Yapay Zeka için Geliştirme ve Operasyon (MLOps)

Eğitim Hakkında

Bu eğitim, makine öğrenmesi ve üretken yapay zeka modellerini deney aşamasından güvenilir üretim sistemlerine taşıyan ekiplerin MLOps ve LLMOps süreçlerini kurması için tasarlanmış üç günlük uygulamalı bir programdır. Katılımcılar veri ve model sürümleme, deney takibi, otomatik test ve yayın hatları, sürekli eğitim, kayma izleme ve model yönetişimini tek bir referans proje üzerinde uygular.

Neden Bu Eğitim?

Tekrarlanabilirlik. Aynı veri, kod ve parametreyle aynı modeli yeniden üretebilen, denetlenebilir bir geliştirme düzeni kurun.

Güvenli Yayın. Otomatik testler, model kaydı ve kademeli yayın stratejileriyle modelleri riski kontrol ederek canlıya alın.

Sürekli Gözetim. Veri kayması, performans düşüşü ve LLM kalite sorunlarını kullanıcıdan önce fark eden izleme düzeni kurun.

“Bir modelin değeri ilk yayın gününde değil, değişen veriye rağmen güvenilir kalmaya devam ettiği her gün kanıtlanır.”

Ön Koşullar

Python ve ML Temeli — Python ile scikit-learn benzeri bir kütüphanede model eğitip değerlendirmiş olmak.
Git Kullanımı — Dal, commit, pull request ve birleştirme işlemlerini günlük işlerde kullanabilmek.
Komut Satırı ve Docker — Linux komut satırında rahat çalışabilmek ve temel Docker komutlarını bilmek.
Çalışma Ortamı — Python 3, Docker ve Git kurulu bilgisayar ile bir GitHub hesabı; bulut hesabı gerekmez.

Eğitim İçeriği

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

Günün hedefiYapay zeka yaşam döngüsünü ve MLOps olgunluk düzeylerini tanımak, kod, veri ve modeli birlikte sürümlemek, deneyleri izlemek ve eğitim sürecini otomatik hatta dönüştürmek.

Modül 1

Yapay Zeka Yaşam Döngüsü ve MLOps Olgunluğu

DevOps, MLOps ve LLMOps arasındaki farklar
Yapay zeka sistemlerinde teknik borç kaynakları
MLOps olgunluk düzeyleri: manuel süreçten otomasyona
Roller: veri bilimci, ML mühendisi, platform ekibi
Araç ekosistemi haritası ve seçim kriterleri
Atölye: Kurumunuzun MLOps olgunluk değerlendirmesi

Modül 2

Tekrarlanabilir Proje Yapısı

Not defterinden modüler Python paketine geçiş
Bağımlılık yönetimi: uv ve kilit dosyaları
Yapılandırma yönetimi ve parametre dosyaları
Kod kalitesi: Ruff, pre-commit ve tip denetimi
Docker ile eğitim ortamının sabitlenmesi
Laboratuvar: Referans projenin yeniden yapılandırılması

Modül 3

Veri Sürümleme ve Deney Takibi

DVC ile veri ve model dosyalarının sürümlenmesi
Uzak depolama ve veri kökeni (lineage) takibi
MLflow ile parametre, metrik ve artefakt kaydı
Deneylerin karşılaştırılması ve etiketlenmesi
Rastgelelik tohumları ve sonuçların yeniden üretimi
Laboratuvar: DVC ve MLflow ile izlenebilir deneyler

Modül 4

Eğitim Hatları ve Özellik Yönetimi

Veri hazırlama, eğitim ve değerlendirme adımlarını hatta bağlama
Prefect ve Apache Airflow ile iş akışı orkestrasyonu
Kubeflow Pipelines yaklaşımına genel bakış
Feast ile özellik deposu ve eğitim-servis tutarlılığı
Laboratuvar: Zamanlanmış eğitim hattı kurulumu
Günün değerlendirmesi ve CI/CD gününe köprü

Günün hedefiVeri ve modeller için otomatik testler yazmak, model kaydıyla terfi sürecini yönetmek, CI/CD ve sürekli eğitim hatları kurmak ve kademeli yayın stratejilerini uygulamak.

Modül 1

Veri ve Model Testleri

Yapay zeka sistemleri için test piramidi
Pandera ve Great Expectations ile veri doğrulama
Model testleri: minimum performans ve davranış testleri
Adalet ve dilim bazlı performans kontrolleri
pytest ile eğitim ve çıkarım kodu testleri
Laboratuvar: Referans projeye test paketi ekleme

Modül 2

Model Kaydı ve Terfi Süreci

MLflow Model Registry: sürüm, takma ad ve etiketler
Aday, onaylı ve üretim modeli ayrımı
Terfi kriterleri: metrik eşikleri ve insan onayı
Model kartı ve değerlendirme raporu üretimi
Geri alma (rollback) ve eski sürümlere dönüş
Laboratuvar: Onay kapılı model terfi akışı

Modül 3

CI/CD ve Sürekli Eğitim Hatları

GitHub Actions ile ML için sürekli entegrasyon
Kod, veri ve model değişikliğine göre tetikleme
Sürekli eğitim (CT): zamanlanmış ve kayma tetiklemeli
Terraform ile altyapının kod olarak yönetimi
Sırlar, ortamlar ve yayın onayı yönetimi
Laboratuvar: Eğitimden kayda uçtan uca CI/CD hattı

Modül 4

Servisleme Seçenekleri ve Yayın Stratejileri

Çevrim içi, toplu ve akış tabanlı çıkarım senaryoları
Laboratuvar: BentoML ile modeli paketleyip servis etme
Yönetilen platformlar: SageMaker, Azure ML, Vertex AI
Gölge (shadow), kanarya ve mavi-yeşil yayın
A/B testi ile iş metriklerine etki ölçümü
Günün değerlendirmesi ve izleme gününe köprü

Günün hedefiCanlı modellerde kayma ve performansı izlemek, LLM uygulamaları için istem, değerlendirme ve izleme süreçleri kurmak ve yönetişim gerekliliklerini MLOps hattına yerleştirmek.

Modül 1

Model İzleme ve Kayma Tespiti

Operasyonel metrikler: gecikme, hata oranı, kaynak
Veri kayması, tahmin kayması ve kavram kayması
Evidently ile kayma ve kalite raporları
Gecikmeli etiketlerle performans takibi
Prometheus ve Grafana ile uyarı panoları
Laboratuvar: Kayma tetiklemeli yeniden eğitim uyarısı

Modül 2

LLMOps: Üretken Yapay Zeka Operasyonları

LLM uygulamalarında sürümlenen öğeler: istem, model, veri
İstem ve yapılandırma sürümleme yaklaşımları
promptfoo ile CI hattında LLM değerlendirmesi
Langfuse ve MLflow Tracing ile izleme
Maliyet, gecikme ve token bütçesi yönetimi
Laboratuvar: İstem değişikliğinde otomatik regresyon testi

Modül 3

Model Yönetişimi ve Uyum

Model envanteri, sahiplik ve risk sınıflandırması
Veri ve model kökeni ile denetim izi
ISO/IEC 42001 kapsamında yaşam döngüsü kontrolleri
AB Yapay Zeka Yasası teknik dokümantasyon beklentisi
KVKK: eğitim verisinde kişisel veri ve saklama
Vaka: Denetime hazır MLOps kanıt paketi

Modül 4

Referans Proje Sunumları ve Kapanış

Proje: Test, kayıt, yayın ve izleme içeren tam hat
Grup sunumları ve mimari inceleme geri bildirimi
Kurumsal MLOps platformu yol haritası taslağı
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve referans proje kodlarının teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

MLOps Olgunluğu — Kurumunuzun MLOps olgunluk düzeyini değerlendirip bir sonraki seviyeye geçiş adımlarını belirleyebileceksiniz.
Tekrarlanabilirlik — uv, Docker, DVC ve MLflow ile kod, veri ve modeli birlikte sürümleyip deneyleri yeniden üretebileceksiniz.
Eğitim Hatları — Prefect veya Airflow ile veri hazırlama, eğitim ve değerlendirme adımlarını otomatik hatlara dönüştürebileceksiniz.
Otomatik Testler — Veri doğrulama, model davranışı ve dilim bazlı performans testlerini CI sürecine ekleyebileceksiniz.
CI/CD ve Yayın — GitHub Actions, model kaydı ve kanarya yayınla modelleri onay kapılarıyla güvenle canlıya alabileceksiniz.
Model İzleme — Evidently, Prometheus ve Grafana ile kaymayı izleyip gerektiğinde yeniden eğitimi tetikleyebileceksiniz.
LLMOps Süreçleri — İstem sürümleme, CI içinde LLM değerlendirmesi ve izleme ile üretken yapay zeka uygulamalarını işletebileceksiniz.
Model Yönetişimi — Model envanteri, köken takibi ve ISO/IEC 42001 kontrollerini içeren denetime hazır bir MLOps düzeni kuracaksınız.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
veri bilimciler
DevOps ve platform mühendisleri
yazılım mimarları ile yapay zeka projelerini üretime alan teknik ekip liderleri.

Sıkça Sorulan Sorular

Yapay Zeka için Geliştirme ve Operasyon Süreçleri Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, veri bilimciler, DevOps ve platform mühendisleri, yazılım mimarları ile yapay zeka projelerini üretime alan teknik ekip liderleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün sürümleme, deney takibi ve eğitim hatları; ikinci gün testler, model kaydı, CI/CD ve yayın stratejileri; üçüncü gün izleme, LLMOps ve yönetişim işlenir.

MLOps ile bu eğitimin adı arasındaki ilişki nedir?

Yapay zeka için geliştirme ve operasyon süreçleri, sektörde MLOps ve üretken yapay zeka uygulamaları için LLMOps olarak bilinen disiplinleri kapsar. Eğitim her iki yaklaşımı tek bir yaşam döngüsü çerçevesinde ele alır.

Katılım için hangi teknik bilgiler gerekli?

Python ile model eğitmiş olmak, Git ve Linux komut satırını kullanabilmek ve temel Docker bilgisine sahip olmak beklenir. Laboratuvarlar yerel ortamda yürütüldüğü için bulut hesabı gerekmez.

Hangi araçlar kullanılıyor ve kurum altyapısına uyarlanabilir mi?

uv, DVC, MLflow, Prefect, Feast, Pandera, GitHub Actions, BentoML, Evidently, Prometheus, Grafana, promptfoo ve Langfuse kullanılır. İçerik Azure ML, SageMaker veya Vertex AI gibi kurumun platformuna göre uyarlanabilir; katılımcılar sertifika 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

YAPAY ZEKA İÇİN GELİŞTİRME VE OPERASYON SÜREÇLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Yapay Zeka Yaşam Döngüsü ve MLOps Olgunluğu

Tekrarlanabilir Proje Yapısı

Veri Sürümleme ve Deney Takibi

Eğitim Hatları ve Özellik Yönetimi

Veri ve Model Testleri

Model Kaydı ve Terfi Süreci

CI/CD ve Sürekli Eğitim Hatları

Servisleme Seçenekleri ve Yayın Stratejileri

Model İzleme ve Kayma Tespiti

LLMOps: Üretken Yapay Zeka Operasyonları

Model Yönetişimi ve Uyum

Referans Proje Sunumları 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