Üretken Yapay Zekâ (Generative AI) Eğitim Programı
Token Çağı: Üretken Yapay Zekâ ile Stratejiden Uygulamaya
Hakkında
Bu program, üretken yapay zekâyı bir araç tanıtımının ötesine taşıyarak strateji, ekonomi, mimari ve yönetişim boyutlarıyla bütüncül biçimde ele alır. Altı bölüm boyunca katılımcılar, önce yapay zekâ çağının yeni değer denklemini kurar: veri demokratikleşmesi, otomasyon–RPA–yapay zekâ–Agentic AI ayrımı, insan sermayesi ile token sermayesinin simbiyotik ilişkisi ve enerjiden veriye uzanan AI egemenliği katmanları. Ardından medya, üretim, sağlık, tarım, eğitim ve savunma sektörlerinden somut uygulama örnekleriyle teknolojinin sahadaki karşılığını görür. Programın orta bölümü teknik derinliğe iner: büyük dil modellerinin iç işleyişi, eğitim aşamaları, temperature ve top-k gibi parametrelerin çıktı kalitesine etkisi, güvenlik ve performans endeksleri üzerinden model seçimi ve AI Gateway mimarileriyle model bağımsızlığı. Devamında prompt mühendisliğinden bağlam mühendisliğine geçiş, skill.md ve agent.md tabanlı modüler beceri tasarımı, halüsinasyonu önleyen RAG mimarileri ile RAG–fine-tuning tercihi ve model drift'e karşı veri likiditesi ele alınır. Program, multimodal yapay zekânın genişleyen algı yetenekleri ve sorumlu devreye alma çerçevesiyle tamamlanır: guardrail tasarımı, üç kademeli insan gözetim modeli, en az yetki ilkesi, LLM-as-a-Judge ile kalite denetimi ve AB Yapay Zekâ Yasası, GDPR ile KVKK uyumu. Teknik derinliği yönetsel karar verme perspektifiyle birleştiren program; hem uygulayıcılara hem de yapay zekâ yatırımlarını yönlendiren karar alıcılara hitap eder.
Eğitim Kapsamındaki İçerikler
1. Öğrenme, unutma ve yeniden öğrenme paradigması ile 2030'un çekirdek becerileri
2. Veri demokratikleşmesinin bilgiye erişimi ve rekabeti dönüştürmesi
3. Otomasyon, RPA, yapay zekâ ve Agentic AI arasındaki stratejik ayrım
4. Yapay zekânın tarihsel evrimi: uzman sistemlerden üretken ve fiziksel yapay zekâya
5. İnsan sermayesi ile token sermayesinin simbiyotik ilişkisi ve token ekonomisi
6. Throughput–goodput ayrımı ile yapay zekâ yatırımının gerçek faydasının ölçülmesi
7. Karanlık veriden AI-ready veriye geçiş ve veri likiditesinin rekabet gücüne etkisi
8. Enerjiden veriye uzanan AI egemenliği katmanları ve hibrit ile uç bilişim stratejileri
9. Medya, içerik ve dijital avatar ekonomisinde üretken yapay zekâ uygulamaları
10. Üretim, sağlık, tarım, eğitim ve savunma sektörlerinden somut kullanım örnekleri
11. Büyük dil modellerinin çalışma prensibi ve üç aşamalı eğitim süreci
12. Temperature, top-k ve top-p parametreleriyle çıktı kalitesinin kontrol edilmesi
13. Güvenlik endeksi, gecikme, maliyet ve bağlam penceresi kriterleriyle model seçimi
14. AI Gateway ve model yönlendirme ile tek bir model sağlayıcısına bağımlılığın önlenmesi
15. Rol, format, kısıt ve örneklerle yapılandırılmış prompt tasarımı ve görev parçalama
16. Bağlam mühendisliği ile skill.md ve agent.md tabanlı modüler beceri mimarisi
17. Halüsinasyonun kökenleri ve referanslı, doğrulanabilir çıktı üretme disiplini
18. RAG mimarisinin işleyişi ile RAG ve fine-tuning arasında gerekçeli tercih
19. Model drift riski ve multimodal yapay zekânın genişleyen algı yetenekleri
20. Guardrail tasarımı, insan gözetim modelleri, en az yetki ilkesi ve yasal uyum
İçerik
1 video
Bu açılış bölümü, üretken yapay zekâyı bir “araç” tartışmasının ötesine taşıyarak kurumsal strateji, ekonomi ve rekabet düzleminde ele alıyor. Öğrenmeyi, öğrendiğini unutmayı ve yeniden öğrenmeyi merkeze alan bir çerçeveyle başlayan bölüm, veri demokratikleşmesinin bilgiye erişimi nasıl kökten ucuzlattığını ve üretken yapay zekânın bu dönüşümdeki yerini tartışıyor. Otomasyon, RPA, yapay zekâ ve Agentic AI arasındaki ayrımların net biçimde kurulmasının ardından; yapay zekânın Antik Yunan'daki Talos anlatısından uzman sistemlere, makine öğrenmesinden üretken ve fiziksel yapay zekâya uzanan tarihsel seyri özetleniyor. Bölümün ekonomik omurgasını ise “token sermayesi” kavramı oluşturuyor: petrolün sanayi çağındaki işlevine benzer şekilde tokenın dijital ve fiziksel aksiyona dönüşen yeni bir meta hâline gelmesi, şirketlerin insan sermayesi ile token sermayesini simbiyotik biçimde yönetme zorunluluğu ve token maliyetlerinin geleneksel yazılım bütçelerinden neden radikal biçimde ayrıştığı ayrıntılandırılıyor. Bölüm; throughput–goodput ayrımı, karanlık veri ve veri likiditesi, prompt mühendisliğinden bağlam mühendisliğine geçiş, enerjiden veriye uzanan AI egemenliği katmanları ve yazılımın kişiselleşen doğası gibi başlıklarla, izleyiciyi sonraki derslerin teknik derinliğine hazırlayan stratejik bir zemin kuruyor.
Bölümde Ele Alınan Temel İçerikler
1. Öğrenme, unutma ve yeniden öğrenme paradigması: WEF Future of Jobs verileri ışığında 2030'un çekirdek becerileri ve veri demokratikleşmesinin bilgiye erişimi dönüştürmesi.
2. Otomasyon, RPA, Yapay Zekâ ve Agentic AI ayrımı: Bir projeye başlamadan önce doğru teknoloji katmanını seçmenin stratejik önemi.
3. Yapay zekânın tarihsel evrimi ve alt kümeleri: Talos'tan uzman sistemlere, makine öğrenmesi ve derin öğrenmeden üretken, fiziksel yapay zekâ ve AGI ufkuna uzanan gelişim hattı.
4. Token sermayesi ve yapay zekâ ekonomisi: Tokenın yeni bir meta olarak konumlanması, insan sermayesi ile simbiyotik ilişkisi ve token maliyet yönetiminin şirket stratejilerine etkisi.
5. Veri likiditesi ve AI egemenliği mimarisi: Karanlık veriden AI-ready veriye geçiş ile enerji, altyapı, çip, model, veri ve uygulama katmanlarından oluşan yapay zekâ bağımsızlığı yığını.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı;
1. Otomasyon, RPA, yapay zekâ ve Agentic AI arasındaki farkları ayırt ederek bir iş problemi için doğru teknoloji katmanını belirleyebilir.
2. Yapay zekâ, makine öğrenmesi, derin öğrenme ve üretken yapay zekâ arasındaki hiyerarşik ilişkiyi tarihsel gelişimiyle birlikte açıklayabilir.
3. Token sermayesi kavramını insan sermayesiyle ilişkilendirerek kurumsal yapay zekâ yatırımlarının ekonomik mantığını yorumlayabilir.
4. Throughput ve goodput ayrımı üzerinden model seçimi, prompt stratejisi ve model–prompt uyumunun çıktı kalitesine etkisini değerlendirebilir.
5. Kendi kurumundaki karanlık veriyi tanımlayarak yapılandırılmış, servis edilebilir ve likit veriye geçiş için gereken adımları AI egemenliği katmanları çerçevesinde planlayabilir.
Eğitmen (1):
1 video
Bu bölüm, birinci bölümde kurulan stratejik çerçeveyi somut sektörel örneklerle sahaya indiriyor. Geçmişte milyonlarca dolarlık stüdyo yatırımı ve aylarca süren CGI çalışması gerektiren video prodüksiyonlarının saniyeler içinde üretilebilir hâle gelmesinden başlayarak; AI influencer ekonomisi, ünlülerin dijital avatar lisanslamaları, yapay zekâ ile güçlendirilmiş oyun karakterleri, üretim hatlarındaki humanoid robotlar, milyarlarca ilaç kombinasyonunu saniyeler içinde tarayan ilaç keşif sistemleri, kuantum simülasyonları ve fabrikaların dijital ikizleri gibi örnekler ele alınıyor. Sağlıkta hasta daha muayeneye gelmeden tahlil ve görüntüleme verilerini analiz ederek doktora ön tanı sunan destek sistemleri, tarımda yalnızca kritik noktalara müdahale ederek milyonlarca galon ilaç tasarrufu sağlayan hassas tarım uygulamaları, eğitimde kişinin ilgi alanına göre içeriği yeniden kurgulayan kişiselleştirilmiş öğrenme projeleri ve savunma sanayiinde tam otonom keşif sistemleri tek tek inceleniyor. Bölüm, teorik anlatımı canlı bir uygulama gösterimiyle tamamlıyor: bir fotoğrafın analiz edilmesinden aynı fotoğraf üzerinden saniyeler içinde etkileşimli bir web sitesi üretilmesine ve görselin videoya dönüştürülmesine uzanan multimodal bir demo ile araç içi model seçimi, canvas ve derin araştırma özellikleri gösteriliyor.
Bölümde Ele Alınan Temel İçerikler
1. Medya ve içerik üretiminde devrim: Hollywood seviyesi CGI kalitesinin saniyeler içinde ve düşük maliyetle üretilebilir hâle gelmesi, AI influencerlar ve dijital avatar ekonomisi.
2. Üretim ve mühendislikte fiziksel yapay zekâ: Humanoid robotların aylarca süren robotik kodlama yatırımlarının yerini alması ve riskli işlerde insan yerine devreye girmesi.
3. Bilimsel keşifte hızlanma: İlaç kombinasyonlarının saniyeler içinde taranması, kuantum simülasyonları ve fabrikaların dijital ikiz üzerinden kurulmadan test edilmesi.
4. Sağlık, tarım, eğitim ve savunmada uygulama örnekleri: Ön tanı destek sistemleri, hassas tarım, kişiselleştirilmiş öğrenme planları ve otonom keşif robotları.
5. Canlı multimodal uygulama gösterimi: Tek bir fotoğraftan mekân tespiti, etkileşimli web sitesi üretimi, görselin videoya dönüştürülmesi ve ihtiyaca göre model seçimi.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Üretken yapay zekânın medya, üretim, sağlık, tarım, eğitim ve savunma sektörlerindeki somut kullanım biçimlerini örneklerle açıklayabilir.
2. Fiziksel yapay zekâ ve humanoid robot uygulamalarının geleneksel otomasyon yatırımlarına kıyasla sağladığı zaman ve maliyet avantajını değerlendirebilir.
3. Bir sektörel örneği kendi kurumsal bağlamına uyarlayarak benzer bir katma değer senaryosu tasarlayabilir.
4. Multimodal bir yapay zekâ aracını görsel, metin ve video girdileriyle kullanarak uçtan uca bir çıktı üretebilir.
5. İhtiyacın karmaşıklığına göre hızlı, dengeli veya güçlü model seçenekleri arasında bilinçli bir tercih yapabilir.
Eğitmen (1):
1 video
Bu bölüm, üretken yapay zekânın kaputunu açarak modellerin gerçekte nasıl çalıştığını ve bir projede hangi kriterlerle seçilmesi gerektiğini ele alıyor. Varyasyonel otokodlayıcılardan üretici çekişmeli ağlara, difüzyon modellerinden bugün neredeyse tüm mimarilerin yakınsadığı transformer ve dikkat mekanizmasına uzanan teknik zemin kurulduktan sonra, büyük dil modellerinin cevabı kelime kelime olasılık hesabıyla üretmesi tartışılıyor; modellerin gerçekten “düşünüp düşünmediğine” dair istatistiksel papağan tartışması açıkça masaya yatırılıyor. Denetimsiz ön eğitimden denetimli ince ayara ve insan geri bildirimiyle pekiştirmeli öğrenmeye uzanan üç aşamalı eğitim süreci; bu sürecin kullanıcı verisiyle beslenmesinin doğurduğu etik sorular ve antropomorfizm riskiyle birlikte inceleniyor. Bölümün ikinci yarısı tamamen uygulamaya dönük: temperature, top-k ve top-p parametrelerinin çıktı kalitesine etkisi, aynı prompta farklı yanıtlar üreten donanım kaynaklı stokastik davranışın nedenleri, model güvenlik endeksleri, gecikme ve ilk token süresi, token maliyeti, bağlam penceresi genişliği ve bağımsız benchmark endeksleri üzerinden model karşılaştırması ele alınıyor. Bölüm, uygulamaların tek bir modele bağımlı kalmaması için AI Gateway ve model yönlendirme mimarileriyle tamamlanıyor.
Bölümde Ele Alınan Temel İçerikler
1. Üretken model mimarilerinin evrimi: VAE, GAN ve difüzyon modellerinden transformer ve dikkat mekanizmasına yakınsama.
2. Büyük dil modellerinin çalışma prensibi ve eğitim aşamaları: Denetimsiz ön eğitim, denetimli ince ayar ve insan geri bildirimiyle pekiştirmeli öğrenme.
3. Etik ve bilinçli kullanım: Kullanıcı verisinin modeli beslemesi, veri mahremiyeti tartışmaları ve antropomorfizm riski.
4. Çıktı kontrolü ve gizli kaos: Temperature, top-k, top-p parametrelerinin etkisi ve donanım kaynaklı stokastik farklılıkların nedeni.
5. Model seçimi ve endeksler: Güvenlik endeksi, gecikme, ilk token süresi, token maliyeti, bağlam penceresi ve görev başına maliyet ile AI Gateway üzerinden model yönlendirme.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Büyük dil modellerinin bir sonraki kelimeyi tahmin ederek çıktı üretme mantığını ve üç aşamalı eğitim sürecini açıklayabilir.
2. Temperature, top-k ve top-p parametrelerini projenin yaratıcılık–tutarlılık dengesine göre uygun düzeyde belirleyebilir.
3. Aynı prompta farklı yanıtlar alınmasının stokastik ve donanımsal nedenlerini yorumlayarak beklentilerini buna göre kalibre edebilir.
4. Bir yapay zekâ projesi için modeli zekâ, hız, maliyet, bağlam penceresi ve güvenlik endeksi kriterlerini birlikte değerlendirerek seçebilir.
5. AI Gateway ve model yönlendirme yaklaşımını kullanarak uygulamasını tek bir model sağlayıcısına bağımlı olmaktan kurtaracak bir mimari kurgulayabilir.
Eğitmen (1):
1 video
Bu bölüm, prompt mühendisliğini temel ilkeleriyle kurduktan sonra izleyiciyi bir üst kavramsal düzeye, bağlam mühendisliğine taşıyor. Etkili bir promptun net, role dayalı, formatı belirlenmiş ve örneklerle desteklenmiş olması gerektiği; işe yeni başlayan bir çalışana iş anlatma benzetmesiyle somutlaştırılıyor. Karmaşık görevlerin küçük ve stratejik olarak parçalanmış alt görevlere bölünmesinin çıktı kalitesini nasıl yükselttiği, yeniden kullanılabilir prompt kütüphanelerinin kurumsal bilgi havuzuna dönüşmesi ve modelin eğitim yöntemleriyle (denetimli öğrenme, doğrudan tercih optimizasyonu, pekiştirmeli öğrenme) prompt yazma pratiği arasındaki paralellik ele alınıyor. Bölümün kırılma noktası ise provokatif bir tez: prompt aslında bir özellik değil, bir hatadır. Kullanıcıdan uzun uzun prompt yazmasını beklemek bir anti-pattern'dir ve ürünler, kullanıcının ihtiyacını önceden sezip proaktif aksiyon alan sistemlere doğru evrilmektedir. Bölüm, bağlam mühendisliğinin operasyonel karşılığıyla kapanıyor: prompt, veri, bağlı sistemler, araçlar, hafıza ve hiperparametrelerin bütünsel yönetimi ile skill.md ve agent.md dosyaları üzerinden modüler, paylaşılabilir ve yönetilebilir beceri mimarilerinin kurulması.
Bölümde Ele Alınan Temel İçerikler
1. Etkili prompt tasarımının ilkeleri: Netlik, rol ataması, format belirleme, kısıt tanımlama ve örneklerle destekleme.
2. Görev parçalama ve prompt kütüphaneleri: Karmaşık işleri alt görevlere bölmenin çıktı kalitesine etkisi ve kurumsal prompt havuzları oluşturma.
3. Model eğitim yöntemleri ile prompt pratiği arasındaki bağ: Denetimli öğrenme, doğrudan tercih optimizasyonu ve pekiştirmeli öğrenmeden çıkarılacak dersler.
4. Prompt bir anti-pattern'dir tezi: Kullanıcıdan efor beklemeyen, ihtiyacı önceden sezen proaktif yapay zekâ ürünlerine geçiş.
5. Bağlam mühendisliği ve beceri dosyaları: Skill.md ve agent.md ile modüler beceri tanımlama, bağlam penceresini verimli yönetme ve hiperparametreleri bu çerçeveye dâhil etme.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Rol, bağlam, format, kısıt ve örnek bileşenlerini içeren yapılandırılmış promptlar yazabilir.
2. Karmaşık bir görevi stratejik alt görevlere bölerek yapay zekâdan daha yüksek kalitede çıktı elde edebilir.
3. Prompt mühendisliği ile bağlam mühendisliği arasındaki farkı açıklayarak projesini bağlam odaklı kurgulayabilir.
4. Kullanıcıdan prompt beklemek yerine ihtiyacı önceden sezen proaktif ürün senaryoları tasarlayabilir.
5. Bir iş süreci için skill.md ve agent.md dosyaları hazırlayarak ajanın becerilerini, araç erişimini ve davranış kurallarını tanımlayabilir.
Eğitmen (1):
1 video
Bu bölüm, üretken yapay zekânın en kritik güven problemini, halüsinasyonu merkeze alıyor. Bir modelin eğitim verisinin kesildiği tarihten sonrasını bilemeyeceği, güncel bilgiye erişim verilmediğinde en güçlü modellerin bile yanlış cevap üretebileceği, canlı bir gösterimle kanıtlanıyor: aynı soru araç kullanımı engellenerek ve serbest bırakılarak sorulduğunda modelin verdiği iki farklı cevap, halüsinasyonun aslında bir tasarım ve bağlam problemi olduğunu ortaya koyuyor. Bölüm buradan Retrieval Augmented Generation mimarisine geçiyor: kullanıcının isteğinin matematiksel bir vektör uzayına taşınması, kurum içindeki en ilgili doküman parçacıklarının seçilerek modelin bağlamına enjekte edilmesi ve böylece modeli yeniden eğitmeden hem token tasarrufu hem de doğruluk artışı sağlanması adım adım anlatılıyor. Vektör uzayında anlamın nasıl konumlandığı klasik kral–kraliçe örneğiyle görselleştiriliyor. RAG ile fine-tuning arasındaki tercih; süre, maliyet ve yatırım getirisi karşılaştırmalarıyla netleştirilerek fine-tuning'in ancak modelin davranışını köklü biçimde değiştirmek gerektiğinde başvurulacak son seçenek olduğu vurgulanıyor. Bölüm, model drift kavramı ve multimodal embedding modelleriyle tamamlanıyor: yapay zekâ sistemleri statik tutulduğunda çürür; canlı ve likit veriyle sürekli beslenmeleri şarttır.
Bölümde Ele Alınan Temel İçerikler
1. Halüsinasyonun kökeni: Eğitim verisi kesim tarihi, güncel bilgiye erişimsizlik ve prompt tasarımının modeli yanlış cevaba sürüklemesi.
2. Referanslı çıktı zorunluluğu: Kullanıcının doğrulama yapabilmesi için her çıktının kaynağıyla birlikte üretilmesi.
3. RAG mimarisinin işleyişi: Vektör uzayına dönüştürme, en ilgili doküman parçacıklarının seçimi ve bağlama enjekte edilerek token verimliliği sağlanması.
4. RAG mi fine-tuning mi? Süre, maliyet ve yatırım getirisi karşılaştırması ile fine-tuning'in son çare olarak konumlandırılması.
5. Model drift ve multimodal embedding: Statik sistemlerin zamanla çürümesi ve metin, görsel, ses, video ile dokümanların tek bir ortak uzayda konumlandırılması.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Bir dil modelinin neden yanlış bilgi ürettiğini eğitim verisi, bağlam ve prompt tasarımı açısından açıklayabilir.
2. RAG mimarisinin uçtan uca çalışma mantığını tarif ederek kendi kurumsal verisi için uygun bir kurgu tasarlayabilir.
3. RAG ile fine-tuning arasında maliyet, süre ve ihtiyaç kriterlerini değerlendirerek gerekçeli bir tercih yapabilir.
4. Model drift riskini tanıyarak yapay zekâ uygulamasını güncel ve likit veriyle besleyecek bir sürdürme planı kurabilir.
5. Halüsinasyon riskinin yüksek olduğu sektör ve süreçleri belirleyerek referanslı çıktı ve doğrulama mekanizmaları tasarlayabilir.
Eğitmen (1):
1 video
Bu kapanış bölümü iki ekseni birleştiriyor: yapay zekânın genişleyen algı yetenekleri ve bu yeteneklerin sorumlu biçimde yönetilmesi. İlk bölümde, metin verisinin sınırına dayanan model geliştiricilerinin ses, görüntü, video ve dokümanı ortak bir matematiksel uzaya taşıyan multimodal mimarilere yönelişi; çapraz modal dikkat mekanizmaları, herhangi bir girdiden herhangi bir çıktı üretebilen model yapıları, buluta bağımlı kalmadan cihaz üzerinde çalışan çıkarım sistemleri ve akıllı gözlük ile karma gerçeklik cihazlarındaki uygulamaları ele alınıyor; artırılmış gerçekliğin algıyı ve gerçeklik duygusunu dönüştürme potansiyeli de risk boyutuyla tartışılıyor. Bölümün ikinci yarısı tamamen yönetişime ayrılıyor: guardrail tasarımı, üç kademeli gözetim modeli (human in the loop, human on the loop, human out of the loop), göstermelik onay ile gerçek denetim arasındaki fark, ajanın yalnızca ihtiyacı kadar yetkiyle çalıştırılması ilkesi ve kural motoru üzerinden işleyen finansal onay akışı örneği inceleniyor. Çıktı kalitesinin sürekli ölçümlenmesi için LLM-as-a-Judge yaklaşımı, AB Yapay Zekâ Yasası, GDPR ve KVKK uyumu ile her yapay zekâ aksiyonunun isimlendirilmiş bir sorumlusu olması gerektiği vurgusu, programı sorumluluk bilinciyle kapatıyor.
Bölümde Ele Alınan Temel İçerikler
1. Multimodal yapay zekânın mimarisi: Metin, görsel, ses, video ve dokümanın ortak latent uzaya taşınması ve çapraz modal dikkat mekanizmaları.
2. Cihaz üzerinde çıkarım ve gömülü ajanlar: Buluta bağımlı olmayan modeller, akıllı gözlükler, karma gerçeklik cihazları ve fiziksel dünyada uzun ufuklu görev yürüten robotlar.
3. Üç kademeli gözetim modeli: Human in the loop, human on the loop ve human out of the loop yaklaşımlarının risk düzeyine göre seçimi.
4. Yetki yönetimi ve onay akışları: En az yetki ilkesi, ajandan bağımsız çalışan kural motorları ve katastrofik sonuçları önleyen finansal onay mekanizmaları.
5. Ölçümleme ve uyum: LLM-as-a-Judge ile çıktı kalitesinin denetlenmesi, AB Yapay Zekâ Yasası, GDPR ve KVKK uyumu ile aksiyon bazlı sorumluluk atanması.
Öğrenme Çıktıları
Bu bölümü tamamlayan katılımcı:
1. Multimodal yapay zekâ modellerinin çalışma mantığını ve farklı modaliteleri ortak uzayda birleştirmenin sağladığı avantajları açıklayabilir.
2. Cihaz üzerinde çalışan multimodal çıkarımın veri gizliliği, süreklilik ve maliyet açısından sunduğu faydaları değerlendirebilir.
3. Bir iş sürecinin risk düzeyine göre uygun insan gözetim modelini seçerek gerekçelendirebilir.
4. Yapay zekâ ajanları için en az yetki ilkesine dayalı, kural motoruyla desteklenen onay akışları tasarlayabilir.
5. Yapay zekâ projesini AB Yapay Zekâ Yasası, GDPR ve KVKK gerekliliklerine uyumlu biçimde, izlenebilir ve sorumluluk atanmış şekilde kurgulayabilir.
Eğitmen (1):
