Eğitimin Amacı ve Kapsamı
Yüksek doğruluklu bir model bile canlı ortama doğrudan açıldığında belirli müşteri gruplarını sistematik olarak mağdur edebilir, uç değerlerde aşırı özgüvenli ama yanlış kararlar verebilir veya regülasyon (KVKK, BDDK, EU AI Act) ihlaline yol açabilir. Sorumlu dağıtım (Responsible Deployment), etik ilkeleri soyut politika metinlerinden çıkarıp CI/CD ve çıkarım hattına somut mühendislik kontrolleri olarak yerleştirmektir.
Bu eğitim; alt grup adillik denetimi (Fairlearn), karar açıklanabilirliği (SHAP ve karşı-olgusal açıklamalar), olasılık kalibrasyonu ve Conformal Prediction ile belirsizlik sınırları, giriş/çıkış iş kuralı guardrail'leri, shadow/canary kademeli geçiş ve otomatik kill-switch/fallback mekanizmalarını uygulamalı olarak ele alır. Katılımcılar kendi kurumlarındaki yüksek etkili bir model için sorumlu dağıtım kontrol listesi ve güvenlik katmanı tasarlar.
Kimler Katılmalı?
- Kredi, sigorta, işe alım, fiyatlama, sağlık ve kamu gibi yüksek etkili alanlarda model dağıtan ML ve MLOps mühendisleri
- Model doğrulama (validation), risk yönetimi ve yapay zeka yönetişimi (AI Governance) ekipleri
- Üretimdeki yapay zeka sistemlerinin güvenlik ve uyumluluğundan sorumlu teknik liderler
- Ön koşul: Python ve makine öğrenmesi modellerini değerlendirme deneyimi
Kazanımlar
- Dağıtım öncesi CI kapısında Fairlearn ile demografik/segment bazlı performans ve yanlılık (bias) farklarını ölçmek
- Bireysel model kararları için SHAP ve reason-code (ret/karar gerekçesi) üreten açıklanabilirlik uç noktası kurmak
- Conformal Prediction ve olasılık kalibrasyonu ile modelin emin olmadığı (belirsiz) örnekleri insan onayına yönlendirmek
- Out-of-distribution (dağılım dışı) girdileri ve aşırı uç tahminleri yakalayan deterministik iş kuralı guardrail'leri yazmak
- Shadow mode, kademeli canary geçişi, denetim kaydı (audit log) ve anlık kill-switch/fallback mimarisi kurgulamak
Konular
Dağıtım Öncesi Stres Testi ve Alt Grup Adilliği (Fairness)
- Genel metriklerin gizlediği riskler: Fairlearn ile demographic parity, equalized odds ve segment bazlı hata analizi
- Eşik optimizasyonu (post-processing threshold optimizer) ve adversarial/sınır durum (edge-case) test setleri
Canlı Çıkarımda Açıklanabilirlik ve Karar Gerekçeleri (Reason Codes)
- TreeSHAP / FastSHAP ile düşük gecikmeli yerel açıklama üretimi ve müşteri/uzman diline çevrilen reason code'lar
- Karşı-olgusal (counterfactual) açıklamalar ve regülasyonların (KVKK, BDDK, EU AI Act) şeffaflık beklentileri
Kalibrasyon, Belirsizlik Tahmini ve İnsan Döngüsü (Human-in-the-Loop)
- Platt scaling ve isotonic regression ile model olasılıklarını gerçek gerçekleşme oranlarına kalibre etme
- Conformal Prediction (MAPIE) ile garanti kapsamlı tahmin aralıkları ve düşük güvenli kararları uzmana yönlendirme (abstention)
Çıkarım Guardrail'leri ve Dağılım Dışı (OOD) Girdi Koruması
- Model öncesi (pre-inference) şema/sınır kontrolü ve Mahalanobis/isolation forest ile alışılmadık girdi tespiti
- Model sonrası (post-inference) iş kuralları, tavan/taban sınırları ve LLM/üretken çıktılar için güvenlik filtreleri
Kademeli Dağıtım, Kill-Switch ve Değiştirilemez Denetim İzi
- Shadow mode, kademeli canary yüzdeleri ve otomatik geri çekme (auto-rollback) sağlık kriterleri
- Tek tuşla kural tabanlı/eski modele dönen kill-switch mimarisi ve her kararın (girdi, model sürümü, açıklama) yasal denetim kaydı
Bu Kategorideki Diğer Eğitimler
-
Klasik ML ve GenAI/LLM iş yüklerini birleştiren kurumsal AI platformu tasarımı: hesaplama/GPU orkestrasyonu, veri ve model katmanı, AI Gateway, çoklu kiracı (multi-tenancy) izolasyonu ve referans mimari; mimarlar ve platform liderleri için.
- Canlı Kurs
- 5 modül
-
Veri bilimciler ve AI mühendisleri için Internal Developer Platform (IDP) tasarımı: Backstage şablonları, isteğe bağlı notebook/GPU ortamları, Golden Path pipeline'lar ve self-service model dağıtımı; platform ekipleri için.
- Canlı Kurs
- 5 modül
-
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.
- Canlı Kurs
- 5 modül
-
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.
- Canlı Kurs
- 5 modül
-
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.
- Canlı Kurs
- 5 modül
-
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.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
