Veri Yönetişimi ve Yapay Zeka Stratejileri Eğitimi

Bu Eğitim Hangi Sorunları Çözer?

-Yapay zeka projelerinde yaşanan "kirli veri" (Garbage In, Garbage Out) sorunları.
-Kurum içi veri siloları ve "tek doğru gerçek" (Single Version of Truth) eksikliği.
-Veri gizliliği ve erişim yetkilendirmelerindeki güvenlik açıkları.
-Yapısal ve yapısal olmayan verilerin yönetimindeki belirsizlikler.
-Veri okuryazarlığı ve veri kültürü eksikliği.

1. Gün: Verinin Temelleri ve Kurumsal Mimarideki Yeri

Modül 1: Verinin İş Hayatındaki Rolü

Stratejik Varlık Olarak Veri: Verinin operasyonel bir çıktıdan stratejik bir varlığa dönüşümü.
DIKW Piramidi (Veri, Enformasyon, Bilgi, Bilgelik): Ham verinin işlenebilir bilgiye ve nihayetinde yapay zeka destekli bilgeliğe/karara dönüşüm süreci.
Yapay Zekanın Liderleri Veri ile Nasıl Fark Yarattılar?
Netflix, Amazon ve Spotify gibi teknoloji devlerinin veri odaklı kültürleri.
Kişiselleştirme algoritmalarının arkasındaki veri yönetişimi başarı hikayeleri.

Modül 2: Veri Yönetimi ve Mimarisi

Veri Yönetimi Temelleri: Veri yaşam döngüsü (Oluşturma, Saklama, Kullanma, Arşivleme, İmha).
Veri Tipleri ve Yapay Zeka İlişkisi:
Yapısal Veriler (Structured): İlişkisel veritabanları, Excel tabloları ve sayısal veriler.
Yapısal Olmayan Veriler (Unstructured): Metin, görüntü, ses ve video verilerinin GenAI (Üretken YYZ) çağındaki önemi.
Veri Modeli Nedir, Ne İşe Yarar?
Kavramsal, mantıksal ve fiziksel veri modelleri.
Varlık-İlişki (Entity-Relationship) diyagramlarının iş kurallarını tanımlamadaki rolü.

Modül 3: Kurumsal Veri Depolama Stratejileri

Veri Ambarı (Data Warehouse): Tarihsel analiz ve raporlama için neden gereklidir?
Data Lake (Veri Gölü) vs. Data Warehouse: Yapay zeka çalışmaları için ham verinin önemi.
Data Lakehouse Kavramı: Modern mimarilerin yükselişi.

2. Gün: Veri Kalitesi, Güvenliği ve Değer Yaratma

Modül 4: Veri Kalitesi ve Güvenilirlik

Veri Kalitesi Neden Önemlidir? Hatalı verinin maliyeti ve karar alma süreçlerine etkisi.
Single Version of Truth (Tekil Gerçeklik) Kavramı: Departmanlar arası tutarsızlıkların önlenmesi ve Master Data Management (Ana Veri Yönetimi) girişi.
Raporlamada Veri Kalitesinin Önemi: Üst yönetim raporlarında güvenilirlik ve KPI takibi.
Yapay Zeka İçin Veri Kalitesi:
Model sapması (Bias) ve veri kalitesi ilişkisi.
Eksik, hatalı veya dengesiz verisetlerinin AI modellerine etkisi.

Modül 5: Veri Gizliliği ve Güvenliği

Veri Gizliliği ve Mevzuat: KVKK ve GDPR perspektifinden yapay zeka etiği.
Erişim Yetkilendirmelerinde İyi Pratikler:
Least Privilege (En Az Yetki) prensibi.
Rol Bazlı Erişim Kontrolü (RBAC).
Veri Maskeleme ve Anonimleştirme: AI eğitimi için hassas verilerin (PII) korunması yöntemleri.

Modül 6: Veriden Değere Yolculuk

Veriden Değer Yaratma Çerçevesi:
İş Zekası (BI): Ne oldu? (Descriptive Analytics)
Tahminsel Analitik (Predictive AI): Ne olacak? (Predictive Analytics)
Karar Zekası (Decision Intelligence): Ne yapmalıyız? (Prescriptive Analytics)
Yapay Zeka Destekli Karar Mekanizmaları: İnsan ve AI işbirliği.

Modül 7: Uygulamalı Workshop

Konu: Veri Etiketleme (Data Labeling) ve Yapay Zekayı Eğitmek.
İçerik:
Denetimli öğrenme (Supervised Learning) için veri seti hazırlama.
Katılımcılarla birlikte örnek bir veri setinin (örn. müşteri yorumları veya görseller) etiketlenmesi.
Etiketleme kalitesinin model başarısına etkisinin simüle edilmesi.

Kimler katılmalıdır

- İş Zekası (BI) Uzmanları

- Veri Analistleri ve Veri Yöneticileri

- Dijital Dönüşüm Liderleri

- Yapay Zeka Projelerinde Yer Alan İş Birimi Yöneticileri

- BT Yöneticileri ve Sistem Analistleri