Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Veri bilimi ekiplerinin ürettiği modellerin paylaşımlı klasörler, e-posta bağlantıları veya rastgele S3 kovaları üzerinden canlı ortama taşınması; yanlış modelin yüklenmesine, şema uyumsuzluklarına ve güvenlik açıklarına yol açar. Model Registry, deney ortamı ile üretim ortamı arasındaki resmi sözleşme ve kontrol noktasıdır.

Bu eğitim; MLflow, W&B ve bulut/OCI tabanlı kayıt defterleri üzerinde standart model paketleme (Safetensors, ONNX, imzalı şemalar), ortamlar arası terfi (staging/champion/challenger), webhook tabanlı otomatik kabul testleri, zararlı pickle/ağırlık taraması ve Model Card dokümantasyonunu ele alır. Katılımcılar kurumları için üretime geçiş kriterlerini ve onay akışlarını içeren bir Model Registry yönetişim ve entegrasyon mimarisi kurar.

Kimler Katılmalı?

  • Modellerin test, onay ve canlıya geçiş süreçlerini yöneten MLOps ve platform mühendisleri
  • Üretim ortamına model teslim eden kıdemli veri bilimciler ve makine öğrenmesi mühendisleri
  • Model risk yönetimi, denetim ve yapay zeka yönetişimi süreçlerinde yer alan teknik uzmanlar
  • Ön koşul: Python, temel Docker bilgisi ve makine öğrenmesi yaşam döngüsüne aşinalık

Kazanımlar

  • Her model kaydında giriş/çıkış şeması, bağımlılık listesi ve eğitim soykütüğünü zorunlu kılan paketleme standardı kurmak
  • Alias (@champion, @challenger, @archived) yapısı ile kod değiştirmeden canlı servis modelini güncellemek veya geri almak
  • Yeni bir model sürümü kaydedildiğinde webhook/CI üzerinden otomatik doğruluk, gecikme ve adillik (fairness) testleri tetiklemek
  • Pickle tabanlı rastgele kod çalıştırma açıklarını önlemek için Safetensors/ONNX ve ModelScan güvenlik kontrolleri uygulamak
  • Denetim ve paydaş onayı için otomatik doldurulan Model Card ve sürüm onay (sign-off) kayıtları oluşturmak

Konular

Deneyden Üretime: Neden Merkezi Bir Model Registry?
  • Artefakt deposu (S3), Container Registry (OCI) ve ML Model Registry arasındaki sorumluluk farkları
  • Çoklu ekip ve çoklu ortam (Dev, Staging, Prod) topolojilerinde merkezi kayıt defteri mimarisi
Standart Model Paketleme, İmzalar ve Güvenlik
  • Zorunlu giriş/çıkış şemaları (ModelSignature), örnek girdiler ve deterministik çalışma zamanı bağımlılıkları
  • Pickle güvenlik riskleri, Safetensors / ONNX standartları ve ModelScan ile zararlı yük (payload) taraması
Yaşam Döngüsü Yönetimi: Sürümler, Etiketler ve Alias'lar
  • Değiştirilemez (immutable) model versiyonları ve esnek ortam işaretçileri (@champion, @challenger, @shadow)
  • Canlı servislerin doğrudan alias üzerinden model çekmesi ve tek komutla güvenli geri alma (rollback)
Otomatik Doğrulama Kapıları ve Webhook Entegrasyonu
  • Model kaydı veya alias değişimi olaylarında (events) CI/CD iş akışlarını tetikleme
  • Altın test veri seti (golden dataset) üzerinde regresyon, gecikme (latency), bellek ve önyargı (bias) kontrol kapıları
Model Kartları, Onay Akışları ve Yönetişim (Governance)
  • Eğitim metrikleri, veri kaynağı, bilinen sınırlar ve kullanım amacını içeren standart Model Card üretimi
  • Rol tabanlı erişim kontrolü (RBAC), onay (sign-off) izleri ve EU AI Act / iç denetim uyumluluğu

Bu Kategorideki Diğer Eğitimler

  • Model Serving ve Yüksek Performanslı Çıkarım Mimarileri

    Online/batch/streaming çıkarım desenleri, Triton Inference Server, BentoML, Ray Serve ve vLLM, dynamic batching, gRPC/REST, önbellekleme ve yük testi; modelleri düşük gecikme ve yüksek throughput ile sunan ekipler için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Makine Öğrenmesi için CI/CD ve Sürekli Eğitim (CT)

    GitHub Actions/GitLab CI ile veri, model ve kod doğrulama, PR üzerinde otomatik model değerlendirme raporları, Airflow/Argo/Prefect ile Continuous Training (CT) tetikleyicileri ve GitOps dağıtımı; MLOps ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka İş Yükleri için Container ve Kubernetes Dağıtımı

    CUDA/PyTorch için optimize Docker imajları, Kubernetes NVIDIA GPU Operator, MIG/time-slicing, KServe ile serverless/autoscaling model sunumu ve Kubeflow/Volcano ile dağıtık eğitim; platform ve MLOps ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • GPU ve Çıkarım (Inference) Optimizasyonu

    GPU bellek/compute mimarisi, Nsight Systems ile profilleme, TensorRT, FlashAttention, KV cache yönetimi, AWQ/GPTQ/FP8 quantization ve speculative decoding; derin öğrenme ve LLM çıkarım maliyetini düşüren mühendisler için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Amazon SageMaker ile Kurumsal MLOps ve Model Dağıtımı

    SageMaker Studio, Processing ve Training Jobs, SageMaker Pipelines, Model Registry, Real-Time/Serverless/Async Inference, Model Monitor ve IAM/VPC güvenliği; AWS üzerinde uçtan uca ML işleten ekipler için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Üretimde Model İzleme ve Gözlemlenebilirlik (ML Observability)

    OpenTelemetry, Prometheus ve Grafana ile sistem ve model telemetrisi, tahmin loglama, gecikmeli gerçek etiket (ground truth) eşleştirme, canlı doğruluk takibi ve olay müdahalesi; MLOps ve SRE ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin