Büyük Veri ve Yapay Zeka İlişkisi Eğitimi

Eğitim Hakkında

Bu eğitim, büyük verinin yapay zeka sistemlerinin başarısını nasıl belirlediğini ve kurumların veri altyapısını yapay zekaya nasıl hazırlayabileceğini anlamak isteyen profesyoneller için tasarlanmış tek günlük bir farkındalık programıdır. Katılımcılar büyük veri teknolojilerini, veri kalitesini, veri akışlarını ve yönetişim ilkelerini yapay zeka perspektifiyle öğrenir.

Neden Bu Eğitim?

İlişkiyi Netleştirin. Veri hacmi, çeşitliliği ve kalitesinin yapay zeka modellerinin başarısını neden doğrudan belirlediğini kavrayın.

Mimari Bakış. Veri ambarı, veri gölü ve lakehouse yaklaşımlarını yapay zeka ihtiyaçlarıyla karşılaştırmalı olarak değerlendirin.

Veri Odaklı Yapay Zeka. Daha iyi model yerine daha iyi veriye odaklanarak yapay zeka projelerinin en yaygın başarısızlık nedenini önleyin.

“Yapay zekanın zekası, beslendiği verinin kalitesini aşamaz; güçlü yapay zeka iyi yönetilen veriyle başlar.”

Ön Koşullar

Teknik Şart Yok — Programlama veya veri mühendisliği bilgisi aranmaz; kavramlar mimari örneklerle anlatılır.
Veri Aşinalığı — Rapor, veritabanı veya iş zekası araçlarıyla dolaylı da olsa çalışmış olmak faydalıdır.
Kurumsal Bağlam — Kurumunuzdaki başlıca veri kaynaklarına ve raporlama süreçlerine genel hakimiyet önerilir.
Cihaz Erişimi — Demolar ve olgunluk atölyesi için internete bağlı bir dizüstü bilgisayar veya tablet.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiBüyük veri ile yapay zeka arasındaki ilişkiyi kavramak, temel veri mimarilerini tanımak ve kurumun veri altyapısını yapay zeka hazırlığı açısından değerlendirmek.

Modül 1

Büyük Veri Kavramı ve Yapay Zeka ile Bağı

Büyük verinin 5V'si: hacim, hız, çeşitlilik, doğruluk, değer
Yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış veri
Veri ölçeğinin derin öğrenme ve büyük dil modellerine etkisi
Veri-model-kullanıcı döngüsü ve veri çarkı etkisi
Model odaklı yaklaşımdan veri odaklı yapay zekaya geçiş
Vaka: Bir e-ticaret şirketinde veri ve öneri sistemi

Modül 2

Büyük Veri Teknolojileri ve Mimarileri

Hadoop'tan Apache Spark'a dağıtık veri işlemenin evrimi
Veri ambarı, veri gölü ve lakehouse mimarilerinin farkı
Delta Lake ve Apache Iceberg gibi açık tablo formatları
Apache Kafka ile gerçek zamanlı veri akışı
Databricks, Snowflake ve BigQuery gibi bulut platformları
Demo: Bulut veri platformunda sorgudan modele akış

Modül 3

Yapay Zeka İçin Veri Hazırlığı

Veri hattı (pipeline): toplama, temizleme ve dönüştürme
Veri kalitesi boyutları: doğruluk, bütünlük, güncellik
Etiketleme, sentetik veri ve eğitim verisi maliyeti
Özellik deposu (feature store) ve tekrar kullanılabilir veri
Vektör veritabanları ile büyük dil modellerine kurum verisi
Vaka: Kalitesiz verinin bir talep tahmin modeline etkisi

Modül 4

Veri Yönetişimi, Olgunluk ve Kapanış

Veri sahipliği, veri kataloğu ve veri soy ağacı (lineage)
KVKK: veri minimizasyonu, anonimleştirme ve yurt dışı aktarım
Veri egemenliği ve bulut tercihlerinde dikkat edilecekler
Atölye: Kurumunuzun yapay zeka için veri olgunluğu
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Katılım sertifikası takdimi ve ileri eğitim önerileri

Eğitim Kazanımları

Veri-YZ İlişkisi — Verinin hacim, çeşitlilik ve kalitesinin yapay zeka modellerinin başarısını nasıl belirlediğini açıklayabileceksiniz.
Veri Türleri — Yapılandırılmış ve yapılandırılmamış verinin yapay zeka projelerindeki farklı kullanım biçimlerini ayırt edebileceksiniz.
Mimari Seçenekler — Veri ambarı, veri gölü ve lakehouse mimarilerini yapay zeka ihtiyaçları açısından karşılaştırabileceksiniz.
Teknoloji Haritası — Spark, Kafka ve bulut veri platformlarının büyük veri ekosistemindeki rollerini yorumlayabileceksiniz.
Veri Kalitesi — Veri kalitesi sorunlarının yapay zeka çıktılarına etkisini fark ederek iyileştirme önceliklerini belirleyebileceksiniz.
LLM İçin Veri — Vektör veritabanları ve RAG ile kurum verisinin büyük dil modellerine nasıl bağlandığını kavrayacaksınız.
Veri Yönetişimi — Veri sahipliği, katalog, soy ağacı ve KVKK ilkelerini yapay zeka projeleri bağlamında değerlendirebileceksiniz.
Olgunluk Değerlendirme — Kurumunuzun veri altyapısını yapay zeka hazırlığı açısından değerlendiren bir olgunluk özeti hazırlayacaksınız.

Kimler İçin Uygundur?

Bilgi teknolojileri ve veri yöneticileri
iş zekası ve raporlama ekipleri
dijital dönüşüm sorumluları ile veri ve yapay zeka yatırımlarına karar veren iş birimi liderleri.

Sıkça Sorulan Sorular

Büyük Veri ve Yapay Zeka İlişkisi Eğitimi kimler için uygundur?

Program; bilgi teknolojileri ve veri yöneticileri, iş zekası ve raporlama ekipleri, dijital dönüşüm sorumluları ile veri ve yapay zeka yatırımlarına karar veren iş birimi liderleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 1 tam gün ve 4 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak gerçekleştirilir; tamamlayan katılımcılar katılım sertifikası alır.

Katılım için teknik bilgi gerekiyor mu?

Hayır. Programlama veya veri mühendisliği bilgisi gerekmez. Rapor ve veritabanı süreçlerine genel aşinalık yeterlidir; teknolojiler mimari diyagramlar ve demolar üzerinden anlatılır.

Eğitimde hangi teknolojiler tanıtılıyor?

Apache Hadoop ve Spark, Apache Kafka, Delta Lake ve Apache Iceberg tablo formatları, Databricks, Snowflake ve BigQuery gibi bulut veri platformları, özellik depoları ve vektör veritabanları tanıtılır.

Bu eğitim Yapay Zeka Veri Stratejisi Eğitimi'nden nasıl ayrışıyor?

Bu program büyük veri ile yapay zeka ilişkisine dair tek günlük bir farkındalık sunar. Yapay Zeka Veri Stratejisi Eğitimi ise veri stratejisi, operasyon modeli ve yol haritası hazırlayan yöneticilere yönelik 2 günlük uygulamalı bir programdır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika