GPU Kiralama Nedir? 2026 Türkiye Rehberi

Kullanım senaryosuna göre seçim

GPU kiralama ne zaman mantıklı?

Prototipleme, proje bazlı eğitim/render, geçici ölçek ve regülasyon senaryolarında kiralama öne çıkar. CapEx'i OpEx'e çevirmek isteyen startup ve ajanslar için nakit koruma sağlar. Satın alma ancak kullanım oranı sürekli yüksek ve operasyon ekibi hazırsa rekabetçidir — ayrıntı kiralama vs satın alma.

Şehir gecikmesi için İstanbul, Ankara, İzmir notlarını okuyun. Kişisel veride KVKK rehberi zorunludur. Kart seçiminde H100 vs A100 karar ağacı yardımcı olur.

Maliyet optimizasyonu

Spot (spot stratejisi), doğru boyutlandırma, checkpoint, mixed precision ve idle kapatma en yüksek getirili taktiklerdir. Fine-tuning bütçesi için LLM fine-tuning maliyeti. Fiyatlar: fiyatlandırma. Startup taktikleri: startup ipuçları.

Kurumsal güvenlik/SLA için kurumsal yazı. Ortamı Docker toolkit ile kilitleyin.

İlk 48 saat

SSH/firewall, nvidia-smi, container, NVMe dataset, micro-benchmark, sonra ölçek. PyTorch: kurulum. Görsel: SD, ComfyUI.

Örnek komutlar / snippet

nvidia-smi
python -c "import torch; print(torch.cuda.get_device_name(0))"

Türkiye bağlamı ve operasyon

Türkiye'de GPU kiralama kararını yalnızca TFLOPS belirlemez. Veri lokasyonu, şehir gecikmesi, TL fatura, destek dili ve rezervasyon süresi toplam sahip olma deneyimini şekillendirir. Özellikle kişisel veri içeren eğitim ve çıkarım işlerinde KVKK kapsamında verinin yurt içinde işlenmesi beklenir; anonimleştirme tek başına her senaryoda yeterli sayılmaz.

Operasyonel olarak en sık görülen kayıp, GPU'nun kendisinden değil idle sürelerden ve tekrarlanmayan ortamlardan gelir. Driver/CUDA uyumsuzluğu, her instance'ta sıfırdan kurulum ve dataset'i eğitim sırasında ağ üzerinden okumak hem süreyi hem maliyeti şişirir. Container tabanlı imaj, NVMe'ye lokal dataset ve checkpoint disiplini bu kaybı azaltır.

İlgili sayfalar: H100; A100; RTX 4090; LLM fine-tuning; İletişim.

Pratik kontrol listesi

1. İş yükünü tek cümleyle yazın (eğitim / fine-tuning / inference / render / transcode).
2. VRAM ve throughput için 30–60 dakikalık micro-benchmark planlayın.
3. Saatlik planla başlayıp reserved/aylık modele ancak stabil kullanımda geçin.
4. Spot kullanacaksanız checkpoint ve resume'u önceden test edin.
5. Başarı metriğini (eval, latency p95, images/s, $/1k token) önceden sabitleyin.
6. Idle Jupyter ve unutulan instance'ları otomatik kapatacak alarm kurun.

Sık yapılan hatalar

Benchmark yapmadan en pahalı GPU'ya çıkmak; tek metrikle (yalnızca VRAM veya yalnızca fiyat) karar vermek; production inference'ı eğitim kartıyla uzun süre koşturmak; multi-GPU'ya geçmeden single-GPU optimizasyonunu bitirmemek; veri sınıflandırması yapmadan yurtdışı bölgesine dataset taşımak.

Bir diğer yaygın hata, PoC başarı kriterini tanımsız bırakmaktır. 'Model biraz daha iyi olsun' diye açılan açık uçlu eğitimler, bütçeyi sessizce tüketir. Erken durdurma, eval bütçesi ve maksimum deneme sayısı olmadan fine-tuning işi bitmez; yalnızca fatura büyür.

Sonuç

GPU kiralama, H100/A100/RTX 4090 gibi kartları satın almadan saatlik veya aylık bulut üzerinden kullanmaktır. Doğru GPU seçimi, ölçüm ve disiplinli operasyon bir araya geldiğinde hem maliyeti hem teslim süresini kontrol altına alırsınız.

Sonraki adım için ilgili GPU modeli, hizmet ve şehir sayfalarından senaryonuza uygun planı seçin; emin değilseniz saatlik küçük bir deneme ile başlamak genelde en düşük riskli yoldur.

Derinlemesine notlar

Bu rehberin özeti yeterli görünse de sahada asıl fark, iş yükünü tek cümleye indirmek ve 2–4 saatlik micro-benchmark ile kartı doğrulamaktan gelir. VRAM yetmiyorsa daha büyük karta sıçramadan önce precision, batch, data loader ve dataset lokalizasyonunu deneyin; çoğu ekip burada %20–40 süre kazanır.

Türkiye bağlamında karar üçlüsü: (1) KVKK / veri lokasyonu, (2) şehir gecikmesi (interaktif notebook ve remote desktop), (3) TL fatura + idle disiplini. Spot yalnızca checkpoint'li batch'te; production inference'da reserved/on-demand tercih edin. Şehir notları: İstanbul, Ankara, İzmir. Kart seçiminde H100 vs A100 ve kiralama vs satın alma tamamlayıcıdır.

Dokümantasyon alışkanlığı maliyeti düşürür: imaj tag'i, CUDA sürümü, eval set ve seed sabitleyin. Haftalık $/metrik raporu olmadan "daha büyük GPU" tartışması spekülasyona döner.