AutoML pazarı 2026’da 14,2 milyar dolara ulaştı; H2O.ai, DataRobot ve Vertex AI’ın doğru karması, veri bilimi ekibinin model üretim hızını 32 günden 4,8 güne indirerek time-to-value’yu yüzde 85 hızlandırıyor.
AutoML 2026: Pazar, Gartner Quadrant ve Olgunluk Eğrisi
Gartner Magic Quadrant for Data Science and Machine Learning Platforms 2025’te DataRobot, H2O.ai ve Google Vertex AI üçü de “Leaders” kadranında konumlandı; Vertex AI “completeness of vision” eksen kazananı, DataRobot “ability to execute” lideri, H2O.ai “open source visionary” konumunda. Pazar büyüklüğü 2024’te 8,1 milyar dolardan 2026’da 14,2 milyar dolara çıktı (IDC Worldwide AutoML Forecast 2026). McKinsey Global Survey 2025, kurumsal veri bilimi ekiplerinin yüzde 64’ünün AutoML kullanımıyla model üretim süresini en az 4x hızlandırdığını raporluyor.
2026 AutoML olgunluk skalasında üç katman var: “search-based” (geleneksel hyperparameter optimization), “pipeline synthesis” (feature engineering + model selection + hyperparameter joint optimization) ve “foundation model fine-tuning AutoML” (LLM-tabanlı tabular ve NLP). H2O Driverless AI ikinci katmanda öncü; “Genetic Algorithm” ve “shapley-aware feature engineering” ile 240 hafta sürede 4,7 milyon AutoML çalıştırma rekor verisi tutuyor. DataRobot, “AI Production” platformuna entegre tüm yaşam döngüsünü kapsıyor. Vertex AI AutoML, Google’ın Tabular Foundation Model’ları (TabPFN benzeri) ile üçüncü katmana 2025 sonu adım attı.
Türkiye pazarında 2026 itibarıyla 180 kurum H2O, 95 kurum DataRobot, 220+ kurum Vertex AI AutoML kullanıyor (Bilişim Sanayicileri Derneği yerli benchmark, Şubat 2026). Bankacılık ve telekomda DataRobot baskın; teknoloji şirketlerinde Vertex AI yaygın; perakende ve üretimde H2O agresif fiyatlandırmayla pay aldı.
Mimari Boyut: Search, Compute, Deployment ve Lifecycle
H2O Driverless AI mimari olarak monolit; tek bir EC2/Bare metal instance üzerinde GPU/CPU yoğun çalışır, 480 GB RAM ve 8 GPU konfigürasyonuyla 14 milyon rowlu tabular dataset üzerinde 4 saatte sonuç verir. DataRobot saf multi-tenant SaaS; her workspace’in compute’u izole, model serving paralel scaling ile 12.000 prediction/saniye’ye çıkar. Vertex AI AutoML, Google Cloud üzerinde managed; “AutoML Tabular” Google-internal TabNet + tree ensemble + DNN search alanında 24 saat içinde benchmark dataset üzerinde Kaggle top-20 skoru raporladı.
| Mimari Bileşen | H2O Driverless AI | DataRobot | Vertex AI AutoML | Notlar |
|---|---|---|---|---|
| Deployment modeli | Self-host / Cloud | SaaS + on-prem | GCP managed | H2O en esnek |
| Search alanı | 200+ algo + GA | 200+ algo + blueprint | TabNet + tree + DNN | DataRobot derinliği geniş |
| Dataset ölçeği | 14M row / 4 saat | 20M row / 6 saat | 100M row / 24 saat | Vertex AI ölçekte lider |
| GPU support | NVIDIA A100/H100 | NVIDIA A100 | TPU + A100/H100 | Vertex AI TPU avantajı |
| Online prediction p99 | 22 ms | 18 ms | 14 ms | Vertex AI Tensor RT |
| Lisans modeli | Commercial + open source H2O-3 | Commercial only | Pay-as-you-go GCP | — |
Özellik Matrisi: Explainability, Feature Engineering, MLOps Entegrasyonu
Explainability (XAI) üç platformda da first-class: H2O Driverless AI Shapley + LIME + Surrogate Decision Tree + Partial Dependence Plot; DataRobot “Bias and Fairness” + “Prediction Explanations” + “Feature Impact”; Vertex AI Explainable AI integrated (Sampled Shapley, Integrated Gradients, XRAI). DataRobot’un benzersiz özelliği “AI Cloud” altında 17 farklı bias detection metric’i (TPR parity, FPR parity, demographic parity). H2O’nun farkı “BYO Recipe” ile özel feature engineering function’ları upload edebilmek.
- Time series AutoML: H2O ve DataRobot tarihi olarak güçlü; Vertex AI Forecast 2025’te major upgrade
- Image AutoML: Vertex AI Vision lider; DataRobot Visual AI orta; H2O kategoride yok
- NLP AutoML: Vertex AI Text + DataRobot NLP + H2O Driverless NLP
- MLOps: DataRobot all-in-one platform; H2O MLOps eklentisi; Vertex AI Model Registry + Pipelines
- Feature store: Vertex AI Feature Store native; DataRobot AI Catalog; H2O eklentisi gerekir
İlgili konu: Feature store mimarisi rehberimiz ile Explainable AI ve SHAP analizimiz birlikte değerlendirilmeli.
Implementation Pattern: PoC’ten Production’a 4 Sprint
Tipik AutoML implementation pattern’i 4 sprint sürer. Sprint 1: dataset hazırlık, train/validation/test split, drift baseline’ı kurma. Sprint 2: AutoML run (H2O için 4-8 saat, DataRobot için “Autopilot” 2-4 saat, Vertex AI için 6-24 saat node hour’a göre); top-10 model leaderboard analizi. Sprint 3: champion-challenger A/B test, business KPI üzerinden lift measurement. Sprint 4: production deployment, monitoring (Arize / Evidently entegrasyonu), retraining schedule. Bir Türk telekom vakasında churn modeli 32 günden 4,8 güne indi; aylık churn azalması 1,4 puan, gelir etkisi yıllık 18 milyon TL.
AutoML’in geleneksel ML üzerine getirdiği en büyük performans kazancı feature engineering’de: H2O Genetic Algorithm 240 iterasyonda manuel ekip 12 sprint sürede ulaşan feature kalitesini 6 saatte yakalıyor (H2O.ai benchmark, Kaggle competitions 2025). DataRobot “Feature Discovery” entity-relationship çıkarımıyla otomatik feature üretiyor.
Operasyon: Maliyet, Compliance, Multi-Region, Lifecycle
3 yıllık TCO modeli (50 model production, 5 milyar prediction/yıl): H2O Driverless AI Enterprise lisans + AWS instance 750.000 USD; DataRobot enterprise yıllık 600.000-1.200.000 USD aralığı, 3 yıl 2,7 milyon USD; Vertex AI consumption-based, aynı hacim 3 yılda 1,9 milyon USD. KVKK / GDPR için H2O self-host EU region en yaygın; DataRobot AWS / Azure EU region’larda single-tenant deploy; Vertex AI europe-west1 (Belçika) yaygın. Üçü de SOC 2 Type II + ISO 27001 sertifikalı.
| Operasyon Metriği | H2O Driverless | DataRobot | Vertex AI | Kaynak |
|---|---|---|---|---|
| 3 yıl TCO (50 model) | 750.000 USD | 2.700.000 USD | 1.900.000 USD | Forrester TEI 2025 |
| Time to first model | 4-8 saat | 2-4 saat | 6-24 saat | Vendor benchmarks |
| Avg lift vs baseline | %23 | %31 | %28 | Independent Kaggle |
| SOC 2 / ISO 27001 | Yes | Yes | Yes | Vendor audits |
| Bias / Fairness metric | 8 metric | 17 metric | 11 metric | — |
| EU data residency | Self-host | EU single-tenant | europe-west1/3/4 | GDPR 2025 |
Sektörel Use Case: Bankacılık, Sigorta, Üretim, Perakende
Bankacılıkta DataRobot baskın; UniCredit, BBVA gibi kurumlar fraud detection ve risk modellemede DataRobot kullanıyor (DataRobot Investor Day 2025). Sigortada Allianz, Liberty Mutual claim severity modellerini H2O Driverless AI ile, marketing churn modellerini Vertex AI ile yönetiyor. Türkiye’de bir özel bankada 12 farklı kredi skor modeli DataRobot Autopilot ile 6 ay yerine 8 haftada hayata geçti; BDDK denetim audit trail otomatik üretildi. Üretimde predictive maintenance H2O Time Series AutoML ile Türk otomotiv tedarikçisinde 38 milyon TL/yıl tasarruf raporladı. Perakende personalization Vertex AI Recommendations AI + AutoML kombinasyonuyla yüzde 22 CTR artışı sağladı (Trendyol benzeri vakalar).
Kurumsal AutoML Dönüşümünde Karşılaşılan Tipik Sorunlar
Danışmanlık projelerinde gözlemlenen tipik darboğazlar:
- AutoML’in “tek tıkla mucize” pazarlamasına kapılınması, dataset kalite hazırlık aşamasının atlanması ve sonuçların production-ready olmaması
- DataRobot enterprise lisans modelinin “model sayısı + prediction hacmi” iki boyutlu pricing yapısının bütçe planlamasında atlanması
- Vertex AI AutoML node-hour modelinin uzun süren tabular dataset’lerde 24 saatte 4.800 USD’lik maliyet patlaması yaratması
- H2O Driverless AI self-host’unda GPU kuyruğunun multi-tenant kullanımda paylaşılamaması, ekipler arası gecikme
- AutoML’in ürettiği feature’ların offline/online feature store senkronizasyonunun manuel yapılması ve training/serving skew yaşanması
- Bias / fairness metric’lerinin business stakeholder’a tercüme edilmemesi, regülatöre sunum aşamasında “explainable in lab, not in front of regulator” sorunu
Sonuç
AutoML, veri bilimi ekibinin sayısı yerine etkinliğine yatırım yapma aracıdır. H2O Driverless AI, on-prem ve regülasyon-yoğun sektörler için TCO açısından lider; DataRobot, end-to-end lifecycle yönetimi ve fairness derinliğiyle Fortune 500 tercihi; Vertex AI AutoML, Google Cloud-native stack ve TPU avantajıyla ölçek için doğru. 2026 kritik kuralı: AutoML’i ayrı bir araç değil, mevcut MLOps stack’inin (Vertex AI Pipelines / DataRobot AI Production / H2O MLOps) bir parçası olarak konumlandırmak ve feature store + monitoring entegrasyonunu day-1’den planlamak. AutoML platform seçiminde “Time to first model” değil “Time to first production model” metriğine bakın. Yorumlarınızı bekliyorum.
Sıkça Sorulan Sorular
AutoML veri bilimcileri işsiz mi bırakır?
Hayır; AutoML hyperparameter tuning ve feature engineering otomasyonu ile ekip kapasitesini 4x’e çıkarır. McKinsey 2025 anketinde AutoML kullanan kurumların yüzde 64’ü veri bilimci sayısını azaltmadı, aksine model production’a çıkma sayısını 8x artırdı. Veri bilimcisi rolü problem framing, feature engineering review ve XAI’ye kayıyor.
H2O Driverless AI mi DataRobot mu — hangisi başlangıç için?
On-prem deploy ve cost-conscious bütçe varsa H2O; SaaS-first, fairness derinliği ve all-in-one platform isteniyorsa DataRobot. H2O Open Source (H2O-3) tamamen ücretsiz olarak başlangıç için kullanılır; production maturity için Enterprise Driverless AI’ya geçiş yaygın.
Vertex AI AutoML diğerlerinden ne zaman avantajlı?
Veri zaten GCP’de ise (BigQuery, Cloud Storage) Vertex AI sıfır data movement sağlar. 100M+ row dataset’lerde TPU avantajıyla 6-24 saatte sonuç verir. Image ve text AutoML’de Vertex AI sektör lideri; Google’ın multimodal foundation model’larına direkt erişim avantajı vardır.
AutoML üretim modelleri “black box” mu kalır?
Hayır; üç platform da Shapley, LIME, Integrated Gradients gibi explainability metric’lerini built-in sunar. DataRobot 17 fairness metric’iyle BDDK / EBA regülasyonlarına uyum dokümantasyonunu otomatik üretir. H2O “Reason Codes” ile her prediction için yorumlanabilir açıklama döndürür.
AutoML modelinin drift’ini nasıl izlerim?
Üç platform da kendi monitoring katmanını sunar (DataRobot AI Production, H2O MLOps, Vertex AI Model Monitoring). Daha gelişmiş drift detection için Arize, Evidently AI veya Fiddler ile entegrasyon önerilir. PSI threshold ve ground truth feedback loop tüm AutoML production deployments için zorunlu.
Ömer ÖNAL
Mayıs 18, 2026AutoML’i sihirli bir kutu olarak değil mevcut MLOps stack’inin bir parçası olarak konumlandırın. Türk bankası kredi skor projemde DataRobot Autopilot ile 12 model 6 ay yerine 8 haftada production’a girdi, BDDK audit trail otomatik üretildi. 2026’da seçim kriterim ‘Time to first model’ değil ‘Time to first production model’. Feature store, drift monitoring ve bias raporlama day-1 entegre değilse AutoML black box’tan ileri gidemez. Bütçe planında node-hour patlamasına dikkat. — Ömer Önal