Model Online/Fiziksel
Süre
Modüller 6 modül

Eğitimin Amacı ve Kapsamı

Bankacılık, sigorta, telekom ve kurumsal yazılım ekiplerinin ana sistemleri çoğunlukla Java (Spring Boot, Quarkus) veya .NET üzerinde çalışır; yalnızca LLM çağrısı yapmak için ayrı bir Python servisi eklemek operasyonel karmaşıklık yaratabilir. Bu eğitim; Java tarafında Spring AI ve LangChain4j, .NET tarafında ise `Microsoft.Extensions.AI` ve Semantic Kernel kullanarak mevcut kurumsal mimari içinde doğrudan yapay zeka özellikleri geliştirmeyi kapsar.

Eğitim kurumun teknoloji yığınına (Java odaklı, .NET odaklı veya her ikisi) göre uyarlanır; katılımcılar mevcut kurumsal güvenlik, bağımlılık enjeksiyonu, gözlemlenebilirlik (OpenTelemetry) ve veritabanı altyapısıyla uyumlu üretime hazır bir LLM servisi yazar.

Kimler Katılmalı?

  • Java (Spring Boot) veya C#/.NET ile kurumsal arka uç geliştiren yazılım mühendisleri
  • Mevcut mikroservis mimarisine LLM, RAG ve agent yetenekleri ekleyecek çözüm mimarları
  • Python dışı kurumsal teknoloji yığınlarında AI standartlarını belirleyen platform ekipleri
  • Ön koşul: Java/Spring veya C#/.NET ile kurumsal uygulama geliştirme deneyimi

Kazanımlar

  • Spring AI, LangChain4j veya Semantic Kernel/`Microsoft.Extensions.AI` ile sağlayıcıdan bağımsız LLM istemcileri kurar
  • Java Record/POJO ve C# sınıflarıyla doğrudan tip güvenli yapılandırılmış çıktılar alır
  • Mevcut kurumsal servis metotlarını güvenli birer LLM aracı (tool/plugin) ve MCP bileşeni olarak açar
  • pgvector, Redis, Elasticsearch veya Azure AI Search ile RAG akışlarını Java/.NET içinde uygular
  • OpenTelemetry, Micrometer, Resilience4j/Polly ile kurumsal izleme ve dayanıklılık standartlarını LLM çağrılarına uygular

Konular

Kurumsal Java ve .NET'te Yapay Zeka Mimari Seçenekleri
  • Doğrudan JVM/CLR entegrasyonu ile Python yan-servis (sidecar) mimarisinin karşılaştırması
  • Spring AI, LangChain4j, `Microsoft.Extensions.AI` ve Semantic Kernel konumlandırması
ChatClient, Şablonlar ve Tip Güvenli Yapılandırılmış Çıktılar
  • Dependency Injection ile model istemcileri, streaming ve konuşma belleği
  • Java Record / BeanOutputConverter ve C# JSON şema dönüşümleri
Kurumsal Servislerle Tool Calling ve MCP
  • Spring `@Tool`, LangChain4j `@Tool` ve Semantic Kernel `KernelFunction` tanımları
  • İş katmanı metotlarında işlem sınırları (transaction), yetki bağlamı ve MCP entegrasyonu
Java ve .NET üzerinde RAG ve Vektör Veritabanları
  • Embedding üretimi, pgvector/Elasticsearch/Qdrant/Azure AI Search bağlantısı
  • Advisor/Filter zincirleriyle erişim kontrollü doküman getirme
Üretim Dayanıklılığı, Gözlemlenebilirlik ve Test
  • Resilience4j ve Polly ile retry, circuit breaker, rate limiter ve fallback
  • OpenTelemetry/Micrometer ile token/latency metrikleri ve JUnit/xUnit ile entegrasyon testleri
Uygulama: Kurumsal Mikroservise LLM Yeteneği Ekleme
  • Kurumun Java veya .NET şablonu üzerinde uçtan uca AI uç noktası geliştirme
  • Mimari inceleme ve üretim hazırlık kontrol listesi

Bu Kategorideki Diğer Eğitimler

Bizimle iletişime geçin