Eğitimin Amacı ve Kapsamı
Müşteri davranışları, enflasyon, mevsimsellik, rakip kampanyaları veya kamera/sensör koşulları değiştiğinde dün %95 doğrulukla çalışan model bugün hatalı kararlar üretmeye başlar. Ancak her dağılım değişimi modeli bozmaz; her PSI alarmında modeli körü körüne yeniden eğitmek ise gereksiz maliyet ve kararsızlık yaratır. Bu ileri seviye eğitim, veri ve kavram sapmasının (drift) istatistiksel tespitini ve doğru müdahale yöntemlerini derinlemesine ele alır.
Covariate shift, label shift ve concept drift ayrımı; tek değişkenli (PSI, KS, Chi-Square, Jensen-Shannon, Wasserstein) ve çok değişkenli/embedding (PCA yeniden yapılandırma hatası, MMD) testler; Evidently ve NannyML (CBPE/DLE) ile gerçek etiket gelmeden performans düşüşünü tahmin etme ve önem ağırlıklı (SHAP-weighted) drift alarmları uygulamalı olarak çalışılır. Katılımcılar kendi modelleri için yanlış alarmlardan arındırılmış bir drift tespit ve yeniden eğitim karar politikası oluşturur.
Kimler Katılmalı?
- Üretimdeki modellerin zaman içindeki bozulmasını (decay) analiz eden kıdemli veri bilimciler
- Otomatik yeniden eğitim (CT) ve drift izleme boru hatları kuran MLOps mühendisleri
- Finans, kredi risk, sigorta, perakende ve talep tahmini modellerini doğrulayan (model validation) uzmanlar
- Ön koşul: Python, olasılık/istatistik temelleri ve üretimde çalışan ML modelleri bilgisi
Kazanımlar
- Covariate shift, prior probability (label) shift ve gerçek concept drift durumlarını matematiksel olarak ayırt etmek
- Örneklem büyüklüğü ve veri tipine (sürekli, kategorik, metin/görüntü embedding'i) göre doğru istatistiksel mesafeyi seçmek
- Özellik önem skorlarını (SHAP) drift büyüklüğüyle birleştirerek modeli gerçekten etkileyen sapmalara odaklanmak
- NannyML ve Evidently kullanarak gerçek etiketler (ground truth) gelmeden beklenen ROC-AUC/RMSE düşüşünü tahmin etmek
- Drift tespit edildiğinde pencere seçimi, örnek ağırlıklandırma (sample weighting) ve yeniden eğitim stratejisini belirlemek
Konular
Drift Taksonomisi: Covariate, Label ve Concept Shift
- P(X), P(Y) ve P(Y|X) dağılımlarındaki değişimlerin birleşik olasılık üzerinden analizi
- Ani (sudden), kademeli (gradual), mevsimsel (recurring) sapmalar ve veri hattı bozulmaları (data quality vs drift)
Tablo Verilerinde İstatistiksel Drift Testleri ve Tuzaklar
- Kolmogorov-Smirnov (KS), Population Stability Index (PSI), Chi-Square, Jensen-Shannon ve Wasserstein (Earth Mover's) mesafesi
- Büyük örneklemlerde p-değeri aşırı duyarlılığı, referans pencere seçimi ve SHAP önem ağırlıklı drift skorlaması
Çok Değişkenli (Multivariate) ve Embedding Drift Tespiti
- Tekil özellikler sabitken korelasyon yapısının bozulması: PCA yeniden yapılandırma hatası ve Domain Classifier yaklaşımı
- Metin (LLM/RAG) ve görüntü modellerinde embedding uzayı kayması: Cosine distance, Mahalanobis ve MMD (Maximum Mean Discrepancy)
Etiketsiz Ortamda Performans Tahmini (Evidently & NannyML)
- İyi kalibre edilmiş olasılıklardan beklenen hata matrisini çıkarma: Confidence-Based Performance Estimation (CBPE)
- Regresyon problemlerinde Direct Loss Estimation (DLE) ve sahte drift alarmlarını eleme
Drift'e Müdahale ve Sürekli Uyarlama Stratejileri
- Yeniden eğitim ne zaman işe yarar, ne zaman zarar verir? Referans pencere kaydırma (sliding window) vs tam geçmiş
- Importance weighting (yeni örneklere yüksek ağırlık), sadece karar eşiğini yeniden kalibre etme ve online/incremental öğrenme
Bu Kategorideki Diğer Eğitimler
-
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.
- Canlı Kurs
- 5 modül
-
Üretim öncesi adillik (Fairlearn), açıklanabilirlik (SHAP), olasılık kalibrasyonu, belirsizlik tahmini (Conformal Prediction), guardrail'ler, kademeli dağıtım ve acil durdurma (kill-switch) mekanizmaları; ML ve risk ekipleri için.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
