SaaS için WrenAI ile Gömülü GenBI Eğitimi

Eğitim Hakkında

WrenAI mimarisinden semantik modellemeye, çok kiracılı güvenlikten gömülü dağıtıma GenBI

SaaS için WrenAI Dağıtımı Eğitimi, açık kaynak WrenAI ile üretken iş zekâsını (GenBI) müşteri yönelikli ürünlere gömmeye odaklanır. Katılımcılar WrenAI mimarisini, semantik katmanı (MDL) tanımlamayı, doğal dilden SQL üretimini (text-to-SQL), RAG ile bağlam zenginleştirmeyi ve üretilen grafiklerin ürüne yerleştirilmesini öğrenir. Çok kiracılı veri izolasyonu, satır düzeyi güvenlik, dağıtım, gözlemlenebilirlik ve maliyet yönetimi de uygulamalı ele alınır.

Süre ve Format

3 Gün. Her gün dört modül; WrenAI kurulumu, semantik modelleme ve gömülü entegrasyon gerçek bir veri kümesi üzerinde uygulamalı yapılır.

Seviye

Orta Seviye — WrenAI ile text-to-SQL GenBI'yi semantik katman, çok kiracılı güvenlik ve gömülü analitik olarak SaaS ürününe entegre etme

Öğrenme Metodu

Her konu gerçek bir SaaS senaryosu ve veri kümesi üzerinde atölyeyle işlenir; semantik katman, text-to-SQL ve gömme adımları canlı kurulur.

Neden Bu Eğitim?

💬Doğal dille analitik

Son kullanıcının SQL bilmeden sorularını doğal dilde sorup yanıt aldığı bir analitik deneyimi ürününüze gömmeyi öğrenirsiniz.

🧱Semantik güven

MDL ile tanımlı semantik katman sayesinde modelin uydurma değil, iş tanımlarınıza dayalı tutarlı yanıtlar üretmesini sağlarsınız.

🔐Çok kiracılı güvenlik

Satır düzeyi güvenlik ve veri izolasyonuyla her müşterinin yalnızca kendi verisini gördüğü güvenli bir gömülü analitik kurarsınız.

Anahtar Konular

wrenai eğitimigenbi eğitimitext-to-sqlgömülü analitikembedded analyticssemantik katmansaas analitik entegrasyonudoğal dil sorgukonuşmalı bi eğitimiçok kiracılı analitik

“Gömülü GenBI, her son kullanıcıyı kendi veri analistine dönüştürür; doğru semantik katman ve güvenli dağıtımla soru sormak kadar kolay bir analitik”

Ön Koşullar

Eğitime başlamadan önce faydalı olacak bilgi ve deneyim alanları

1

SQL ve veritabanı

SELECT, JOIN ve GROUP BY gibi SQL temellerine ve ilişkisel veritabanı kavramlarına aşinalık semantik modelleme kısmını

2

Web/API geliştirme

REST API ve temel web uygulaması geliştirme deneyimi, GenBI'yi ürüne gömme ve entegrasyon adımlarında işe yarar.

3

LLM kavramları

Büyük dil modeli, prompt ve token gibi temel kavramlara dair fikir text-to-SQL ve RAG konularını anlamayı hızlandırır.

4

Docker aşinalığı

Konteyner ve docker-compose ile temel düzeyde çalışabilmek WrenAI kurulum ve dağıtım adımlarında kolaylık sağlar.

Eğitim İçeriği

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

Günün hedefiKatılımcı GenBI kavramını, WrenAI mimarisini ve bileşenlerini öğrenir, aracı yerelde kurup bir veri kaynağına bağlayarak ilk doğal dil sorgusunu çalıştırır.

Modül 1

Üretken İş Zekâsı (GenBI) Kavramı

GenBI tanımı: doğal dil ile veri sorgulama ve otomatik içgörü
Klasik BI panolarıyla konuşmalı analitiğin karşılaştırılması
Müşteri yönelikli ürünlerde gömülü analitiğin iş değeri
Text-to-SQL yaklaşımının güçlü yanları ve sınırları
Halüsinasyon, güven ve doğruluk sorunları ve çözüm fikirleri
WrenAI'nin açık kaynak GenBI ekosistemindeki konumu

Modül 2

WrenAI Mimarisi ve Bileşenleri

WrenAI servisleri: UI, AI servisi ve Wren Engine rolleri
Semantik motorun (MDL) sorgu üretimindeki merkezi rolü
LLM sağlayıcıları ve gömme (embedding) modeli yapılandırması
Vektör deposu ve bağlam getirmenin (retrieval) mimarideki yeri
Desteklenen veri kaynakları: PostgreSQL, BigQuery, MySQL ve diğerleri
İstek akışı: doğal dil → bağlam → SQL → sonuç → görselleştirme

Modül 3

Kurulum ve Veri Kaynağı Bağlama

WrenAI'yi docker-compose ile yerel ortamda ayağa kaldırma
LLM ve embedding sağlayıcı anahtarlarını yapılandırma
Örnek PostgreSQL veri kümesini WrenAI'ye bağlama
Bağlantı dizesi, şema keşfi ve tablo içe aktarma
Ortam değişkenleri ve servis sağlık kontrolü doğrulama
İlk doğal dil sorgusunu çalıştırıp üretilen SQL'i inceleme

Modül 4

Veri Modelleme Temelleri

Tabloların ve ilişkilerin WrenAI modeline alınması
Birincil ve yabancı anahtarlarla ilişki (relationship) tanımlama
Hesaplanan alan (calculated field) ve metrik kavramı
İş terimlerini teknik sütunlarla eşleştirme ihtiyacı
Model üzerinde örnek soruların test edilmesi
Yanlış SQL üreten soruları gözlemleyip kök nedeni bulma

Günün hedefiKatılımcı MDL ile semantik katmanı tanımlamayı, text-to-SQL doğruluğunu artırmayı ve RAG ile iş bağlamı ekleyerek güvenilir yanıt üretmeyi uygular.

Modül 1

Semantik Katman ve MDL

Semantik katmanın amacı: tutarlı tanımlar ve tek doğruluk kaynağı
MDL (modelleme dili) ile model, ilişki ve metrik tanımlama
İş metriklerini (ciro, aktif kullanıcı) merkezî tanımlama
Takma ad ve açıklamalarla LLM'e anlam ipucu verme
Zaman boyutu ve toplulaştırma (aggregation) kurallarını belirleme
Semantik katmanın halüsinasyonu azaltmadaki rolü

Modül 2

Text-to-SQL Doğruluğunu Artırma

Doğal dil sorusunun SQL'e çevrilme adımlarının incelenmesi
Belirsiz soruların netleştirilmesi ve varsayımların yönetimi
Örnek soru-SQL çiftleriyle modele yönlendirme sağlama
Sık kullanılan sorgular için doğrulanmış şablonlar tanımlama
Yanlış birleşim ve toplulaştırma hatalarını tespit ve düzeltme
SQL doğrulama ve çalıştırılabilirlik kontrolü ile güven artırma

Modül 3

RAG ile Bağlam Zenginleştirme

RAG mantığı: ilgili şema ve iş bağlamını sorguya ekleme
Şema ve metrik açıklamalarının gömme (embedding) ile indekslenmesi
Vektör araması ile en ilgili tablo ve alanların getirilmesi
İş sözlüğü ve dokümanları bağlama dahil etme
Bağlam penceresi sınırını yönetme ve gereksiz bağlamı ayıklama
Getirilen bağlamın yanıt kalitesine etkisini ölçme

Modül 4

Görselleştirme ve Yanıt Üretimi

Sorgu sonucuna uygun grafik türünün otomatik seçilmesi
Tablo, çizgi, çubuk ve pasta grafik üretim mantığı
Doğal dilde özet ve içgörü (narrative) üretimi
Takip soruları ve bağlamı koruyan konuşma akışı
Yanıtla birlikte üretilen SQL'i şeffaf biçimde gösterme
Kullanıcı geri bildirimiyle yanıtları iyileştirme döngüsü

Günün hedefiKatılımcı WrenAI'yi SaaS ürününe gömmeyi, çok kiracılı güvenlik ve satır düzeyi izolasyonu kurmayı, üretime dağıtımı ve maliyet-izleme yönetimini uygular.

Modül 1

Ürüne Gömülü Entegrasyon

WrenAI yeteneklerini API üzerinden ürüne entegre etme
Konuşmalı analitik bileşenini ürün arayüzüne yerleştirme
Kimlik doğrulama ve oturumun ürünle tek noktadan paylaşımı
Marka, dil ve tema açısından gömülü deneyimi uyarlama
Üretilen grafiği ürün panosuna ve rapora gömme
Kullanıcı rolüne göre analitik yeteneklerini sınırlama

Modül 2

Çok Kiracılılık ve Satır Düzeyi Güvenlik

Çok kiracılı SaaS'ta veri izolasyonu yaklaşımları
Kiracı başına şema, veritabanı veya satır filtresi stratejileri
Satır düzeyi güvenlik (RLS) ile kiracı verisini ayırma
Sorgu bağlamına kiracı kimliğini güvenli biçimde enjekte etme
Üretilen SQL'in kiracı sınırını aşmasını engelleme
Hassas sütunları maskeleme ve erişim denetimi uygulama

Modül 3

Üretime Dağıtım ve Uygulaması

Konteyner tabanlı dağıtım ve ortam yapılandırması
LLM sağlayıcı seçimi: bulut API veya kendi barındırılan model
Ölçeklenebilirlik, eşzamanlı istek ve kuyruk yönetimi
Önbellekleme ile tekrar eden sorguların maliyetini düşürme
Gizli anahtar yönetimi ve güvenli yapılandırma
Sürüm yükseltme ve semantik modeli dağıtım hattına alma

Modül 4

Gözlemlenebilirlik, Maliyet ve Proje

Sorgu günlükleri, gecikme ve başarı oranını izleme
Token tüketimini ve LLM maliyetini takip etme
Yanlış yanıtları yakalama ve geri bildirimle iyileştirme
Oran sınırlama ve kötüye kullanımı engelleme
Doğruluk, gecikme ve maliyet ölçütleriyle çözümü değerlendirme
Uçtan uca proje: veri → semantik katman → ürüne gömülü GenBI

Eğitim Kazanımları

Program sonunda katılımcılar:

💡

GenBI kavrayışı

Üretken iş zekâsının ne olduğunu, klasik BI'dan farkını ve müşteri yönelikli ürünlere kattığı değeri açıklayabilirsiniz.

🏗️

WrenAI mimarisi

WrenAI bileşenlerini, semantik motoru ve istek akışını kavrayıp aracı kurarak bir veri kaynağına bağlayabilirsiniz.

🧱

Semantik modelleme

MDL ile semantik katmanı tanımlayıp iş metriklerini ve ilişkileri merkezî, tutarlı bir biçimde modelleyebilirsiniz.

🔎

Text-to-SQL doğruluğu

Doğal dil sorularının güvenilir SQL'e çevrilmesini şablon, örnek ve doğrulama ile artırabilir, hatalı sorguları ayıklayabilirsiniz.

📚

RAG ile bağlam

İş bağlamını ve şema bilgisini RAG ile sorguya ekleyerek modelin daha isabetli ve halüsinasyonu az yanıtlar üretmesini sağlarsınız.

🧩

Ürüne gömme

WrenAI yeteneklerini API ile SaaS ürününe gömebilir, konuşmalı analitik deneyimini arayüze ve panolara yerleştirebilirsiniz.

🔐

Çok kiracılı güvenlik

Satır düzeyi güvenlik ve veri izolasyonu ile her kiracının yalnızca kendi verisine eriştiği güvenli bir mimari kurabilirsiniz.

📈

Dağıtım ve operasyon

Çözümü üretime dağıtabilir; maliyet, gecikme ve doğruluğu izleyerek gözlemlenebilir ve sürdürülebilir hale getirebilirsiniz.

Kimler İçin Uygundur?

SaaS ürün geliştiren backend ve full-stack geliştiriciler
veri mühendisleri
analitik ürün yöneticileri
çözüm mimarları
ürününe gömülü iş zekâsı ekleyecek ekipler için uygundur

Sıkça Sorulan Sorular

WrenAI ve GenBI eğitimi kimler için uygundur?

SaaS ürünü geliştiren backend ve full-stack geliştiriciler, veri mühendisleri, analitik ürün yöneticileri ve çözüm mimarları için uygundur. SQL ve temel web geliştirme bilgisi olan ekipler, ürünlerine doğal dille sorgulanan gömülü iş zekâsı ekleme yetkinliği kazanır.

WrenAI nedir ve neden kullanılıyor?

WrenAI, doğal dil sorularını güvenilir SQL'e çeviren açık kaynak bir GenBI aracıdır. Semantik katman (MDL) ile iş tanımlarını merkezîleştirir, RAG ile bağlam ekler ve sonuçları grafik ve özet olarak sunar. Bu yapı, text-to-SQL'de sık görülen halüsinasyon ve tutarsızlık sorunlarını azalttığı için tercih edilir.

Gömülü GenBI'de müşteri verisi nasıl izole ediliyor?

Çok kiracılı SaaS senaryosunda her kiracının verisi satır düzeyi güvenlik, kiracı başına şema veya veritabanı stratejileriyle ayrılır. Sorgu bağlamına kiracı kimliği güvenli biçimde enjekte edilir ve üretilen SQL'in kiracı sınırını aşması engellenir. Böylece her müşteri yalnızca kendi verisini görür.

LLM maliyeti ve doğruluk nasıl yönetiliyor?

Maliyet; önbellekleme, oran sınırlama, uygun model seçimi ve token takibiyle yönetilir. Doğruluk ise semantik katman, doğrulanmış sorgu şablonları, örnek soru-SQL çiftleri ve SQL çalıştırılabilirlik kontrolüyle artırılır. Gecikme, maliyet ve başarı oranı izlenerek çözüm sürekli iyileştirilir.

Eğitim sonunda sertifika veriliyor mu?

Evet. Programı tamamlayan katılımcılar Digital Vizyon Akademi Katılım ve Başarı Sertifikası alır. Sertifika, katılımcının eğitime katılımını ve gömülü GenBI uygulamasıyla gösterdiği başarıyı belgeler.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı 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