Eğitimin Amacı ve Kapsamı
Kurumsal süreçlerde bilginin büyük bölümü düz metin değil; PDF sayfaları, fatura ve formlar, teknik çizimler, ürün fotoğrafları ve çağrı merkezi ses kayıtları içindedir. Bu eğitim; GPT-4o, Claude ve Gemini'nin multimodal yeteneklerini, Qwen-VL, Pixtral ve Llama Vision gibi open-weight vision-language modellerini (VLM) ve görsel/ses token fiyatlandırmasını kapsar.
Katılımcılar klasik OCR pipeline'ları ile doğrudan VLM tabanlı belge anlamayı karşılaştırır; kurumlarından seçilen görsel veya sesli senaryolar üzerinde yapılandırılmış veri çıkarımı ve görsel soru-cevap uygulaması geliştirir.
Kimler Katılmalı?
- Belge işleme, görsel denetim veya medya analizi ürünleri geliştiren yazılım ve yapay zeka mühendisleri
- Çok modlu veriden bilgi çıkarımı yapan veri bilimciler
- Çağrı merkezi, saha operasyonları ve doküman otomasyonu çözümleri tasarlayan teknik ekipler
- Ön koşul: Python veya TypeScript ile LLM API kullanım deneyimi
Kazanımlar
- Görsel çözünürlük, tiling ve kare örneklemenin token maliyetine ve doğruluğa etkisini hesaplar
- Karmaşık tablo, grafik ve çok sütunlu PDF sayfalarından VLM ile şemalı veri çıkarır
- Ses ve video akışlarını transkripsiyon + LLM veya doğrudan multimodal API ile işler
- Görsel halüsinasyonları ve okuma hatalarını yakalayan doğrulama adımları kurar
- Kurum verisi üzerinde OCR + LLM ile doğrudan VLM yaklaşımını kalite ve maliyet açısından kıyaslar
Konular
Multimodal Modellerin Çalışma Prensibi
- Vision encoder, projeksiyon katmanı ve birleşik token uzayı
- Görsel çözünürlük, patch/tile hesabı ve sağlayıcı bazlı fiyatlandırma
Görsel ve Belge Anlama (Document AI)
- Taranmış belge, form, tablo ve grafiklerden yapılandırılmış JSON çıkarımı
- Klasik OCR/layout modelleri (Docling, Surya) ile doğrudan VLM karşılaştırması
Open-Weight Vision-Language Modelleri
- Qwen-VL, Pixtral ve Llama Vision modellerinin yerel/özel bulutta çalıştırılması
- Veri gizliliği gerektiren kurumsal belgelerde şirket içi çıkarım
Ses ve Video İşleme Akışları
- Whisper/ASR + LLM zinciri ile doğrudan ses kabul eden modellerin kıyaslanması
- Video kare örnekleme, zaman damgalı olay çıkarımı ve özetleme
Multimodal Halüsinasyon, Güvenlik ve Eval
- Görsel halüsinasyon türleri, küçük metin okuma hataları ve kırpma/büyütme teknikleri
- Görsel içerik üzerinden dolaylı prompt injection ve alan bazlı doğruluk ölçümü
Uygulama: Çok Modlu Belge ve Medya Pipeline'ı
- Kurum belgeleri veya görselleri üzerinde uçtan uca çıkarım servisi
- Kalite, latency ve sayfa başı maliyet analizi
Bu Kategorideki Diğer Eğitimler
-
Sparse Mixture of Experts (MoE) modellerinin router, aktif parametre ve uzman dengesi mantığını; VRAM hesaplamasını, vLLM/SGLang ile expert parallelism sunumunu ve LoRA ile uyarlanmasını kapsayan ileri seviye program.
- Canlı Kurs
- 6 modül
-
SSE, WebSockets ve WebRTC ile düşük gecikmeli metin, yapılandırılmış veri ve çift yönlü ses akışı sunan gerçek zamanlı LLM uygulamaları geliştirme; TTFT optimizasyonu, kesme (barge-in) ve eşzamanlılık yönetimi.
- Canlı Kurs
- 6 modül
-
1B–14B parametreli küçük dil modelleriyle (Llama, Qwen, Gemma, Phi, Ministral) sınıflandırma, çıkarım, yönlendirme ve dar kapsamlı görevlerde düşük maliyetli ve hızlı çözümler geliştirme; distillation ve ince ayar programı.
- Canlı Kurs
- 6 modül
-
Llama, Qwen, Mistral ve DeepSeek gibi open-weight modelleri vLLM, SGLang ve Ollama ile şirket içi veya özel bulutta OpenAI uyumlu API olarak sunma, GPU boyutlandırma, quantization ve güvenlik programı.
- Canlı Kurs
- 6 modül
-
Üretimdeki LLM uygulamalarında token tüketimini, fatura maliyetini ve p95 gecikmeyi düşüren mühendislik teknikleri: prompt ve semantik caching, Batch API, çıktı kontrolü, model kademelendirme ve birim maliyet analizi.
- Canlı Kurs
- 6 modül
-
LangChain v0.3+ ekosistemiyle (LCEL, ChatModel soyutlaması, prompt şablonları, structured output, tool calling, retriever entegrasyonu ve LangSmith izleme) modüler LLM uygulamaları geliştirmeyi öğreten program.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
