Eğitimin Amacı ve Kapsamı
Tablo ve model sayısı yüzleri aştığında ekipler hangi tablonun güncel olduğunu, bir kolon değiştiğinde hangi dashboard veya yapay zeka modelinin etkileneceğini göremez hale gelir. Bu program; veri kataloğu, uçtan uca lineage ve veri gözlemlenebilirliğini (data observability) tek bir kontrol düzlemi olarak kurgulama pratiği kazandırır.
OpenMetadata veya DataHub üzerinde katalog kurulumu, SQL AST ayrıştırma ve OpenLineage ile kolon bazlı lineage toplama, tazelik/hacim/dağılım izleme ve kök neden analizi uygulamalı işlenir. Katılımcılar kurumun örnek veri akışı üzerinde bir lineage/ownership modeli ve olay müdahale (incident response) akışı tasarlar.
Kimler Katılmalı?
- Veri platformu ve veri mühendisliği ekipleri
- Veri yönetişimi (data governance) uzmanları ve veri mimarları
- Çok sayıda kaynaktan beslenen ML ve RAG sistemlerini işleten AI mühendisleri
- Ön koşul: SQL, modern veri ambarı/lakehouse kavramları ve temel veri hattı bilgisi
Kazanımlar
- Veri varlıklarını iş sözlüğü, etiketler, PII sınıflandırması ve sahiplik bilgisiyle kataloglar
- Tablo ve kolon bazlı lineage ile şema değişikliklerinin etki analizini (impact analysis) yapar
- Veri tazeliği, hacim, şema ve dağılım metriklerini izleyerek anomalileri iş birimi fark etmeden yakalar
- Bir veri hatası oluştuğunda lineage grafiği üzerinden kök nedene hızla ulaşır
- Kurum içi veri sahipliği (data ownership) ve SLA bildirim modelini kurgular
Konular
Modern Veri Kataloğu ve Aktif Metadata
- Pasif veri sözlüğünden aktif metadata platformuna geçiş (DataHub, OpenMetadata)
- İş terimleri sözlüğü, sahiplik (ownership), tiering ve PII etiketleme
Tablo ve Kolon Bazlı Lineage Mimarisi
- OpenLineage standardı, Airflow/dbt/Spark entegrasyonu ve SQL ayrıştırma
- Kolon bazlı etki analizi (impact analysis) ve BI/AI tüketici takibi
Veri Gözlemlenebilirliğinin (Data Observability) 5 Sütunu
- Freshness, volume, schema, distribution ve lineage metrikleri
- Kural tabanlı testler ile otomatik anomali tespiti arasındaki denge
Uyarı Yönetimi ve Kök Neden Analizi (RCA)
- Alert yorgunluğunu önleme, önem derecesi ve yönlendirme kuralları
- Lineage grafiği üzerinde kırılan akışı ve etkilenen rapor/modelleri bulma
Yönetişim, Denetim ve AI Sistemleriyle Entegrasyon
- KVKK/GDPR uyumu, erişim denetimi ve veri saklama politikaları
- RAG indeksleri ve ML feature tabloları için kaynak izlenebilirliği
Bu Kategorideki Diğer Eğitimler
-
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
-
Yazılım ekipleri ile veri/AI ekipleri arasındaki veri alışverişini OpenDataContractStandard (ODCS), Schema Registry ve CI/CD kontrolleriyle güvenceye alan uygulamalı data contract eğitimi.
- Canlı Kurs
- 5 modül
-
OpenMetadata ve DataHub ile kurumsal veri kataloğu kurulumu, iş terimleri sözlüğü, otomatik metadata hasadı ve OpenLineage ile kaynaktan BI/AI çıktısına kadar kolon bazlı lineage takibi.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
