Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Klasik yazılımda CI/CD yalnızca kodu derler ve birim testlerini çalıştırır; oysa makine öğrenmesi sistemlerinde kod hiç değişmese bile yeni gelen veri veya değişen dağılım (drift) nedeniyle modelin yeniden eğitilmesi, doğrulanması ve dağıtılması gerekir. Bu eğitim, yazılım mühendisliğindeki CI/CD disiplinini Continuous Training (CT) ile birleştiren otomasyon mimarilerini ele alır.

Pull Request aşamasında veri şeması ve model davranış testleri (davranışsal testler, dilim bazlı regresyon), CML / GitHub Actions ile PR içine otomatik metrik/grafik raporu basma, zaman veya drift tetiklemeli yeniden eğitim pipeline'ları (Prefect/Argo Workflows) ve ArgoCD ile GitOps tabanlı model dağıtımı uygulamalı olarak işlenir. Katılımcılar kurumları için uçtan uca bir CI/CD/CT boru hattı tasarlar ve kurar.

Kimler Katılmalı?

  • Model eğitim ve dağıtım süreçlerini otomatikleştiren MLOps, DevOps ve platform mühendisleri
  • Sık güncellenen (öneri, fiyatlama, tahmin, fraud) modelleri yöneten makine öğrenmesi mühendisleri
  • Kurumsal CI/CD altyapısını yapay zeka iş yüklerine uyarlayan yazılım mimarları
  • Ön koşul: Git, Docker, temel CI/CD (GitHub Actions veya GitLab CI) ve Python bilgisi

Kazanımlar

  • Kod, veri şeması ve model ağırlıklarını kapsayan üç katmanlı bir ML Sürekli Entegrasyon (CI) hattı kurmak
  • Pull Request üzerinde GPU/bulut runner tetikleyip şampiyon modelle karşılaştırmalı değerlendirme raporu yayınlamak
  • Takvim, yeni veri gelişi veya drift alarmı ile tetiklenen otomatik Continuous Training (CT) akışı kurgulamak
  • Yeni eğitilen modelin canlıdaki şampiyon modeli geçemediği durumlarda dağıtımı otomatik durduran kalite kapıları yazmak
  • ArgoCD ve GitOps prensipleriyle model sürüm geçişlerini izlenebilir ve geri alınabilir hale getirmek

Konular

Klasik CI/CD'den ML için CI/CD/CT Mimarisine
  • Kod, veri ve model eksenlerinde değişim yönetimi ve Google MLOps olgunluk seviyeleri
  • Hızlı PR kontrolleri (smoke test) ile uzun süren tam eğitim işlerinin CI/CT arasında doğru ayrıştırılması
Makine Öğrenmesi için Sürekli Entegrasyon (CI) ve Test Piramidi
  • Özellik dönüşümü birim testleri, sentetik küçük veriyle 1-epoch aşırı öğrenme (overfit) testi ve deterministiklik kontrolü
  • Davranışsal model testleri (invariance, directional expectation), alt küme (slice) performansı ve gecikme bütçesi doğrulaması
PR Odaklı Model İnceleme ve GPU Runner Orkestrasyonu
  • GitHub Actions / GitLab CI üzerinde self-hosted GPU runner kullanımı ve büyük bağımlılık önbellekleme
  • PR yorumlarına otomatik metrik tablosu, confusion matrix ve şampiyon model karşılaştırması basma (CML)
Sürekli Eğitim (Continuous Training - CT) Orkestrasyonu
  • Prefect, Airflow veya Argo Workflows ile yeniden eğitim tetikleyicileri: zamanlayıcı, veri hacmi eşiği ve drift webhook'u
  • Otomatik veri çekme, eğitim, Champion vs Challenger değerlendirmesi ve Model Registry'de otomatik terfi
Sürekli Teslimat (CD) ve GitOps ile Model Dağıtımı
  • Yeni @champion model onaylandığında container/manifest güncelleme ve ArgoCD ile Kubernetes'e senkronizasyon
  • Canlı ortamda sağlık kontrolü (health check), metrik bozulmasında otomatik rollback ve denetim kaydı

Bu Kategorideki Diğer Eğitimler

  • 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
  • Veri ve Model Sapması (Drift) Tespiti ve Sürekli Uyarlama

    Covariate shift, prior probability shift ve concept drift matematiği; PSI, KS, Wasserstein ve MMD testleri; Evidently/NannyML ile etiketsiz performans tahmini ve yeniden eğitim stratejileri; veri bilimciler ve MLOps ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Feature Store Mimarileri ve Özellik Mühendisliği Platformları

    Training-serving skew ve veri sızıntısını (data leakage) önleyen Feature Store mimarisi; Feast ile offline (Parquet/Snowflake/BigQuery) ve online (Redis) mağaza kurulumu, point-in-time join ve streaming özellikler; veri ve MLOps ekipleri için.

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

Bizimle iletişime geçin