Eğitimin Amacı ve Kapsamı
Kurumlarda farklı ekipler birbirinden kopuk araçlar, gölge API anahtarları ve izole GPU sunucuları kurduğunda teknik borç, güvenlik riski ve lisans/bulut maliyeti hızla kontrolden çıkar. Başarılı bir kurumsal yapay zeka platformu, hem klasik makine öğrenmesi (tahmin, öneri, görüntü) hem de üretken yapay zeka (LLM, RAG, agent) iş yüklerini ortak bir mühendislik omurgası üzerinde toplar.
Bu ileri seviye mimari eğitim; hesaplama ve GPU orkestrasyon katmanını (Kubernetes/Ray/Slurm, hibrit bulut), veri ve özellik katmanını (Lakehouse, Feature Store, Vector DB), model yaşam döngüsü ve sunum katmanını (Registry, Triton/vLLM/KServe, merkezi AI Gateway) ve kurumsal yönetişim/observability katmanını uçtan uca ele alır. Katılımcılar kendi kurumlarının ölçeğine ve regülasyon kısıtlarına uygun bir AI Platform referans mimarisi ve yetenek haritası (capability map) hazırlar.
Kimler Katılmalı?
- Kurumsal yapay zeka ve MLOps platformunu tasarlayan kurumsal mimarlar, çözüm mimarları ve AI platform mühendisleri
- Veri bilimi, yapay zeka ve altyapı ekiplerini yöneten mühendislik liderleri (Head of AI / Platform / Data)
- Bulut, on-prem veya hibrit GPU ve model altyapısı dönüşümünü yöneten teknik karar vericiler
- Ön koşul: Dağıtık sistemler, bulut/Kubernetes mimarisi ve makine öğrenmesi yaşam döngüsü deneyimi
Kazanımlar
- Klasik ML ve GenAI/LLM iş yüklerini tek bir çok katmanlı kurumsal referans mimaride (MLOps reference architecture) birleştirmek
- Build vs Buy karar matrisiyle hangi bileşenlerde açık kaynak (Kubeflow, Ray, MLflow, vLLM), hangilerinde yönetilen bulut servisi kullanılacağını belirlemek
- On-prem GPU kümeleri ile bulut esnekliğini (cloud bursting) birleştiren hibrit hesaplama ve ağ topolojisi kurgulamak
- Dış LLM API'lerini ve kurum içi açık ağırlıklı modelleri tek bir merkezi AI Gateway üzerinden yönlendirmek ve denetlemek
- Kurumun mevcut olgunluğundan hedef platforma geçiş için aşamalı bir Platform Capability Map ve 12 aylık yol haritası çıkarmak
Konular
Kurumsal AI Platformunun Anatomisi ve Yetenek Haritası
- Beş temel düzlem: Veri/Bağlam, Geliştirme/Deney, Hesaplama/Orkestrasyon, Sunum/Gateway ve Yönetişim/Gözlemlenebilirlik
- Klasik MLOps ile LLMOps/GenAI gereksinimlerinin kesiştiği ve ayrıştığı mimari noktalar
Hesaplama, Dağıtık İş Yükü (Ray/Kubernetes) ve Hibrit Bulut
- Kubernetes, KubeRay ve Kueue ile etkileşimli geliştirme, dağıtık eğitim ve 7/24 çıkarım iş yüklerini aynı kümede işletme
- On-prem GPU yatırımı ile bulut (AWS/Azure/GCP) arasında veri yerçekimi (data gravity), ağ gecikmesi ve hibrit topoloji
Veri, Özellik (Feature Store) ve Vektör Katmanı Entegrasyonu
- Lakehouse (Iceberg/Delta) omurgasının eğitim pipeline'ları, Feature Store ve kurumsal RAG/vektör indeksleriyle bağlanması
- Veri soykütüğü (lineage), PII maskeleme ve üretim loglarının yeniden eğitim döngüsüne (data flywheel) geri beslenmesi
Birleşik Model Sunumu ve Merkezi AI Gateway Mimarisi
- KServe, Triton ve vLLM ile iç modellerin sunumu; LiteLLM / Kong / Envoy AI Gateway ile dış ve iç LLM'lerin tek uçta toplanması
- Merkezi hız sınırlama (rate limiting), anlamsal önbellekleme, sağlayıcı yedekliliği (failover) ve PII/guardrail katmanı
Build vs Buy Karar Çerçevesi, Çoklu Kiracılık ve Yol Haritası
- Yönetilen bulut platformları (SageMaker, Vertex AI, Azure AI Foundry, Databricks) ile modüler açık kaynak yığınının TCO karşılaştırması
- Namespace/proje izolasyonu ve kurum için aşamalı AI Platform Capability Map (MVP'den olgun platforma) tasarımı
Bu Kategorideki Diğer Eğitimler
-
Veri bilimciler ve AI mühendisleri için Internal Developer Platform (IDP) tasarımı: Backstage şablonları, isteğe bağlı notebook/GPU ortamları, Golden Path pipeline'lar ve self-service model dağıtımı; platform ekipleri için.
- Canlı Kurs
- 5 modül
-
AI iş yüklerinde IAM/RBAC/ABAC, HashiCorp Vault ve External Secrets ile API/veritabanı anahtarı yönetimi, OPA/Kyverno ile Policy-as-Code, tedarik zinciri (pickle/imaj) güvenliği ve ağ izolasyonu; platform ve güvenlik ekipleri için.
- Canlı Kurs
- 5 modül
-
GPU ve LLM token birim ekonomisi, DCGM/Kubecost/OpenCost ile maliyet görünürlüğü, Kueue ile kota/önceliklendirme, MIG/kesirli GPU paylaşımı, Spot eğitimi ve model yönlendirme; AI platform ve FinOps liderleri için.
- Canlı Kurs
- 5 modül
-
Jupyter notebook'tan üretime geçiş: modüler Python projesi, DVC, MLflow, FastAPI ile paketleme, Docker ve GitHub Actions ile uçtan uca çalışan bir makine öğrenmesi pipeline'ı kurmak isteyen veri bilimciler ve mühendisler için.
- Canlı Kurs
- 5 modül
-
MLOps – Temel Seviye
Makine öğrenimi modellerinin yaşam döngüsü yönetimi, Docker ve Kubernetes ile konteynerizasyon, MLflow/Kubeflow ile CI/CD otomasyonu ve model drift izleme süreçlerini kapsayan MLOps eğitimi.
- Canlı Kurs
- 6 modül
-
Sistematik deney tasarımı, Optuna ve Ray Tune ile hiperparametre optimizasyonu, metrik/artefakt standartları, tekrar üretilebilirlik ve deney araçlarının (MLflow, W&B, Neptune) karşılaştırmalı kurulumu; veri bilimi ekipleri için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
