AI AGENT VE AGENTİC AI EĞİTİMİ

EĞİTİM SÜRESİ

• Eğitim Süresi: 10 Gün
• Günlük Eğitim Süresi: 6 Saat
• Ders Yapısı: 50 dakika oturum + 10 dakika mola
• Eğitim Saatleri: 10:00 - 17:00
• Öğle Arası: 12:00 - 13:00 (1 Saat)

Eğitimler, uzaktan canlı sınıf formatında Microsoft Teams platformu üzerinden gerçekleştirilir. Katılımcılar eğitim öncesinde paylaşılan bağlantılarla oturumlara katılır. Eğitim süresince eğitmen, uygulamalı anlatım, canlı demo ve anlık soru-cevap yöntemlerini birlikte kullanarak maksimum etkileşim sağlar.

Uygulamalı bölümlerde Python, LangChain, LlamaIndex, AutoGen, CrewAI, OpenAI/Gemini API, Hugging Face, ChromaDB, Pinecone, Neo4j, LangSmith, Gymnasium (OpenAI Gym), Docker, Kubernetes, Prometheus ve Grafana gibi araçlar kullanılır. Katılımcılar; RAG hatları, function calling ile araç kullanımı, hafıza yönetimi, multi-agent orkestrasyon, RL denemeleri, gözlemlenebilirlik ve üretim dağıtımı gibi laboratuvar çalışmaları yapar.

Eğitim, problem odaklı öğrenme ve modül bazlı ilerleme yaklaşımıyla tasarlanmıştır. Her modül, gerçek kurumsal senaryolarla desteklenen kısa anlatım + canlı demo + uygulamalı alıştırmalar içerir. Program, son gün capstone (kurumsal bir otonom süreç otomasyonu için multi-agent sistem) ile tamamlanır.

Program sonunda katılımcılar; agentic mimariler, RAG ve vektör veritabanları, function calling ve araç kullanımı, hafıza ve durum yönetimi, LLM entegrasyonu ve maliyet yönetimi, multi-agent koordinasyon, BDI ve RL, güvenlik-hizalama-XAI, multimodal agent ve agent-odaklı MLOps alanlarında pratik ve aktarılabilir yetkinlik kazanır.

EĞİTİM HEDEFİ

• Python Geliştiricilerini agentic AI mimarileriyle otonom sistemler geliştirebilen uzmanlara dönüştürmek.
• Kurumsal entegrasyon için RAG, araç kullanımı ve API yönetimiyle güvenilir ve doğrulanabilir agent’lar geliştirmek.
• Üretim seviyesinde gözlemlenebilirlik, güvenlik ve maliyet yönetimi sağlayan dayanıklı mimariler kurmak.
• Çoklu agent orkestrasyonu ve capstone proje ile uçtan uca çözüm tasarlama becerisi kazandırmak.

EĞİTİM YÖNETİMİ

• Teorik Bilgi: Agent mimarileri, planlama ve akıl yürütme döngüleri, BDI/RL temelleri.
• Uygulamalı Laboratuvarlar: Python, LangChain, LlamaIndex, AutoGen, CrewAI, ChromaDB/Pinecone, Neo4j, LangSmith.
• Etkileşimli Tartışmalar: Soru-cevap, vaka analizi ve tasarım incelemeleri.
• Proje/Capstone: Kurumsal bir MAS (multi-agent system) ile süreç otomasyonu.

HEDEF KİTLE

1. Python Geliştiriciler: Agentic AI, RAG ve üretim dağıtımı ile uçtan uca çözüm geliştirmek isteyenler.
2. ML/AI Mühendisleri: LLM tabanlı agent mimarilerini pratikle güçlendirmek isteyenler.
3. Ürün/Proje Yöneticileri: Otonom süreç otomasyonu ve MAS projeleri planlayan paydaşlar.
4. DevOps/Platform Ekipleri: Docker/Kubernetes, gözlemlenebilirlik ve CI/CD entegrasyonu.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta seviye Python bilgisi ve paket yönetimine aşinalık.
• Temel API/HTTP, JSON ve bulut servislerine aşinalık (önerilir).
• Aktif katılım, pratik yapma ve kod inceleme alışkanlığı.

EĞİTİM PROGRAMI

Modül 1: Agentic AI Temelleri ve Ekosistemi (Seviye: Başlangıç)

• AI Agent Mimarileri: Refleks, model tabanlı, hedef tabanlı, fayda tabanlı yaklaşımlar; Python ile kavramsal uygulamalar.
• Planlama ve Akıl Yürütme Döngüleri: ReAct çerçevesi, görev ayrıştırma (task decomposition).
• Framework'lere Giriş: LangChain (Chains, Tools, Memory) ve LlamaIndex'in veri odaklı agent yetenekleri.

Kazanımlar: Agentic AI dünyasına sağlam başlangıç; agent düşünme biçimi ve temel prototip geliştirme becerisi.

İşlenen Anahtarlar: Agent Mimarileri; Reasoning Loops; LangChain/LlamaIndex.

Modül 2: Agent'ları Dış Dünyaya Bağlama: RAG ve Araç Kullanımı (Seviye: Başlangıç)

• RAG: Unstructured/PyPDF ile belge yükleme, parçalama; HF/OpenAI Embeddings; Retriever tasarımı.
• Vektör Veritabanları: ChromaDB (lokal), Pinecone (bulut); benzerlik metrikleri (cosine, euclidean).
• Araç Kullanımı ve Function Calling: OpenAI/Gemini ile doğal dilden Python fonksiyon çağrılarına dönüşüm.

Kazanımlar: LLM’leri kurum verisi ve API’larla bağlayıp doğrulanabilir agent’lar geliştirme.

İşlenen Anahtarlar: RAG; Vector DB; Tool Use & Function Calling.

Modül 3: Gelişmiş Agent Davranışları ve Hafıza Yönetimi (Seviye: Başlangıç/Orta)

• Gelişmiş Prompt: Few-shot, CoT, ToT; rol atama şablonları.
• Durum ve Hafıza: ConversationBuffer/Summary/VectorStore Memory; durum makineleri ile akış yönetimi.
• LLM Entegrasyonu: Sağlayıcılar, anahtar yönetimi, token maliyeti, rate limiting, hata yönetimi.

Kazanımlar: Bağlama duyarlı ve tutarlı davranan sofistike agent tasarlama.

İşlenen Anahtarlar: Advanced Prompting; Memory; API Yönetimi.

Modül 4: Çoklu Agent Sistemleri (MAS) (Seviye: Orta)

• Mimariler: İşbirlikçi/rekabetçi modeller; merkezi ve merkeziyetsiz görev dağıtımı.
• Koordinasyon ve Müzakere: Contract Net Protocol, çatışma çözümü ve temel oyun teorisi.
• Pratik MAS: AutoGen ve CrewAI ile hiyerarşik ve işbirlikçi akışlar; yazılım geliştirme simülasyonu.

Kazanımlar: Dijital ekip (multi-agent) tasarlama ve orkestrasyon becerisi.

İşlenen Anahtarlar: MAS; Koordinasyon/Müzakere; Hiyerarşik Görev Ayrıştırma.

Modül 5: Klasik ve Modern Agent Mimarileri (Seviye: Orta)

• BDI: İnanç-Arzu-Niyet döngüsü, Python ile kavramsal modelleme.
• RL Temelleri: State/Action/Reward/Policy/Value; Q-Learning ile grid-world uygulaması.
• Simülasyon ve Sentetik Veri: Gymnasium ile ortamlar; sentetik veri stratejileri.

Kazanımlar: Dinamik ortamlarda öğrenebilen sistemler için sağlam teorik ve pratik temel.

İşlenen Anahtarlar: BDI; Reinforcement Learning; Simulation.

Modül 6: Agent'ları Geliştirme ve Değerlendirme (Seviye: Orta)

• Öz-İyileştirme/Meta-Öğrenme: Feedback loop’larıyla prompt/araç stratejisi optimizasyonu.
• Değerlendirme ve Gözlemlenebilirlik: Başarı, maliyet, gecikme; loglama ve tracing; LangSmith ile analiz.
• Hata Toleransı: Retry, fallback ve human-in-the-loop tasarımı.

Kazanımlar: Production’a uygun, izlenebilir ve dayanıklı agent sistemleri.

İşlenen Anahtarlar: Meta-Learning; Metrics & Observability; Fault Tolerance.

Modül 7: Güvenlik, Etik ve Açıklanabilirlik (XAI) (Seviye: İleri)

• LLM Hizalama ve Güvenlik: Constitutional AI, red teaming, guardrails.
• XAI ve Nedensellik: CoT loglama, neden-sonuç farkındalığı ile karar kalitesi.
• Etik ve Sorumluluk: Bias azaltma, hesap verebilirlik çerçeveleri.

Kazanımlar: Sorumlu, güvenli ve şeffaf agent mimarileri.

İşlenen Anahtarlar: Alignment/Safety; Explainability; Ethics.

Modül 8: İleri Seviye Agent Yetenekleri (Seviye: İleri)

• Multimodal Agent’lar: GPT-4V/Gemini API; VQA ve text-to-image entegrasyonları.
• Bilgi Graflarıyla Akıl Yürütme: Neo4j ile LLM entegrasyonu; karmaşık sorgular.
• Oyun Teorisi ve Strateji: Nash dengesi, mahkumun ikilemi; müzakere/auction senaryoları.

Kazanımlar: İnsan bilişine yakın yetenekler ve stratejik karar alma.

İşlenen Anahtarlar: Multi-Modal Agents; Knowledge Graph Reasoning; Game Theory.

Modül 9: Agent-Odaklı Operasyonlar (MLOps) (Seviye: İleri)

• Agent-Odaklı MLOps & CI/CD: PromptOps, Git ile versiyonlama; GitHub Actions ile otomasyon.
• Altyapı ve Dağıtım: Docker, Kubernetes; event-driven serverless agent’lar.
• Performans İzleme ve A/B Testi: Prometheus/Grafana; model/prompt/flow karşılaştırmaları.

Kazanımlar: Laboratuvardan üretime, ölçeklenebilir ve izlenebilir sistem geçişi.

İşlenen Anahtarlar: Agent MLOps; Dynamic Adaptation; Emergent/Swarm Concepts.

Modül 10: Capstone – Kurumsal Otonom Süreç Otomasyonu (Seviye: İleri/Uygulama)

• Proje ve Ekip: Gerçekçi kurumsal senaryoda multi-agent mimarisi ile çözüm.
• Tasarım ve Geliştirme: RAG, function calling, CrewAI ile görev dağıtımı; eğitmen liderliğinde kodlama seansları.
• Test ve Değerlendirme: LangSmith ile gözlem; güvenlik/guardrails incelemeleri; sunum ve geri bildirim.

Kazanımlar: Somut, çalışan ve değer üreten bir multi-agent ürün/POC.

İşlenen Anahtarlar: Tüm modüllerin birleşik pratik uygulaması.