Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

En güçlü Kubernetes veya MLOps altyapısı bile, veri bilimciler bir GPU notebook açmak, S3 yetkisi almak veya modeli test ortamına çıkarmak için günlerce Jira bileti bekliyorsa başarısız olur; ekipler ya yavaşlar ya da kendi gölge çözümlerini üretir. Bu eğitim, Platform Engineering prensiplerini (Team Topologies, Platform as a Product) yapay zeka ekiplerinin günlük iş akışına uygulamayı öğretir.

Soyutlama katmanları ve bilişsel yükün (cognitive load) azaltılması, JupyterHub/Kubeflow/DevContainers ile isteğe bağlı geliştirme ortamları, Cookiecutter ve Backstage Software Templates ile tek tıkla uçtan uca MLOps/RAG projesi başlatma (Golden Paths), basit bir YAML bildirimiyle self-service model sunumu ve iç platform benimsenme metrikleri uygulamalı olarak işlenir. Katılımcılar kendi kurumları için bir AI Golden Path şablonu ve self-service kullanıcı yolculuğu tasarlar.

Kimler Katılmalı?

  • Veri bilimciler ve yapay zeka mühendisleri için iç platform (IDP) geliştiren AI platform ve MLOps mühendisleri
  • Geliştirici deneyimi (DevEx) ve iç geliştirici portalı (Backstage vb.) kurgulayan platform ürün yöneticileri
  • Veri bilimi ile altyapı ekipleri arasındaki sürtünmeyi ve teslimat süresini azaltmak isteyen teknik liderler
  • Ön koşul: Git, Docker, CI/CD ve temel Kubernetes/bulut altyapısı bilgisi

Kazanımlar

  • Veri bilimcilerin Kubernetes veya Terraform bilmeden kullanabileceği doğru soyutlama katmanlarını (Paved Roads / Golden Paths) tasarlamak
  • Backstage veya CLI üzerinden Git deposu, CI/CD hattı, MLflow projesi ve S3 kovasını dakikalar içinde oluşturan proje şablonları kurmak
  • Boşta kalan GPU'ları otomatik kapatan (idle culling) güvenli, isteğe bağlı (on-demand) uzak geliştirme ve notebook ortamları sunmak
  • Basit bir model.yaml bildirimiyle izleme, ölçekleme ve güvenlik ayarları hazır bir çıkarım servisini self-service devreye almak
  • Platformu bir iç ürün olarak yönetip Time-to-First-Model, dağıtım sıklığı ve kullanıcı memnuniyeti (CSAT) metriklerini ölçmek

Konular

Bir Ürün Olarak AI Platformu (Platform as a Product) ve Bilişsel Yük
  • Ticket-ops anti-deseni, veri bilimci vs ML mühendisi persona analizi ve bilişsel yükü (cognitive load) azaltma
  • Esneklik ile standartlaştırma dengesi: katı kafesler yerine %80 senaryoyu çözen Paved Roads / Golden Paths
İsteğe Bağlı (On-Demand) Geliştirme ve GPU Çalışma Alanları
  • JupyterHub, Kubeflow Notebooks ve VS Code Remote / DevContainers ile tarayıcı veya IDE'den GPU'ya bağlanma
  • Kurumsal kütüphaneleri hazır base imajlar, kalıcı kullanıcı dizinleri ve boşta kalan GPU'ları otomatik kapatma (idle culler)
Proje İskeleti (Scaffolding) ve Backstage Software Templates
  • Cookiecutter/Copier ve Backstage Scaffolder ile tek tıkla standart sınıflandırma, CV veya RAG/Agent projesi üretme
  • Otomatik Git repo açma, CI/CD pipeline bağlama, MLflow/W&B projesi oluşturma ve örnek veriyle ilk eğitimi tetikleme
Deklaratif Self-Service Model Dağıtımı ve Soyutlama Katmanları
  • Karmaşık KServe/Helm manifestlerini veri bilimciden gizleyen yalın model.yaml (model URI, CPU/GPU, SLA) sözleşmesi
  • Kro / Crossplane / Helm kütüphane şablonları ve ArgoCD ile bildirimden canlı servise, loglara ve Grafana panosuna otomatik geçiş
İç Geliştirici Portalı, Dokümantasyon ve Benimsenme (Adoption) Metrikleri
  • Backstage üzerinde model, veri seti, özellik ve API kataloğunu tek ekranda birleştirme
  • AI platformu için DORA uyarlaması: İlk modele kadar geçen süre (Time-to-First-Model), ticket azalması ve iç kullanıcı geri bildirimi

Bu Kategorideki Diğer Eğitimler

  • 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
  • MLOps – Temel Seviye MLOps – Temel Seviye

    Makine öğrenimi modellerinin yaşam döngüsü yönetimi, Docker ve Kubernetes ile konteynerizasyon, MLflow/Kubeflow ile CI/CD otomasyonu ve model drift izleme süreçlerini kapsayan MLOps eğitimi.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal, Bireysel
    Canlı Kurs
    6 modül
    İncele
  • Makine Öğrenmesinde Deney Takibi ve Hiperparametre Yönetimi

    Sistematik deney tasarımı, Optuna ve Ray Tune ile hiperparametre optimizasyonu, metrik/artefakt standartları, tekrar üretilebilirlik ve deney araçlarının (MLflow, W&B, Neptune) karşılaştırmalı kurulumu; veri bilimi ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • MLOps – İleri Seviye MLOps – İleri Seviye

    Büyük ölçekli makine öğrenmesi sistemleri için model drift izleme, A/B testleri, canary deployment, gelişmiş CI/CD pipeline'ları, Kafka/Spark Streaming ve Kubernetes orkestrasyonu.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal, Bireysel
    Canlı Kurs
    6 modül
    İncele

Bizimle iletişime geçin