, Azure Entra ve GCP Service Account yapılarına aşina olmak platformlar arası geçişlerde zaman kazandırıyor. Prompt tasarımı konusunda standart bir yaklaşım için prompt engineering rehberimizi incelemenizi öneririz.

Sonraki Adım: Pilot ile Başlayın

Her üç platform da kurumsal sınıf güvenlik, yönetilen altyapı ve geniş model erişimi sunuyor. Tercih büyük ölçüde mevcut ekosistemin ne olduğuna bağlı: AWS, Azure veya GCP’de zaten yoğun yatırımı olan şirketler için platform değiştirme maliyeti diğer faktörleri genellikle gölgeliyor.

Hangisini seçmeniz gerektiğini önceden kesin olarak söylemek zor, çünkü yanıt büyük ölçüde hangi modeli kullanmak istediğinize bağlı. GPT ailesi zorunluysa Azure dışında bir seçenek yok. Claude veya açık kaynak modeller yeterliyse Bedrock güvenlik odaklı şirketler için mantıklı. Gemini ve tam MLOps araç seti lazımsa Vertex AI.

Küçük bir kullanım senaryosuyla başlayın ve üç platformu maliyet, geliştirici deneyimi ve gecikme bakımından kendi verinizle karşılaştırın. Büyük taahhütler her zaman sonra gelebilir.