Eğitimin Amacı ve Kapsamı
Bir yapay zeka ürününün karakteri ve güvenilirliği; belirsiz sorularda nasıl davrandığı, hangi talepleri nasıl reddettiği, ne kadar iddialı konuştuğu ve kurum kurallarına ne ölçüde sadık kaldığıyla belirlenir. Rastgele örnekleri deneyip prompt'a yama yapmak (prompt whack-a-mole) yerine sistematik bir kalite disiplini gerekir.
Bu eğitimde katılımcılar model davranış spesifikasyonu (Model Spec / Constitution) yazmayı, gerçek üretim izlerini açık kodlama (open coding) ile inceleyerek hata taksonomisi çıkarmayı ve iş birimi uzmanlarıyla birlikte ölçülebilir kalite rubrikleri ve eval planı kurmayı uygulamalı olarak öğrenir.
Kimler Katılmalı?
- Yapay zeka ürün yöneticileri (AI PM) ve konuşma/deneyim tasarımcıları
- Yapay zeka kalite güvence (QA), operasyon ve alan uzmanları (subject matter experts)
- Uygulamalı yapay zeka mühendisleri
- Teknik ön koşul yoktur
Kazanımlar
- Öncelik sırası net (güvenlik > doğruluk > kurum politikası > kullanıcı tercihi) bir model davranış rehberi yazmak
- Gereksiz retleri (false refusals), dalkavukluğu (sycophancy) ve aşırı özgüvenli halüsinasyonları engellemek
- Gerçek kullanıcı kayıtlarını inceleyerek (error analysis) en sık ve en maliyetli hata modlarını sınıflandırmak
- Alan uzmanlarının sezgisel 'bu yanıt kötü' tepkisini net ve tekrarlanabilir puanlama rubriklerine dönüştürmek
- Sorunun prompt, context/RAG, araç tanımı veya model kapasitesinden mi kaynaklandığını teşhis etmek
Konular
Model Davranış Spesifikasyonu (Model Spec) Yazımı
- Talimat hiyerarşisi: sistem kuralları, iş politikaları ve kullanıcı istekleri çeliştiğinde ne olur?
- Ton, kısalık, belirsizlik ifadesi ve dalkavukluğu (sycophancy) önleme ilkeleri
Ret (Refusal), Sınır Durumlar ve Politikaya Uyum
- Kapsam dışı (out-of-scope) ve riskli talepleri kullanıcıyı kırmadan yönlendirerek reddetme
- Aşırı muhafazakar (false refusal) davranışı ölçme ve gevşetme
Sistematik Hata Analizi (Error Analysis)
- Üretim loglarından örneklem alma, açık etiketleme (open coding) ve hata kategorileri oluşturma
- Sıklık x iş etkisi matrisiyle hangi hatanın önce çözüleceğini belirleme
Alan Uzmanlarıyla Kalite Rubriği ve LLM-as-a-Judge Tasarımı
- 1–5 arası muğlak puanlar yerine net İkili (Pass/Fail) alt kriterler yazma
- İnsan uzman kararları ile otomatik yargıç (judge) uyumunu kalibre etme
Kök Neden Teşhisi ve İyileştirme Döngüsü
- Bağlam eksikliği (RAG) vs talimat karmaşası (prompt) vs model yetenek sınırı ayrımı
- Kurum vakası üzerinde hata analizi ve kalite kabul planı
Bu Kategorideki Diğer Eğitimler
-
Yapay zeka ürünlerinde kalite, gecikme (latency) ve maliyet üçgenini yönetme: model yönlendirme (routing/cascading), prompt/semantik önbellekleme, token bütçesi, algılanan hız UX'i ve marj koruma.
- Canlı Kurs
- 5 modül
-
Yapay zekanın sonradan eklenen bir özellik değil, ürünün ana motoru olduğu AI-native ürün yönetimi: bileşik (compound) AI sistemleri, eval odaklı geliştirme döngüsü, veri çarkları ve yeni nesil PM–mühendis çalışma modeli.
- Canlı Kurs
- 5 modül
-
Kullanıcıların çok adımlı görevleri otonom agent'lara devrettiği ürünler için Agent Experience (AX) ve delegasyon tasarımı: görev brifingi, çalışma planı onayı, asenkron ilerleme takibi, engel çözümü ve çıktı kabulü.
- Canlı Kurs
- 5 modül
-
Canlıdaki yapay zeka ürünlerinde model sürümü geçişleri, prompt güncellemeleri ve araç şeması değişikliklerini sıfır sürprizle yönetme: versiyonlama, regresyon kapıları, kanarya yayın ve geri dönüş (rollback) protokolü.
- Canlı Kurs
- 5 modül
-
Ürün liderleri için yapay zeka ürün stratejisi: değer önerisi ve rekabet üstünlüğü (moat), geliştir–satın al–ortak ol kararları, token/inference birim ekonomisi, fiyatlandırma modelleri ve AI strateji dokümanı.
- Canlı Kurs
- 5 modül
-
Olasılıksal yapay zeka ürünleri için ürün keşfi (product discovery): AI'a uygun problem seçimi, gerçek verilerle hızlı fizibilite deneyleri, Wizard-of-Oz ve prompt prototipleme, Minimum Viable Quality (MVQ) ve eval odaklı kabul kriterleri.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
