Eğitimin Amacı ve Kapsamı
Pilotta başarılı olan modellerin önemli bir kısmı üretimde ölçeklenemez; sürümleme, izleme, eval ve maliyet kontrolü olmadan güvenilirlik hızla düşer. Bu eğitim, kod yazmayan yöneticilerin MLOps ve LLMOps pratiklerini anlamasını, ekiplerine doğru soruları sormasını ve platform yatırımlarını bilinçli biçimde değerlendirmesini sağlar.
Klasik ML ile LLM tabanlı uygulamaların operasyonel farkları; prompt ve model sürümleme, observability, tracing, guardrail ve token maliyeti gibi başlıklar canlı demolar eşliğinde iş diliyle anlatılır. Katılımcılar kurumları için bir MLOps/LLMOps olgunluk değerlendirmesi ve yatırım öncelik listesi çıkarır.
Kimler Katılmalı?
- BT, veri ve analitik direktörleri
- AI ürünlerinden sorumlu ürün ve platform yöneticileri
- Mühendislik ekiplerini yöneten takım liderleri
- Operasyonel risk ve BT yönetişiminden sorumlu yöneticiler
Kazanımlar
- ML ve LLM yaşam döngüsünün aşamalarını ve kritik kontrol noktalarını açıklamak
- Model performansı, drift, halüsinasyon ve maliyet için izlenecek göstergeleri belirlemek
- MLOps olgunluk seviyesini değerlendirip yatırım önceliklerini sıralamak
- Yönetilen bulut platformları ile açık kaynak araçlar arasında bilinçli seçim yapmak
- Platform ekibi ile ürün ekipleri arasındaki sorumlulukları tanımlamak
Konular
Pilottan Üretime: Neden MLOps?
- Üretimde başarısız olan modellerin ortak nedenleri
- MLOps ve LLMOps kavramları, DevOps ile ilişkisi
Klasik ML Yaşam Döngüsü
- Veri ve model sürümleme, deney takibi, model kayıt defteri
- CI/CD, otomatik yeniden eğitim ve drift izleme
LLM Uygulamalarına Özgü Operasyon
- Prompt ve model sürümleme, eval setleri, LLM-as-a-judge
- Observability, tracing ve guardrail katmanları
- Token maliyeti, gecikme ve kapasite yönetimi
Platform ve Araç Seçenekleri
- MLflow, Kubeflow ve açık kaynak yığınlar
- Azure AI Foundry, Amazon Bedrock ve Vertex AI karşılaştırması
Organizasyon, Olgunluk ve Yatırım Kararları
- Platform ekibi, ML mühendisliği ve ürün ekipleri arasında rol dağılımı
- MLOps olgunluk seviyeleri ve yönetici KPI'ları
- Kurum için yatırım öncelik listesi atölyesi
Bu Kategorideki Diğer Eğitimler
-
İş birimi ve strateji liderleri için değer zinciri boyunca AI fırsatlarını keşfetme, değer–uygulanabilirlik–risk eksenlerinde puanlama ve dengeli bir use case portföyü kurgulama eğitimi; önceliklendirilmiş portföy kartlarıyla tamamlanır.
- Canlı Kurs
- 5 modül
-
Finans, strateji ve iş birimi yöneticileri için AI yatırımlarının finansal ve operasyonel getirisini ölçme eğitimi: TCO, token ve altyapı maliyetleri, verimlilikten nakit akışına dönüşüm, baz çizgisi (baseline) ve ROI iş vakası şablonu.
- Canlı Kurs
- 5 modül
-
Yöneticiler, mimarlar ve satın alma liderleri için AI çözümlerinde kurum içi geliştirme (build), hazır SaaS satın alma (buy) ve stratejik iş ortaklığı (partner) seçeneklerini rekabet avantajı, TCO, hız ve vendor lock-in açısından değerlendirme eğitimi.
- Canlı Kurs
- 5 modül
-
Strateji, PMO ve dönüşüm liderleri için use case portföyünü veri, altyapı ve organizasyonel bağımlılıklarla eşleştirerek 3 ufuklu (90 gün, 6 ay, 18 ay) uygulanabilir bir kurumsal AI yol haritasına dönüştürme eğitimi.
- Canlı Kurs
- 4 modül
-
BT, güvenlik, uyum ve teknoloji yöneticileri için ticari bulut LLM API'leri, yönetilen kurumsal bulut (Bedrock, Azure AI Foundry, Vertex AI) ve kurum içi açık ağırlıklı modeller (Llama, Qwen, Mistral) arasında mimari, KVKK ve TCO karar eğitimi.
- Canlı Kurs
- 5 modül
-
Üst yönetim ve karar komiteleri için kurumun gündemindeki somut AI ikilemlerini (yatırım onayı, mimari tercih, tedarikçi seçimi, risk sınırı) yapılandırılmış fasilitasyonla tek oturumda karara bağlayan yoğun karar atölyesi.
- Canlı Kurs
- 4 modül
Bizimle iletişime geçin
