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
-
AWS üzerinde Amazon Bedrock Converse API, Knowledge Bases, Bedrock Agents, Guardrails, Prompt Management, IAM/VPC güvenliği ve maliyet optimizasyonu ile kurumsal üretken yapay zeka çözümleri geliştirme programı.
- Canlı Kurs
- 6 modül
-
Microsoft Azure AI Foundry ve Azure OpenAI Service üzerinde GPT/reasoning modelleri, Azure AI Search entegrasyonu, Entra ID kimlik doğrulaması, Private Endpoint, Content Safety ve PTU/kota yönetimi programı.
- Canlı Kurs
- 6 modül
-
Google Cloud Vertex AI üzerinde Gemini modelleri, Gen AI SDK, Context Caching, Grounding, Vertex AI Search, BigQuery entegrasyonu, IAM/VPC-SC güvenliği ve değerlendirme araçlarıyla uygulama geliştirme programı.
- Canlı Kurs
- 6 modül
-
LLM prototiplerini dayanıklı kurumsal sistemlere dönüştüren mimari kalıplar: AI gateway, asenkron kuyruklar, circuit breaker, fallback zincirleri, idempotency, guardrail katmanı ve OpenTelemetry izlenebilirliği.
- Canlı Kurs
- 6 modül
-
Foundation model ve LLM'lerin nasıl çalıştığını; token, context window, sampling, halüsinasyon, model aileleri ve prompting–RAG–fine-tuning seçimini uygulamalı anlatan, teknik ekipler için temel program.
- Canlı Kurs
- 6 modül
-
Transformer mimarisini içeriden inceleyen teknik program: tokenization, self-attention, RoPE, KV cache, scaling laws, SFT, RLHF/DPO ve reasoning modelleri; PyTorch ve Hugging Face Transformers ile uygulamalı.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
