Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Hata mesajını kopyalayıp yapay zekanın önerdiği ilk yamayı uygulamak, basit sentaks hatalarında işe yarasa da üretim ortamındaki yarış durumları (race conditions), bellek sızıntıları ve dağıtık sistem hatalarında sorunu maskeleyip daha derin arızalara yol açar. Bu eğitim, bilimsel yöntemi ve kanıt toplamayı coding agent gücüyle birleştiren hata ayıklama disiplinini öğretir.

Semptom ile kök nedeni ayırma, çoklu hipotez üretimi ve yanlışlama, log/trace/dump verilerini bağlama alma, hatayı yeniden üreten başarısız testi (reproduction test) önce yazma, git bisect otomasyonu ve kök neden analizi (RCA) raporlaması gerçekçi hata senaryoları üzerinde uygulanır.

Kimler Katılmalı?

  • Yazılım geliştiriciler ve kıdemli mühendisler
  • Üretim hatalarını (L3 support / on-call) çözen mühendislik ekipleri
  • Teknik takım liderleri ve QA/SDET mühendisleri
  • Ön koşul: Aktif yazılım geliştirme ve temel hata ayıklama araçları (debugger, log okuma) deneyimi

Kazanımlar

  • Körlemesine kod değiştirmeden önce en az üç rakip hipotez kurup her biri için kanıt testi tanımlar
  • Stack trace, yapılandırılmış log ve dağıtık iz (trace) verilerini hassas bilgileri maskeleyerek analiz eder
  • Kök nedeni kanıtlayan en küçük tekrarlanabilir örneği (MRE) ve başarısız regresyon testini yazar
  • git bisect ve otomatik doğrulama script'leriyle hatayı sokan commit'i dakikalar içinde bulur
  • Kalıcı çözümü ve gelecekteki önlemleri içeren beş-neden (5 Whys) / post-mortem özeti hazırlar

Konular

Tahmine Dayalı Yamalama vs. Kanıta Dayalı Hata Ayıklama
  • LLM'lerin 'ilk akla gelen yamayı' önerme eğilimi (sycophancy ve premature fix)
  • Bilimsel hata ayıklama döngüsü: Gözlem → Hipotez → Deney/Enstrümantasyon → Kanıt → Çözüm
Kanıt Toplama: Log, Stack Trace ve Çalışma Zamanı Verileri
  • Çok servisli logları, OpenTelemetry izlerini ve veritabanı sorgu planlarını korele etme
  • Eksik kanıt varsa geçici tanı logları (diagnostic logging) ve durum dökümü ekleme
Hatayı Yeniden Üretme (MRE) ve Regresyon Testi
  • Üretimdeki hatayı izole eden en küçük tekrarlanabilir senaryoyu (MRE) oluşturma
  • Yama yazmadan önce hatayı kırmızıda yakalayan otomatik test yazma kuralı
Git Bisect, Fark Analizi ve Zorlu Hata Sınıfları
  • Otomatik test script'i ile git bisect run kullanarak regresyon commit'ini bulma
  • Eşzamanlılık (race condition), asenkron zamanlama, bellek ve önbellek (cache) hatalarının analizi
Kök Neden Analizi (RCA) ve Sistemik Önleme
  • Yamanın yan etkilerini ve benzer hatanın kod tabanının başka yerinde olup olmadığını tarama
  • Suçlamasız (blameless) post-mortem, yeni linter/test kuralı ve ekip bilgi paylaşımı

Bu Kategorideki Diğer Eğitimler

  • Yapay Zeka ile Teknik Dokümantasyon

    Kod tabanından beslenen yaşayan teknik dokümantasyon: Mimari Karar Kayıtları (ADR), C4/Mermaid diyagramları, OpenAPI/SDK referansları, onboarding kılavuzları ve CI/CD içinde doküman güncellik kontrolü.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Kod Tabanlarında Context Mühendisliği

    Büyük ve monorepo kod tabanlarında coding agent'ların doğru kod üretmesi için AST tabanlı indeksleme, semantik/leksikal arama, bağımlılık grafiği, AGENTS.md/CLAUDE.md hiyerarşisi ve context window bütçeleme eğitimi.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Güvenli Kod İncelemesi

    Yapay zeka ve insan tarafından yazılan kodlarda OWASP Top 10, yetkilendirme açıkları, uydurma paket (slopsquatting), gizli anahtar sızıntısı ve güvensiz varsayılanları SAST (Semgrep, CodeQL) ve LLM destekli incelemeyle yakalama eğitimi.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Kurumsal Yapay Zeka Kodlama Politikaları

    Yazılım organizasyonları için yapay zeka kodlama araçlarının veri gizliliği (ZDR), fikri mülkiyet, açık kaynak lisans uyumu, onaylı model/MCP listeleri, risk kademelendirmesi ve kabul standartlarını belirleyen yönetişim eğitimi.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka Destekli SDLC Tasarımı

    Kod üretim hızı arttığında oluşan inceleme, test ve güvenlik darboğazlarını çözen; gereksinim, mimari, geliştirme, PR review, CI/CD, QA ve operasyon aşamalarını yeniden kurgulayan uçtan uca AI-native SDLC eğitimi.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka ile Legacy Kod Modernizasyonu (COBOL, PL/SQL, Monolit → Modern Mimari)

    COBOL, PL/SQL saklı yordamları ve eski Java/.NET monolitlerinden iş kurallarını çıkarma, Strangler Fig deseniyle parçalama, golden-master/çift koşum (dual-run) denklik testleri ve hedef mimariye güvenli dönüşüm eğitimi.

    Yapay Zeka Destekli Yazılım Geliştirme Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin