Makine Öğrenmesi için CI/CD Eğitimi

Eğitim Hakkında

Bu eğitim, makine öğrenmesi modellerinin kod, veri ve model değişikliklerinde otomatik olarak test edilmesini, doğrulanmasını ve kademeli biçimde üretime alınmasını sağlayan CI/CD hatlarını kurmak isteyen ekipler için ileri düzey bir programdır. Katılımcılar test stratejisinden GitOps tabanlı dağıtıma ve LLM değerlendirme kapılarına uzanan tam bir teslim hattı inşa eder.

Neden Bu Eğitim?

Üç Eksenli Test. Yalnızca kodu değil veriyi ve model davranışını da test eden hatlarla hatalı modelin canlıya çıkmasını önleyin.

GitOps ile Dağıtım. Ortam durumunu Git'te tanımlayarak her dağıtımı izlenebilir, tekrarlanabilir ve hızla geri alınabilir kılın.

Kademeli Yayın. Kanarya, gölge ve A/B stratejileriyle yeni modelleri gerçek trafikte ölçün, riski kontrol altında tutarak yayına alın.

“Güvenilir yapay zeka, tek seferlik bir dağıtımla değil, her değişikliği aynı özenle test eden ve yayınlayan bir hatla inşa edilir.”

Ön Koşullar

Python ve ML — Python ile model eğitmiş ve bir modeli servis olarak sunma sürecine dahil olmuş olmak.
Git ve Docker — Git dal ve birleştirme akışlarını kullanabilmek, Dockerfile yazıp imaj oluşturabilmek.
Kubernetes Temelleri — Pod, Deployment ve Service kavramlarını bilmek; kubectl ile temel komutlara aşinalık.
Hesap ve Ortam — GitHub hesabı ve Docker ile kubectl kurulabilen, en az 16 GB bellekli bir bilgisayar.

Eğitim İçeriği

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

Günün hedefiML sistemlerinde CI, CD ve sürekli eğitimin farkını kavramak, kalite standartlarını kurmak, kod, veri ve model için test piramidini uygulayarak ilk CI hattını oluşturmak.

Modül 1

ML Sistemlerinde CI, CD ve CT

Yazılım CI/CD ile ML teslim hatlarının farkları
Tetikleyiciler: kod, veri, model ve yapılandırma değişimi
Sürekli eğitim (CT) ve sürekli dağıtımın ilişkisi
Geliştirme, hazırlık ve üretim ortamlarının ayrımı
DORA metrikleriyle teslim performansının ölçümü
Vaka: Elle yapılan model dağıtımında yaşanan olay

Modül 2

Depo Yapısı ve Kod Kalitesi

Tekli ve çoklu depo yapılarının ML projelerinde kıyası
Trunk tabanlı geliştirme ve kısa ömürlü dallar
pre-commit, Ruff ve mypy ile otomatik kalite kontrolü
uv ile bağımlılık kilitleme ve tekrarlanabilir kurulum
Model ve paket için anlamsal sürümleme kuralları
Laboratuvar: ML projesine kalite araçlarının eklenmesi

Modül 3

ML için Test Piramidi

pytest ile özellik mühendisliği birim testleri
Veri testleri: şema, aralık, benzersizlik ve dağılım
Model davranış testleri: değişmezlik ve yön testleri
Hypothesis ile özellik tabanlı (property-based) test
Eğitim hattı için duman (smoke) ve entegrasyon testi
Laboratuvar: Kredi skorlama modeli için test takımı

Modül 4

GitHub Actions ile İlk CI Hattı

İş akışı, iş, adım ve tetikleyici yapısı
Matris yapılar, önbellekleme ve artefakt saklama
Pull request kontrolleri ve dal koruma kuralları
Gizli bilgiler ve OIDC ile buluta anahtarsız erişim
Laboratuvar: Test, lint ve eğitim duman testi hattı
Günün değerlendirmesi ve veri-model hattı gününe köprü

Günün hedefiDVC ile veri ve eğitim adımlarını otomatikleştirmek, güvenli konteyner imajları üretmek, sürekli eğitim hattı kurmak ve metrik kapılarıyla model terfisini denetlemek.

Modül 1

DVC ve CML ile Veri-Model Otomasyonu

dvc.yaml ile aşama, bağımlılık ve çıktı tanımı
Uzak depolama ve CI içinde dvc repro kullanımı
Parametre ve metrik farklarının otomatik raporlanması
CML ile pull request'e grafik ve metrik yorumu ekleme
Büyük veri setlerinde örneklem tabanlı CI eğitimi
Laboratuvar: PR başına metrik karşılaştırma raporu

Modül 2

Konteyner ve Tedarik Zinciri Güvenliği

Çok aşamalı Dockerfile ile küçük çıkarım imajları
GPU tabanlı imajlar ve CUDA sürüm uyumluluğu
Trivy ile güvenlik açığı taraması ve SBOM üretimi
Sigstore Cosign ile imaj imzalama ve doğrulama
Pickle riskleri ve safetensors ile güvenli model dosyası
Laboratuvar: Taranan ve imzalanan model imajı

Modül 3

Sürekli Eğitim Hatları

Zamanlanmış, olay tetiklemeli ve manuel yeniden eğitim
Kubeflow Pipelines ve Argo Workflows ile eğitim hatları
CI'dan uzun süren eğitim işlerini tetikleme deseni
Kendi barındırılan ve GPU'lu çalıştırıcılar
Eğitim verisi anlık görüntüsü ve köken kaydı
Laboratuvar: Yeni veriyle tetiklenen eğitim hattı

Modül 4

Model Değerlendirme Kapıları ve Terfi

Referans modele göre göreli metrik eşikleri
Adillik, kalibrasyon ve gecikme için ek kapılar
MLflow Model Registry ile takma ad bazlı terfi
İnsan onayı gerektiren ortam korumaları
GitLab CI ortamları ile alternatif terfi akışı
Günün değerlendirmesi ve dağıtım gününe hazırlık

Günün hedefiModelleri Helm ile Kubernetes'e paketlemek, Argo CD ile GitOps tabanlı dağıtım kurmak, KServe ve Argo Rollouts ile kademeli yayın uygulamak ve altyapıyı kodla yönetmek.

Modül 1

Kubernetes ve Helm ile Model Dağıtımı

Model servisleri için Deployment, Service ve HPA
Kaynak istekleri, GPU planlama ve düğüm seçimi
Helm grafikleri ile ortam bazlı değer dosyaları
Hazırlık ve canlılık kontrolleri ile model yükleme
ConfigMap ve Secret ile yapılandırma yönetimi
Laboratuvar: Model servisinin Helm ile kurulumu

Modül 2

Argo CD ile GitOps

GitOps ilkeleri: bildirimsel, sürümlü, otomatik uzlaşma
Uygulama kodu ve dağıtım yapılandırması depolarının ayrımı
Argo CD uygulamaları, senkronizasyon ve sağlık durumu
Ortamlar arası terfi: hazırlıktan üretime PR akışı
Sapma tespiti ve Git üzerinden geri alma
Laboratuvar: Model sürüm değişikliğinin GitOps akışı

Modül 3

KServe ve Kademeli Yayın Stratejileri

KServe InferenceService ve model çalışma zamanları
Kanarya yayın: trafik yüzdesi ile yeni model
Gölge dağıtım ile canlı trafiği riskisiz test etme
Argo Rollouts ve Prometheus ile otomatik analiz
A/B testi ve istatistiksel karar kriterleri
Laboratuvar: Metrik bozulunca otomatik geri alma

Modül 4

Altyapı Kodu ve Politika Yönetimi

Terraform ve OpenTofu ile ML altyapısı tanımlama
HashiCorp Vault ve External Secrets ile gizli bilgi
OPA Gatekeeper ve Kyverno ile küme politikaları
İmzasız imajları ve kaynak limitsiz podları engelleme
Ortam başına maliyet etiketleri ve kota yönetimi
Günün değerlendirmesi ve LLM hatları gününe hazırlık

Günün hedefiLLM uygulamaları için değerlendirme tabanlı CI kurmak, üretim geri bildirimini yeniden eğitim döngüsüne bağlamak, denetim ve onay gereklilikleri karşılamak ve projeyi sunmak.

Modül 1

LLM Uygulamaları için CI/CD

İstem, model ve RAG yapılandırmasının sürümlenmesi
Altın veri seti ile regresyon değerlendirmesi
promptfoo ve DeepEval ile otomatik test takımları
Ragas ile RAG bağlam ve yanıt kalitesi metrikleri
İstem enjeksiyonu ve güvenlik testlerini hatta ekleme
Laboratuvar: PR başına LLM değerlendirme kapısı

Modül 2

Üretim Geri Bildirimi ve Otomatik Döngü

İzleme alarmından yeniden eğitim tetikleyicisine
Etiket toplama ve yeni veri setinin doğrulanması
Otomatik eğitim, değerlendirme ve kanarya zinciri
Hatalı döngüleri önleyen emniyet sınırları
Olay sonrası inceleme ve hat iyileştirmesi
Demo: Sapma alarmıyla başlayan uçtan uca döngü

Modül 3

Denetlenebilirlik, Uyum ve Onay

Commit, veri, model ve dağıtım arasında izlenebilirlik
SLSA çerçevesi ile yapı kökeni (provenance)
Görevler ayrılığı ve dört göz onay prensibi
EU AI Act kayıt tutma ve teknik dokümantasyon
ISO/IEC 42001 kapsamında değişiklik yönetimi
Uygulama: Model dağıtım denetim kaydı şablonu

Modül 4

Uçtan Uca Teslim Hattı Projesi ve Kapanış

Grup projesi: test, eğitim, terfi, GitOps ve kanarya
Hata senaryosu tatbikatı ve geri alma gösterimi
Proje sunumları ve mimari kod incelemesi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve hat şablonlarının teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

ML Test Stratejisi — Kod, veri ve model davranışını kapsayan test piramidini pytest ve Hypothesis ile uygulayabileceksiniz.
CI Hattı Tasarımı — GitHub Actions ile kalite kontrolü, eğitim duman testi ve metrik raporu üreten hatlar kurabileceksiniz.
Güvenli Paketleme — Taranan, SBOM'u çıkarılan ve Cosign ile imzalanan model imajlarıyla tedarik zincirini koruyabileceksiniz.
Kalite Kapıları — Referans modele göre metrik, adillik ve gecikme eşikleriyle model terfisini otomatik denetleyebileceksiniz.
GitOps Dağıtımı — Helm ve Argo CD ile ortam durumunu Git'te yöneterek izlenebilir ve geri alınabilir dağıtımlar yapabileceksiniz.
Kademeli Yayın — KServe ve Argo Rollouts ile kanarya ve gölge dağıtımlarını otomatik metrik analiziyle yönetebileceksiniz.
LLM Değerlendirme — promptfoo, DeepEval ve Ragas ile LLM uygulamalarına regresyon ve güvenlik test kapıları ekleyebileceksiniz.
Denetlenebilirlik — SLSA, görevler ayrılığı ve dağıtım kayıtlarıyla EU AI Act ve ISO/IEC 42001 beklentilerini karşılayacaksınız.

Kimler İçin Uygundur?

ML mühendisleri
MLOps ve DevOps mühendisleri
platform ve SRE ekipleri ile model dağıtım süreçlerini otomatikleştirmek isteyen deneyimli veri bilimciler ve yazılım mimarları.

Sıkça Sorulan Sorular

Makine Öğrenmesi için CI/CD Eğitimi kimler için uygundur?

Program; ML mühendisleri, MLOps ve DevOps mühendisleri, platform ve SRE ekipleri ile model dağıtım süreçlerini otomatikleştirmek isteyen deneyimli veri bilimciler ve yazılım mimarları için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla CI temelleri ve test stratejisi, veri-model hatları ve kalite kapıları, Kubernetes ile GitOps ve kademeli yayın, LLM hatları ve uçtan uca proje işlenir.

Katılım için hangi teknik deneyim gerekiyor?

Python ile model geliştirme, Git ve Docker kullanımı ile Pod, Deployment ve Service gibi temel Kubernetes kavramlarına aşinalık beklenir. Temel MLOps bilgisi eğitimi daha verimli kılar.

Eğitimde hangi araçlar kullanılıyor?

GitHub Actions, GitLab CI, pytest, Hypothesis, DVC, CML, Docker, Trivy, Cosign, Kubeflow Pipelines, MLflow, Helm, Argo CD, KServe, Argo Rollouts, Terraform, Kyverno, promptfoo, DeepEval ve Ragas kullanılır.

Hatlar kurumun kullandığı CI/CD aracına uyarlanabilir mi?

Evet. Laboratuvarlar GitHub Actions ile yürütülür ancak kavramlar araçtan bağımsızdır; kurumun GitLab CI, Azure DevOps veya Jenkins altyapısına göre örnekler uyarlanabilir. Katılımcılar Digital Vizyon Akademi sertifikası alır.

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

MAKİNE ÖĞRENMESİ İÇİN SÜREKLİ ENTEGRASYON VE DAĞITIM EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

ML Sistemlerinde CI, CD ve CT

Depo Yapısı ve Kod Kalitesi

ML için Test Piramidi

GitHub Actions ile İlk CI Hattı

DVC ve CML ile Veri-Model Otomasyonu

Konteyner ve Tedarik Zinciri Güvenliği

Sürekli Eğitim Hatları

Model Değerlendirme Kapıları ve Terfi

Kubernetes ve Helm ile Model Dağıtımı

Argo CD ile GitOps

KServe ve Kademeli Yayın Stratejileri

Altyapı Kodu ve Politika Yönetimi

LLM Uygulamaları için CI/CD

Üretim Geri Bildirimi ve Otomatik Döngü

Denetlenebilirlik, Uyum ve Onay

Uçtan Uca Teslim Hattı Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi