Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Veri bilimcilerin eğitim için SQL/Pandas ile yazdığı özellik (feature) hesaplamalarının, canlı ortamda backend ekibi tarafından Java veya Go ile yeniden yazılması en tehlikeli MLOps hatasına yol açar: training-serving skew (eğitim ve canlı özellik uyumsuzluğu). Üstelik geçmiş veriden eğitim seti oluştururken gelecekteki bilginin sızması (time-travel leakage) modelin kağıt üzerinde mükemmel görünüp sahada çökmesine neden olur.

Bu kapsamlı program; çift katmanlı (Offline + Online) Feature Store mimarisini, açık kaynak Feast (ve Tecton/Databricks/SageMaker Feature Store karşılaştırmasını), point-in-time doğru geçmiş birleştirmelerini (ASOF join), Redis/DynamoDB düşük gecikmeli online sunumunu ve Kafka/Flink ile gerçek zamanlı (streaming) özellik üretimini uygulamalı olarak işler. Katılımcılar kurumları için paylaşımlı bir özellik kataloğu ve Feast tabanlı referans mimari kurar.

Kimler Katılmalı?

  • Gerçek zamanlı öneri, kredi skorlama, fiyatlama ve fraud modelleri için altyapı kuran MLOps ve veri mühendisleri
  • Ekipler arası özellik paylaşımı ve tekrar kullanımı standartlaştırmak isteyen veri bilimciler
  • Veri ambarı/lakehouse ile gerçek zamanlı çıkarım servislerini birbirine bağlayan platform mimarları
  • Ön koşul: Python, ileri SQL (window fonksiyonları) ve temel veri mühendisliği kavramları

Kazanımlar

  • Tek bir özellik tanımıyla (single source of truth) hem geçmiş eğitim verisi üretip hem canlı çıkarım servisini beslemek
  • Point-in-time (ASOF) join mekanizmasıyla geçmiş eğitim verisinde zaman sızıntısını (data leakage) matematiksel olarak engellemek
  • Feast üzerinde Offline Store (DuckDB/Postgres/BigQuery/Snowflake) ve Online Store (Redis) senkronizasyonunu (materialization) kurmak
  • Batch, streaming (Kafka) ve istek anında (on-demand) hesaplanan özellikleri aynı özellik servisinde birleştirmek
  • Özellik tazeliği (freshness), gecikme SLA'ları ve ekip içi özellik keşfi (feature catalog/governance) süreçlerini tasarlamak

Konular

Training-Serving Skew, Zaman Sızıntısı ve Feature Store Mimarisi
  • Neden normal bir veri ambarı veya salt Redis önbelleği tek başına Feature Store değildir?
  • Offline Store, Online Store, Feature Registry, Materialization Engine ve Point-in-Time (ASOF) Join anatomisi
Feast ile Özellik Tanımlama ve Point-in-Time Eğitim Verisi Üretimi
  • Entity, FeatureView, Field, TTL (Time-to-Live) ve veri kaynaklarının Python ile deklaratif tanımlanması
  • get_historical_features ile olay zaman damgasına (event_timestamp) sadık, sızıntısız eğitim veri seti çekme
Online Store (Redis) Materialization ve Düşük Gecikmeli Çıkarım
  • feast materialize-incremental ile en güncel özellik değerlerinin Redis/DynamoDB'ye aktarılması
  • Çıkarım anında get_online_features ile milisaniyeler içinde özellik vektörü oluşturup model servisine verme
Batch, Streaming ve On-Demand Özellik Dönüşümleri
  • Günlük dbt/Spark batch özellikleri ile son 5 dakikalık Kafka/Flink kayan pencere (sliding window) özelliklerini birleştirme
  • On-Demand Feature Views ile istek anındaki (request-time) bağlam verisini geçmiş özelliklerle birleştirme
Üretimde Ölçekleme, Tazelik (Freshness) İzleme ve Platform Seçimi
  • Redis bellek ayak izi optimizasyonu, TTL yönetimi, eksik özellik (null) varsayılanları ve tazelik SLA alarmları
  • Feast, Tecton, Databricks Feature Engineering ve AWS SageMaker Feature Store mimari karar matrisi

Bu Kategorideki Diğer Eğitimler

  • Sorumlu ve Güvenli Model Dağıtımı (Responsible ML Deployment)

    Üretim öncesi adillik (Fairlearn), açıklanabilirlik (SHAP), olasılık kalibrasyonu, belirsizlik tahmini (Conformal Prediction), guardrail'ler, kademeli dağıtım ve acil durdurma (kill-switch) mekanizmaları; ML ve risk ekipleri için.

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

    Klasik ML ve GenAI/LLM iş yüklerini birleştiren kurumsal AI platformu tasarımı: hesaplama/GPU orkestrasyonu, veri ve model katmanı, AI Gateway, çoklu kiracı (multi-tenancy) izolasyonu ve referans mimari; mimarlar ve platform liderleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Self-Service Yapay Zeka Platformu ve Geliştirici Deneyimi (Golden Paths)

    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.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka Platformlarında Politika, Sır (Secrets) ve Erişim Yönetimi

    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.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka Altyapılarında Maliyet (FinOps) ve GPU Kapasite Yönetimi

    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.

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

    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.

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

Bizimle iletişime geçin