Eğitimin Amacı ve Kapsamı
Klasik BI raporlaması için kurulmuş veri ambarları; RAG, agent ve makine öğrenmesi uygulamalarının ihtiyaç duyduğu taze, bağlamsal, izlenebilir ve yapısal olmayan veriyi sağlamakta yetersiz kalır. Bu kapsamlı program, kurumsal veri hatlarını yapay zeka sistemlerini güvenle besleyecek AI-ready standardına dönüştürme yöntemlerini ele alır.
Kaynak sistemlerden veri alımı, veri kalitesi ve data contract tanımları, yapısal ve yapısal olmayan verinin birlikte işlenmesi, feature store ile vector database besleme hatları, lineage ve erişim kontrolü uygulamalı olarak işlenir. Katılımcılar kurumun bir yapay zeka use case'i için uçtan uca veri hattı tasarlar ve AI-ready data checklist ile lineage/ownership modeli çıkarır.
Kimler Katılmalı?
- Yapay zeka ve analitik projelere veri sağlayan veri mühendisleri ve analytics engineer'lar
- RAG ve ML sistemlerinin veri altyapısını kuran AI ve platform mühendisleri
- Kurumsal veri mimarisini modernize eden veri mimarları
- Ön koşul: Python, SQL ve temel veri hattı (ETL/ELT) deneyimi
Kazanımlar
- Mevcut veri kaynaklarını AI-ready data checklist kriterlerine göre değerlendirir
- Hem tablosal feature'ları hem de doküman/embedding verisini üreten bütünleşik pipeline'lar kurar
- Veri sızıntısını, şema kırılmalarını ve bayat veri (staleness) sorunlarını önleyen kontroller ekler
- RAG ve agent sistemleri için zengin metadata, chunking ve incremental indeksleme akışı tasarlar
- Veri sahipliği (ownership), lineage ve yetkilendirme sınırlarını veri hattına entegre eder
Konular
BI Verisinden AI-Ready Veriye Geçiş
- ML, RAG ve agent iş yüklerinin veri gereksinimleri
- AI-ready data checklist: tazelik, bağlam, kalite ve izlenebilirlik
Medallion Mimarisi ve Tablosal Feature Hatları
- Bronze-Silver-Gold katmanlarında veri temizleme ve zenginleştirme
- Point-in-time doğru feature üretimi ve online/offline tutarlılık
Yapısal Olmayan Veri ve Embedding Pipeline'ları
- Doküman ayrıştırma, chunking, metadata ekleme ve embedding üretimi
- Değişen dokümanlar için incremental güncelleme ve silme (upserts/deletes)
Veri Kalitesi, Data Contracts ve Gözlemlenebilirlik
- Üretici-tüketici sözleşmeleri, şema doğrulama ve drift tespiti
- Kalite kapıları (quality gates) ve hatalı veriyi karantinaya alma
Lineage, Yetkilendirme ve Yönetişim
- Kaynak dokümandan model yanıtına uçtan uca lineage
- PII maskeleme, RBAC/ABAC filtreleri ve ownership modeli
Bu Kategorideki Diğer Eğitimler
-
Kaynak sistemlerdeki sessiz şema ve veri bozulmalarını önlemek için otomatik veri kalitesi testleri (dbt, Great Expectations, Soda) ve üretici-tüketici arasında uygulanabilir data contract tasarımı.
- Canlı Kurs
- 5 modül
-
OpenLineage, DataHub/OpenMetadata ve veri gözlemlenebilirliği araçlarıyla veri varlıklarını keşfetme, kolon bazlı lineage çıkarma ve veri hatlarındaki gecikme veya dağılım kaymalarını erken yakalama.
- Canlı Kurs
- 5 modül
-
PDF, Word, taranmış belge, çağrı merkezi ses kaydı ve görüntülerden RAG ve multimodal yapay zeka sistemleri için ölçeklenebilir veri hazırlama, parçalama, metadata zenginleştirme ve indeksleme hatları.
- Canlı Kurs
- 5 modül
-
Apache Iceberg tabanlı lakehouse depolama, dbt ile modüler ve testli veri dönüşümü ve Apache Airflow ile orkestrasyon; ölçeklenebilir ve açık standartlı veri platformu kuran mühendisler için.
- Canlı Kurs
- 5 modül
-
Analitik, klasik ML, RAG ve otonom agent iş yüklerini aynı çatı altında destekleyen kurumsal veri mimarisi: lakehouse, semantic layer, feature store, vektör indeksleri ve yönetişim katmanı tasarımı.
- Canlı Kurs
- 5 modül
-
dbt tests, Soda Core ve Great Expectations ile veri hatlarında şema, iş kuralı, referans bütünlüğü ve istatistiksel dağılım testleri yazma; hatalı veriyi CI/CD ve staging aşamasında yakalama.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
