Yapay Zeka için Uç Bilişim Eğitimi

Eğitim Hakkında

Bu eğitim, yapay zeka modellerini fabrika, robot, araç ve saha cihazları üzerinde düşük gecikme ve sınırlı enerjiyle çalıştırmak isteyen mühendislik ekipleri için tasarlanmış ileri düzey bir programdır. Katılımcılar nicemleme ve derleme ile model optimizasyonu, Jetson ve NPU donanımlarında çıkarım, TinyML, uç filo yönetimi ve güvenliği laboratuvarda uygular.

Neden Bu Eğitim?

Milisaniye Önemlidir. Robot, kalite kontrol ve güvenlik uygulamalarında buluta gitmeden gerçek zamanlı karar üreten sistemler kurun.

Donanım Üzerinde Pratik. Modelleri Jetson, NPU ve mikrodenetleyici hedeflerinde ölçün; gecikme, bellek ve güç ödünleşimini görün.

Tek Cihazdan Filoya. Yüzlerce uç cihazda model güncelleme, izleme ve güvenliği yönetebilen sürdürülebilir bir mimari tasarlayın.

“Yapay zekanın gerçek değeri, kararın gerektiği anda ve yerde, bağlantı olsa da olmasa da doğru sonucu üretebilmesindedir.”

Ön Koşullar

Python ve PyTorch — Python ile model eğitimi ve çıkarım kodu yazabilmek, PyTorch temellerine hakim olmak.
Derin Öğrenme — CNN, ağırlık, aktivasyon ve tensör boyutları gibi sinir ağı kavramlarını bilmek.
Linux ve Docker — Linux komut satırı, SSH ve Docker konteynerleri ile temel düzeyde çalışabilmek.
Donanım Erişimi — Laboratuvar cihazları eğitimde sağlanır; online katılımda uzak cihaz erişimi tanımlanır.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiUç, sis ve bulut katmanlarının rolünü kavramak, uç donanım seçeneklerini karşılaştırmak ve cihaz üzerinde performansı doğru biçimde ölçmek.

Modül 1

Uç Bilişim ve Uç Yapay Zeka Mimarileri

Uç, sis ve bulut bilişim katmanlarının karşılaştırılması
Gecikme, bant genişliği, gizlilik ve süreklilik gerekçeleri
Uçta çıkarım, bulutta eğitim: hibrit yaşam döngüsü
Referans mimariler: akıllı kamera, robot, endüstriyel PC
Uç yapay zekanın maliyet ve bakım yükü analizi
Vaka: Üretim hattında buluttan uca geçiş kararı

Modül 2

Uç Donanım ve Hızlandırıcı Ekosistemi

CPU, GPU, NPU, TPU ve FPGA hızlandırıcı farkları
NVIDIA Jetson Orin ailesi ve JetPack yazılım yığını
Raspberry Pi 5 ve Hailo hızlandırıcı modülleri
Google Coral Edge TPU ve NPU'lu x86 işlemciler
Mikrodenetleyiciler: Arm Cortex-M ve ESP32 hedefleri
Atölye: Kullanım senaryosuna göre donanım seçimi

Modül 3

Performans Ölçütleri ve Profilleme

Gecikme, verim (FPS), bellek ve güç tüketimi ölçütleri
Soğuk başlangıç, ısınma ve kuyruk gecikmesi (p99)
tegrastats ve jtop ile Jetson kaynak izleme
Watt başına çıkarım ve termal kısıtlama etkisi
Adil kıyaslama için tekrarlanabilir test yöntemi
Laboratuvar: Aynı modelin CPU ve GPU üzerinde ölçümü

Modül 4

Uç Geliştirme Ortamı ve İlk Çıkarım

JetPack kurulumu, CUDA ve cuDNN bileşenleri
Uç cihazda Docker konteyner ile geliştirme
Çapraz derleme ve uzaktan geliştirme iş akışı
Kamera girişi ile görüntü sınıflandırma çıkarımı
Laboratuvar: PyTorch modelini Jetson'da çalıştırma
Günün değerlendirmesi ve optimizasyon gününe köprü

Günün hedefiNicemleme, budama ve damıtma ile modelleri küçültmek, uygun çıkarım çalışma zamanını seçmek ve doğruluk-hız ödünleşimini ölçerek raporlamak.

Modül 1

Nicemleme (Quantization) Teknikleri

FP32, FP16, INT8 ve INT4 sayı gösterimleri
Eğitim sonrası nicemleme (PTQ) ve kalibrasyon verisi
Nicemleme farkındalıklı eğitim (QAT) yaklaşımı
Katman bazlı hassasiyet analizi ve karma hassasiyet
Nicemlemenin doğruluğa etkisinin sistematik ölçümü
Laboratuvar: Algılama modeline INT8 nicemleme

Modül 2

Budama, Damıtma ve Verimli Mimariler

Yapılandırılmış ve yapılandırılmamış budama farkı
Bilgi damıtma (knowledge distillation) ile öğrenci model
MobileNet, EfficientNet ve hafif YOLO varyantları
Donanım farkındalıklı mimari seçimi yaklaşımı
Model boyutu, FLOPs ve gerçek gecikme ilişkisi
Laboratuvar: Damıtılmış hafif sınıflandırıcı eğitimi

Modül 3

Çıkarım Çalışma Zamanları ve Derleyiciler

ONNX formatı ve ONNX Runtime yürütme sağlayıcıları
NVIDIA TensorRT ile motor oluşturma ve optimizasyon
Intel OpenVINO ile CPU, GPU ve NPU üzerinde çıkarım
LiteRT (TensorFlow Lite) ve ExecuTorch ile mobil hedefler
Operatör desteği sorunları ve dönüştürme hataları
Demo: Aynı modelin üç çalışma zamanında dönüştürülmesi

Modül 4

Optimizasyon Kıyaslama Laboratuvarı

Kıyaslama planı: doğruluk, gecikme, bellek ve güç
TensorRT FP16 ve INT8 motorlarının karşılaştırılması
Toplu işleme boyutu ve eşzamanlı akış etkisi
Pareto eğrisi ile en uygun yapılandırmanın seçimi
Laboratuvar: Takım bazlı optimizasyon yarışması
Günün değerlendirmesi ve uygulama gününe hazırlık

Günün hedefiGerçek zamanlı video analitiği hatları kurmak, mikrodenetleyicilerde TinyML uygulamak, uçta küçük dil modelleri çalıştırmak ve endüstriyel sistemlere bağlanmak.

Modül 1

Gerçek Zamanlı Video Analitiği Hatları

GStreamer ile kamera akışı, çözme ve ön işleme
NVIDIA DeepStream ile çoklu akış çıkarım hattı
Donanım hızlandırmalı video kod çözme ve sıfır kopya
Algılama, takip ve olay üretimi zinciri
Çoklu kamera için kaynak planlama ve ölçekleme
Laboratuvar: Dört kamera akışlı KKD tespit hattı

Modül 2

TinyML: Mikrodenetleyicilerde Yapay Zeka

TinyML kavramı, kısıtlar ve kullanım senaryoları
Titreşim ve ses verisiyle anahtar olay tespiti
LiteRT for Microcontrollers ile model dağıtımı
Edge Impulse ile veri toplama ve model üretimi
Kilobayt düzeyinde bellek ve pil ömrü optimizasyonu
Laboratuvar: Motor titreşiminden arıza sınıflandırma

Modül 3

Uçta Üretken Yapay Zeka ve Küçük Modeller

Küçük dil modelleri (SLM) ve uçta çalıştırma gerekçesi
llama.cpp ve GGUF formatında nicemlenmiş modeller
Ollama ile yerel model servisleme ve API kullanımı
Uçta görsel dil modelleriyle sahne yorumlama
Bellek bant genişliği, token hızı ve bağlam sınırları
Demo: Jetson üzerinde çevrimdışı bakım asistanı

Modül 4

Endüstriyel Sistemler ve Robotik Entegrasyon

Laboratuvar: Çıkarım sonuçlarını MQTT ile yayınlama
OPC UA ile PLC ve SCADA sistemlerine veri aktarımı
ROS 2 düğümü olarak çıkarım servisinin paketlenmesi
Gerçek zamanlılık, zamanlama ve deterministik davranış
Bağlantı kesintisinde yerel tamponlama ve senkronizasyon
Günün değerlendirmesi ve operasyon gününe köprü

Günün hedefiUç cihaz filolarında model dağıtımı ve güncellemesini yönetmek, uç güvenliğini sağlamak, federe öğrenmeyi değerlendirmek ve uçtan uca projeyi sunmak.

Modül 1

Uç MLOps ve Filo Yönetimi

Konteyner tabanlı uç dağıtım ve K3s ile orkestrasyon
AWS IoT Greengrass ve Azure IoT Edge yaklaşımları
Kablosuz (OTA) model güncelleme ve geri alma stratejisi
Uç cihazlarda model performansı ve kayma izleme
Sahadan veri toplama ile yeniden eğitim döngüsü
Demo: Cihaz grubuna kademeli model güncellemesi

Modül 2

Uç Cihaz ve Model Güvenliği

Güvenli önyükleme, TPM ve donanım güven kökü
Model dosyalarının şifrelenmesi ve fikri mülkiyet koruması
Uç cihazlara fiziksel erişim ve yan kanal riskleri
IEC 62443 ile endüstriyel ağ segmentasyonu
AB Siber Dayanıklılık Yasası'nın bağlı ürünlere etkisi
Atölye: Uç yapay zeka cihazı için tehdit modeli

Modül 3

Federe Öğrenme ve Uç-Bulut İş Birliği

Veriyi taşımadan öğrenme: federe öğrenme mantığı
Flower çerçevesi ile federe eğitim senaryosu
Heterojen cihazlar ve dengesiz veri dağılımı sorunları
Uç-bulut iş bölümü ve kademeli çıkarım mimarisi
Gizlilik, KVKK ve verinin yerelde kalma gereksinimi
Laboratuvar: Üç cihazlı federe öğrenme simülasyonu

Modül 4

Uçtan Uca Dağıtım Projesi ve Kapanış

Proje: Optimize model, hat, entegrasyon ve güncelleme
Performans raporu: doğruluk, gecikme ve güç ölçümleri
Proje sunumları ve mimari tasarım geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar kodlarının teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

Uç Mimari Tasarımı — Gecikme, gizlilik ve maliyet gereksinimlerine göre uç, sis ve bulut iş bölümünü doğru tasarlayabileceksiniz.
Donanım Seçimi — Jetson, Hailo, Coral, NPU ve mikrodenetleyici seçeneklerini ölçülebilir kriterlerle karşılaştırabileceksiniz.
Model Küçültme — Nicemleme, budama ve bilgi damıtma ile modelleri doğruluğu koruyarak uç cihazlara sığdırabileceksiniz.
Hızlandırılmış Çıkarım — ONNX Runtime, TensorRT ve OpenVINO ile modelleri hedef donanımda en yüksek verimle çalıştırabileceksiniz.
Video Analitiği — GStreamer ve DeepStream ile çoklu kamera akışını gerçek zamanlı işleyen hatlar kurabileceksiniz.
TinyML Uygulamaları — Mikrodenetleyicilerde kilobayt düzeyinde bellekle çalışan sensör tabanlı modeller geliştirebileceksiniz.
Filo Yönetimi — Uç cihaz filolarında OTA model güncellemesi, izleme ve geri alma süreçlerini yönetebileceksiniz.
Uç Güvenliği — Güvenli önyükleme, model şifreleme ve ağ segmentasyonuyla korunan uç yapay zeka sistemleri kuracaksınız.

Kimler İçin Uygundur?

Gömülü sistem ve ML mühendisleri
robotik ve otomasyon yazılımcıları
IoT mimarları
Ar-Ge ekipleri ile üretim sahasında yapay zeka çözümü dağıtan teknik ekipler.

Sıkça Sorulan Sorular

Yapay Zeka için Uç Bilişim Eğitimi kimler için uygundur?

Program; gömülü sistem ve ML mühendisleri, robotik ve otomasyon yazılımcıları, IoT mimarları ve yapay zeka modellerini fabrika, araç veya saha cihazlarında çalıştırmak isteyen Ar-Ge ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Uç mimari ve donanım, model optimizasyonu, video analitiği ile TinyML uygulamaları ve filo yönetimi ile güvenlik günleri işlenir; son gün dağıtım projesi sunulur.

Katılım için hangi teknik bilgiler gerekiyor?

Python ve PyTorch ile model çalıştırabilme, temel derin öğrenme kavramları ve Linux komut satırı ile Docker kullanımı beklenir. Gömülü programlama deneyimi avantajdır ancak zorunlu değildir.

Laboratuvarlarda hangi donanım ve yazılımlar kullanılıyor?

NVIDIA Jetson Orin ve Raspberry Pi tabanlı cihazlar ile ONNX Runtime, TensorRT, OpenVINO, LiteRT, DeepStream, Edge Impulse, llama.cpp, Flower ve K3s kullanılır. Online katılımda uzak cihaz erişimi sağlanır.

İçerik kurumun kullandığı donanıma göre uyarlanabilir mi, sertifika veriliyor mu?

Evet. Eğitim öncesi görüşmede kurumun hedef donanımı ve kullanım senaryosu belirlenerek laboratuvarlar buna göre düzenlenebilir. Programı tamamlayanlar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

YAPAY ZEKA İÇİN UÇ BİLİŞİM EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Uç Bilişim ve Uç Yapay Zeka Mimarileri

Uç Donanım ve Hızlandırıcı Ekosistemi

Performans Ölçütleri ve Profilleme

Uç Geliştirme Ortamı ve İlk Çıkarım

Nicemleme (Quantization) Teknikleri

Budama, Damıtma ve Verimli Mimariler

Çıkarım Çalışma Zamanları ve Derleyiciler

Optimizasyon Kıyaslama Laboratuvarı

Gerçek Zamanlı Video Analitiği Hatları

TinyML: Mikrodenetleyicilerde Yapay Zeka

Uçta Üretken Yapay Zeka ve Küçük Modeller

Endüstriyel Sistemler ve Robotik Entegrasyon

Uç MLOps ve Filo Yönetimi

Uç Cihaz ve Model Güvenliği

Federe Öğrenme ve Uç-Bulut İş Birliği

Uçtan Uca Dağıtım Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi