Giriş
Bu bölüm, AI ve machine learning dünyasına ortak bir kavramsal çerçeve ile başlamayı amaçlar.
Konular:
- AI, Machine Learning, Deep Learning, Data Science ve Big Data kavramları
- AI'ın mevcut durumu ve önemli sektör analizleri
- AI hakkında yaygın yanlış bilgiler
- AI'ın iş gücü ve istihdam üzerindeki etkileri
- Günümüzde kullanılan AI örnekleri
- Başarılı olduğu alanlar
- Sınırlı kaldığı alanlar
- Öne çıkan AI kullanıcılarının ortak özellikleri
- AI ile ilgili gerçek risk ve endişelerin değerlendirilmesi
Vaka Çalışması: Gerçek Dünya AI Kullanımları
Katılımcılara üç farklı sektörden kullanım örneği sunulur:
- Finans
- Sağlık bilimleri
- Genel operasyonlar
Küçük gruplar hâlinde bu örneklerin etkileri değerlendirilir ve katılımcılar kendi iş ortamlarında benzer fırsatlar olup olmadığını analiz eder.
Big Data Ön Koşulu
AI projelerinin başarısı büyük ölçüde verinin kalitesine, erişilebilirliğine ve kullanılabilirliğine bağlıdır.
Bu bölümde:
- Mevcut big data yetkinliğinin değerlendirilmesi
- Intelligent big data stack yapıları
- Visualization ve Analytics
- Computing
- Storage
- Distribution
- Data Warehousing
- AI için enterprise data architecture'ın yeniden yapılandırılması
- Data engineering süreçlerinin birleştirilmesi
- Dataset'lerin öğrenme verisi olarak kullanımı
- Dataset bias ile mücadele
- Information analysis optimizasyonu
- IoT kullanılarak büyük miktarda veri toplanması
ele alınır.
Machine Learning Uygulaması
Bu bölüm, machine learning projelerinin gerçek hayatta nasıl yapılandırılacağını inceler.
AI Ekibinin Temel Bileşenleri
- Business case
- Domain expertise
- Data science
- Algorithms
- Application integration
Machine Learning Model Yönetimi
Katılımcılar model yönetimi, model yaşam döngüsü ve uygulama süreçlerinin nasıl iyileştirilebileceğini inceler.
Machine Learning Araçları ve Teknoloji Stack'i
Modern machine learning sistemlerinde kullanılan temel araçlar ve platformlar değerlendirilir.
Machine Learning Yöntemleri ve Algoritmaları
Konular:
- Decision Trees
- Support Vector Machines
- Regression
- Naïve Bayes Classification
- Hidden Markov Models
- Random Forest
- Recurrent Neural Networks
- Convolutional Neural Networks
Eğitim ve Validasyon Süreçleri
- Validation sets oluşturma
- Training sets oluşturma
- Model training süreçlerini hızlandırma
- Domain bilgisini machine learning modeline aktarma
- Data science süreçlerinin otomasyonu
- Deep Learning
Vaka Çalışması: TensorFlow
Bu bölümde Google TensorFlow, machine learning özelliklerini uygulamalara entegre etmek için kullanılan bir araç olarak incelenir.
Katılımcılar:
- TensorFlow'un temel kullanım yaklaşımını
- Gerekli programlama becerilerini
- Machine learning fonksiyonlarının mevcut uygulama akışlarına etkisini
değerlendirir.
Somut İş Değeri Yaratmak
Bu bölüm AI yatırımlarının gerçek iş çıktısına dönüştürülmesine odaklanır.
Konular:
- Otomasyon fırsatları
- Otomasyon, iş kaybı ve yeni iş yaratımı arasındaki farklar
- Daha iyi tahmin modelleriyle gizli fırsatların bulunması
- Üretim ve operasyonlar
- Supply Chain süreçlerine AI eklenmesi
- Marketing ve Sales uygulamaları
- Customer behaviour prediction
- Hedef müşterilerin daha etkili belirlenmesi
- Lead management
- AI destekli içerik üretimi
- UX ve UI geliştirme
- Yeni nesil workforce management
- AI sonuçlarının açıklanması
Vaka Çalışması: AI Projelerini Skorlama
Katılımcılar üç olası machine learning uygulamasını değerlendiren grup çalışması yapar:
- Medical imaging
- Electronic medical records
- Genomics
Her senaryo aşağıdaki kriterlere göre puanlanır:
- Veri miktarı
- Veri kalitesi
- Uygun machine learning teknikleri
Bu çalışma, AI projelerinin yalnızca fikir düzeyinde değil, uygulanabilirlik açısından da değerlendirilmesini sağlar.
Müşteri Deneyiminin Bir Parçası Olarak Machine Intelligence
Konular:
- IoT ve machine learning ilişkisi
- Customer ve user ihtiyaçlarına dayalı projeler
- AI ile müşteri taleplerinin yönetilmesi
- Empati odaklı customer-facing aksiyonlar
- Kullanıcı niyetinin daraltılması ve anlaşılması
- Channel strategy içinde AI kullanımı
Machine Intelligence ve Siber Güvenlik
Bu bölüm AI ve machine learning'in siber güvenlikte nasıl kullanılabileceğini inceler.
Machine Learning Güvenliğe Nasıl Katkı Sağlar?
- Advanced cybersecurity analytics
- Defensive strategy geliştirme
- Tekrarlanan güvenlik görevlerinin otomasyonu
- Zero-day açıklarının daha hızlı tespiti
Saldırganların AI Kullanımı
- Saldırganların machine learning ve AI tekniklerinden yararlanması
- Otomatik güvenlik kararlarına güven oluşturma
- Automated application monitoring
- Vulnerability identification
- Red Team / Blue Team test senaryolarının otomasyonu
- Önceki güvenlik ihlallerinden AI modelleri oluşturma
- Incident response süreçlerini hızlandırma
- Deep learning ile malware ve APT tespiti
- Natural Language Processing kullanımı
- Fraud detection
- Compliance testing süreçlerinin maliyetini azaltma
Kurum İçi Yetkinlik Açığını Kapatmak
Bu bölüm, kurumların AI uygulamalarını sürdürülebilir hâle getirebilmesi için gerekli iç yetkinlikleri ele alır.
Konular:
- Teknolojik ve iş süreçlerinin değerlendirilmesi
- AI ve machine learning toolchain oluşturma
- Doğru yeteneklerin işe alınması
- Mevcut çalışanların geliştirilmesi
- AI'ın data scientist olmayan çalışanlar için erişilebilir hâle getirilmesi
- Pilot projelerin başlatılması
Sonuç ve Yol Haritası Oluşturma
Eğitimin son bölümünde katılımcılar öğrendiklerini kendi organizasyonlarına nasıl aktarabileceklerini planlar.
Konular:
- Genel değerlendirme
- Kişisel ve kurumsal AI yol haritası oluşturma
- Zaman çizelgesi hazırlama
- Açık tartışma
Program sonunda katılımcılar, AI ve machine learning projelerini daha bilinçli değerlendirebilecek, uygun kullanım alanlarını belirleyebilecek ve kurumlarında uygulanabilir bir AI stratejisinin oluşturulmasına katkı sağlayabilecek seviyeye gelir.
