Generative AI

Eğitim Hakkında

Program, katılımcılara derin sinir ağları ve Transformer mimarilerinin temel kavramlarından başlayarak büyük dil modelleri (LLM) ile chatbot ve müşteri destek asistanı gibi gerçek dünya uygulamaları geliştirmeyi, model seçimi ve değerlendirme kriterlerini (performans, ölçek, maliyet vb.) nasıl kullanacaklarını, Retrieval Augmented Generation (RAG) tekniklerini ve vektör tabanlı arama sistemlerini uygulamalı olarak öğretir. Bunun yanı sıra, Agentic AI ve çok adımlı görev planlama (MCP) yöntemleriyle LLM’leri birer “agent” gibi kullanarak karmaşık problemleri adım adım çözecek, Knowledge Graph teknolojisiyle LLM entegrasyonunu öğrenerek semantik veriyi yapısal olarak zenginleştirecek ve son oturumda AI etiği, adalet, şeffaflık ve gizlilik standartlarına uygun GenAI çözümleri tasarlamayı kavrayacaksınız.

Her oturum hem teorik altyapı hem de hands-on örneklerle desteklendiği için, katılımcılar kendi projelerini baştan sona inşa edebilecek bilgi birikimine ulaşacak, yöneticiler bu süreçlerin nasıl geliştiğini gözlemleyebileceklerdir. Bu programı tamamladığınızda, gerçek hayatta üretime veya akademik araştırmaya direkt entegre edebileceğiniz süreçler hakkında bilgi sahibi olacaksınız; hem LLM tabanlı uygulamalarda hem Knowledge Graph yönetiminde sektör veya akademi standardı teknik dokümanlar ve kılavuzlar edineceksiniz. Ayrıca programın sonunda alacağınız katılım belgesi ve eğitmenler ile diğer katılımcılarla kuracağınız profesyonel ağ, sizi makine öğrenmesi ve GenAI dünyasında bir adım öne taşıyacak; RAG, Agentic AI veya etik odaklı GenAI projelerinde uzmanlık kazanarak hem iş hem de akademi kariyerinizde rekabet avantajı elde edeceksiniz.

Eğitim İçeriği

• Temel Bilgiler: Sığ ve Derin Sinir Ağları:Yapay sinir ağlarının temel taşları ele alınır. Önce “shallow” (tek katmanlı) ve “deep” (çok katmanlı) ağların yapısı, aktivasyon/kayıp fonksiyonları ve eğitim algoritmaları (örneğin MNIST üzerinde gerçekleme) gösterilir. Ardından konvolüsyonel ağların (CNN) temel bileşenleri (convolution, pooling) ve VGG, ResNet gibi iyi bilinen mimariler tanıtılır. Son olarak TF-IDF, Word2Vec vb. kavramlarla basit bir metin madenciliği örneği yapılır.
• Temel Bilgiler: Transformer: Transformer mimarisi (tokenizer, self-attention, multi-head attention, pozisyonel kodlama) anlatılır ve BERT örneği üzerinden “masked-token” eğitimi gösterilir. Encoder-Decoder (cross-attention) modellerinin mantığı özetlenir; Decoder-only (GPT benzeri) modeller hakkında temel bilgiler verilir. Uygulamada, İngilizce (örneğin IMDB) ve Türkçe (örneğin Türkçe yorumlar) veri setleriyle BERT/BERTurk ince-ayarı (fine-tuning) yaptırılır. 
• Uygulama Geliştirme için LLM’lerin Kullanımı: GPT tabanlı dil modellerinin (GPT-2, GPT-3, GPT-3.5) temel parametreleri (temperature, top-k/top-p sampling vb.) ve prompt-engineering kavramı anlatılır. Örnek olarak müşteri destek chatbot’u geliştirme akışı üzerinden “few-shot learning” gösterilir. Hugging Face üzerinden GPT-2/GPT-3’ün ince-ayarı (fine-tuning) yaptırılarak, hem İngilizce hem Türkçe metin üretimi üzerine pratik egzersizler yapılır. 
• Model Seçimi, Değerlendirme: Generative (örneğin GPT) ve Encoding (örneğin BERT) modeller arasındaki temel farklar, kullanım senaryoları ve avantaj-dezavantajları sunulur. Hugging Face, TensorFlow, PyTorch gibi popüler LLM kütüphanelerinin nasıl seçilip entegre edileceği, “inference latency”, quantization, vLLM ve hızlandırıcı (accelerator) kullanımı gibi optimizasyon teknikleri anlatılır. Ayrıca hangi modelin hangi NLP/Vision görevine uygun olduğuna dair karar verme adımları, kaynak kısıtları, pipeline kurma ve gerçek dünya dağıtımında karşılaşılan zorluklar örneklerle tartışılır.
• Retrieval-Augmented Generation (RAG): LLM’leri yalnızca “soru­cevap” modunda kullanmanın ötesine geçerek, dış doküman tabanlı bilgilerin (veritabanı, PDF, web sayfası vb.) “vektör temsilleri” aracılığıyla LLM’den dönen cevaplara nasıl entegre edileceği gösterilir. FAISS/ElasticSearch/Pinecone gibi vektör arama kütüphaneleri ile “embed” edilmiş veriler üzerinde nasıl hızlı sorgu yapılacağı, RAG akışının mimarisi ve arka uç (backend) entegrasyonu (örneğin Python + LangChain) üzerinden adım adım anlatılır.
• Agentik Yapay Zeka: Kısa Açıklama: Geleneksel “tek seferlik prompt” yaklaşımlarından farklı olarak, LLM’in birden çok adımda “ajan” gibi hareket etmesini sağlayan metaplanlama (MCP) teknikleri ele alınır. Belirli bir problem için alternatif adım dizileri oluşturma, her adımı LLM’e sorgulatma ve çıkan sonuçları birleştirerek nihai karar verme süreci (örneğin “enet.bp” veya “meta-prompt” stratejileri) örneklerle gösterilir.
• Bilgi Çizgeleri ve Dil Modelleri Entegrasyonu: Bilgi çizgeleri (ontology, RDF, OWL) temelleri, düğüm-ilişki (entity-relation) modelleri ve semantik veri temsili kavramları kısa kısa sunulur. Ardından LLM’lerin bu bilgi çizgesi yapısını nasıl besleyebileceği (“graph embedding”), yeni düğüm ekleme/güncelleme, SPARQL sorgularını LLM’ler aracılığıyla dinamik olarak oluşturma ile örneklemeli olarak gösterilir. Uygulamada küçük bir bilgi çizgesini (örneğin satış/ürün ilişkileri veya akademik makale atıf ağı) LLM yardımıyla genişletme ve sorgulama pratiği yapılır. 
• Güvenilir ve Etik GenAI Kullanımı: GenAI projelerinde “fairness” (adil yapı), “transparency” (açıklanabilirlik), “accountability” (hesap verebilirlik) ve “privacy” (gizlilik) gibi etik ilkeler hızla öne çıkıyor. Bu oturumda hem GDPR/CCPA gibi düzenlemelere uyum süreçleri hem de LLM içindeki önyargı (bias) tespiti ve düzeltme stratejileri (debiasing) hakkında kısa kısa bilgiler verilir. Ayrıca yapay zekâ sisteminin denetlenebilirliği ve kullanıcı güvenini artıracak “audit” ve “provable AI” yaklaşımları özetlenir.

Kimler Katılabilir?

LLM, RAG, Agentic AI gibi ileri seviye GenAI konularını endüstriyel veya akademik projelerine taşımak isteyen yazılım mühendisleri, veri bilimciler ve Ar‐Ge ekipleri. Knowledge Graph ve semantik altyapıları LLM’lerle bütünleştirmeye odaklanan AI şirketleri. GenAI ile ne yapılabilir sorusuna yanıt araya, kurumsal düzeyde yapay zekânın etik, adalet ve güvenlik standartlarına uyumunu sağlamaktan sorumlu yöneticiler katılabilir.

Not: Eğitimde kullanılacak materyaller ingilizce bilgisi gerektirmektedir.