BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//LatentShift//latentshift.ai schedule//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:LatentShift ed.01 · program
X-WR-TIMEZONE:Europe/Istanbul
REFRESH-INTERVAL;VALUE=DURATION:PT12H
X-PUBLISHED-TTL:PT12H
BEGIN:VEVENT
UID:ed01-registration-0845@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T054500Z
DTEND:20261017T064500Z
SUMMARY:Kayıt ve kahve
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-opening-0945@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T064500Z
DTEND:20261017T070000Z
SUMMARY:Hoş geldiniz
DESCRIPTION:LatentShift organizatörleri: Bilge Gündüz\, Ayşe Aktağ\, M
 ehmet İnce\n\nhttps://latentshift.ai/tr/schedule/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-your-agent-needs-a-home@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T070000Z
DTEND:20261017T073000Z
SUMMARY:Ajanınızın bir yuvaya ihtiyacı var · Jigar Mody & Bilge Günd
 üz
DESCRIPTION:Açılış konuşması · 30 dk · İngilizce\n\nJigar Mody · 
 Chief AI Officer\, EnterpriseDB\nBilge Gündüz · Staff Machine Learning 
 Engineer\, EnterpriseDB\n\nKurumsal yapay zeka projelerinin yalnızca %5'i
  production ortamına ulaşabiliyor. İşe yarayan ajanları çalıştırm
 ak ise pahalı\, çünkü her akıl yürütme adımı ve araç çağrısı
  token tüketiyor. Çoğu ekip bellek için bir sistem\, bağlam için ba
 şka bir sistem\, güvenlik için de üçüncü bir sistem ekliyor. Her ye
 ni sistem maliyeti\, gecikmeyi ve riski artırıyor. Bizce ajanların yaş
 ayabileceği daha iyi bir yer zaten var\, ancak çoğu ekip burayı gözde
 n kaçırıyor. Bu konuşmada\, bu yerin neresi olduğunu ve ajanları nas
 ıl etkili\, çalıştırması daha ucuz ve varsayılan olarak yönetişim
  kurallarına tabi hale getirdiğini göstereceğiz. Neler geliştirdiğim
 izi\, neleri ölçtüğümüzü ve hangi sorunların hâlâ çözüm bekle
 diğini paylaşacağız.\n\nhttps://latentshift.ai/tr/schedule/your-agent-
 needs-a-home/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/your-agent-needs-a-home/
CATEGORIES:LatentShift,Açılış konuşması
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-self-healing-a-gpu-fleet-at-scale@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T073500Z
DTEND:20261017T075500Z
SUMMARY:Büyük Ölçekte Bir GPU Filosunun Kendini Onarması · Daglar Ber
 k Erdem
DESCRIPTION:Kısa konuşma · 20 dk · Türkçe\n\nDaglar Berk Erdem · Pla
 tform Engineer\, FAL.ai\n\nEş zamanlı Türk İşaret Dili (TİD) çeviri
 si.\n\nBinlerce GPU çalıştırmak\, donanımın sürekli arızalanması 
 demek: GPU'lar PCIe veri yolundan kopuyor\, bellek bozuluyor\, düğümler
  ağ bağlantısını kaybediyor. Filomuz Kubernetes yerine özel bir zama
 nlayıcı üzerinde çalışıyor\; dolayısıyla düğümleri otomatik ol
 arak onaran yönetilen bir platformumuz yok. Kendi sistemimizi kurduk. Bu 
 oturumda metriklerden arızaları nasıl tespit ettiğimizi\, Ansible ile 
 düğümleri otomatik olarak nasıl boşaltıp onardığımızı ve otomas
 yonun bir kesintiyi daha da kötüleştirmesini önleyen korumaları öğr
 eneceksiniz.\n\nhttps://latentshift.ai/tr/schedule/self-healing-a-gpu-flee
 t-at-scale/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/self-healing-a-gpu-fleet-at-scale/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-break-1100@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T080000Z
DTEND:20261017T082000Z
SUMMARY:Ara
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-rlaif-ile-model-finetuning@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T082000Z
DTEND:20261017T090000Z
SUMMARY:RLAIF ile Model Finetuning/PreTraining'in de Insan Kaynaklı Darbo
 ğazının Kaldırılması · Alican Kiraz
DESCRIPTION:Uzun konuşma · 40 dk · Türkçe\n\nAlican Kiraz · Sr. Staff
  Engineer - AI/ML & Agentic AI\, Trendyol\n\nEş zamanlı Türk İşaret D
 ili (TİD) çevirisi.\n\nYapay Zeka Geri Bildirimiyle Pekiştirmeli Öğre
 nme (RLAIF) ile modelleri artık insan datasına en az ihtiyaç ile Instru
 ct ve SFT temelli pekiştirmeli öğrenme döngüleri oluşturabiliyoruz. 
 Bu da modellerin insan feedback'lerine ihtiyaç duymadan öğretmen/öğre
 nci yapısında insansız eğitim süreci sağlatıyor. Kendi Homelab'imde
  oluşturduğum yapı ile Finans\, Legal ve Siber Güvenlik alanlarında g
 eliştirdiğim Türkçe temelli açık kaynak LLM ve VLM modellerimi bu sa
 yede 7/24 minimum insan etkileşimli geliştirebiliyorum.\n\nhttps://laten
 tshift.ai/tr/schedule/rlaif-ile-model-finetuning/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/rlaif-ile-model-finetuning/
CATEGORIES:LatentShift,Uzun konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-run-the-dark-code@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T090500Z
DTEND:20261017T092500Z
SUMMARY:Karanlıkta Kalan Kodu Çalıştırın: Agent'ınızın Hata Yönet
 imi Neden Hiç Çalışmadı ve Onu Nasıl Bilinçli Olarak Çalıştırab
 ilirsiniz? · Cenk Kalpakoglu
DESCRIPTION:Kısa konuşma · 20 dk · İngilizce\n\nCenk Kalpakoglu · Vic
 e President\, AI R&D\, Invicti\n\nAgent'ınız LLM çağrılarını\, ara
 ç alt süreçlerini\, RAG sorgularını ve HTTP isteklerini birbirine ba
 ğlıyor. Bu zincirin her halkası için hata yönetimi yazdınız: 429 ya
 nıtından sonra yeniden deneme\, bir araç sonlandırıldığında temizl
 ik\, vektör veritabanınız anlamsız sonuçlar döndürdüğünde yedek 
 davranış. Bu konuşmanın tezi\, rahatsız edici derecede basit: o kodu 
 yazdınız ama çalıştığını hiç görmediniz ve mevcut test araçlar
 ınızın hiçbiri onu çalıştıramıyor.\n\nNeden? Çünkü agent hatal
 arı tek bir katmanda yaşanmıyor. Bir token'ın ortasında kesilen SSE y
 anıtı\, HTTP semantiği katmanında. Bellek yetersizliği nedeniyle sonl
 andırılan (OOM-killed) bir araç alt süreci\, stdio katmanında. ENOSPC
 \, sistem çağrısı katmanında. Birim testleri taklit nesneyi test ediy
 or. Kubernetes düzeyindeki kaos araçları ise tamamen yanlış katmana h
 ata enjekte ediyor. Agent hataları SDK/API sınırında yaşanıyor ve ha
 ta enjeksiyonunun da tam burada yapılması gerekiyor.\n\nBunu iki mekaniz
 mayla canlı olarak göstereceğim: her çalıştırma için geçici bir s
 ertifika otoritesi (CA) kullanan\, gerçek bir TLS bağlantısı üzerinde
 n sağlayıcının gerçek yanıtlarıyla uyumlu 429 yanıtları ve akış
  kesintileri üreten bir HTTPS proxy\; böylece SDK\, production ortamın
 ın göndereceği yanıtların aynısını görüyor. Diğer mekanizma ise
  çekirdekte sistem çağrılarının dönüş değerlerini yeniden yazan 
 eBPF kprobe'ları\; böylece hedef\, simüle edilmiş değil gerçek bir E
 CONNRESET alıyor. Araç açık kaynaklı (faultkit)\, ancak bu bir araç 
 tanıtımı değil\, yöntemler üzerine bir konuşma. Canlı demoda\, ger
 çek bir agent test paketine llm-api-degraded senaryosunu enjekte ediyor v
 e dün var olmayan iki başarısız test buluyoruz: yarın yaşanmayacak i
 ki production olayı.\n\nEk ders: herhangi bir hata tetiklemeden yeşil ge
 çen bir dayanıklılık testi\, kırmızı sonuçla başarısız olan bir
  testten daha tehlikelidir. Çıkış kodu 3'ün hikayesi bu.\n\nAkılda k
 alacak bir çıkarım:\n\n"Hata yollarınız da koddur. İlk kez productio
 n ortamında çalışmasınlar! Onları bugün\, bilinçli olarak çalış
 tırın."\n\nhttps://latentshift.ai/tr/schedule/run-the-dark-code/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/run-the-dark-code/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-kritik-sistemlerde-ai-modeli-gelistirmek@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T093000Z
DTEND:20261017T095000Z
SUMMARY:Kritik Sistemlerde AI Modeli Geliştirmek ve Çalıştırmak: Açı
 klanabilir\, Denetlenebilir ve Güvenilir Modeller Nasıl Tasarlanır? · 
 Fatih Bildirici
DESCRIPTION:Kısa konuşma · 20 dk · Türkçe\n\nFatih Bildirici · Senio
 r Subject Matter Expert\, ASELSAN\n\nEş zamanlı Türk İşaret Dili (Tİ
 D) çevirisi.\n\nBu konuşma\, kritik bir iş sürecinde AI modelinin prod
 uction’a alınması sırasında öğrenilen temel bir ders üzerine kuru
 lacak: modelin doğru tahmin üretmesi\, sistemin güvenilir çalıştığ
 ı anlamına gelmiyor. Defense\, sağlık\, havacılık\, enerji\, ulaşı
 m ve endüstriyel kontrol gibi mission-critical / life-critical alanlarda 
 model çıktısı yalnızca bir skor ya da sınıflandırma sonucu değil\
 ; bir alarmı\, bir insan kararını\, bir prosedürü\, bir risk seviyesi
 ni veya fallback davranışını etkileyen operasyonel bir sinyal haline g
 eliyor.\n\nKonuşmada\, confidential kurum\, veri veya sistem detayı payl
 aşmadan\; bir AI modelinin test ortamından production karar zincirine gi
 rdiğinde hangi teknik kırılmaların ortaya çıkabileceği anlatılacak
 . Başlangıçta modelin offline metrikleri kabul edilebilir görünür: a
 ccuracy\, precision/recall\, latency ve servis cevap süreleri hedefleri k
 arşılar. Ancak gerçek kullanım başladığında problem yalnızca mode
 l performansıyla sınırlı kalmaz. Veri dağılımı değişir\, bazı i
 nput segmentlerinde confidence skorları kalibre kalmaz\, açıklamalar be
 nzer vakalarda farklılaşmaya başlar\, insan müdahalesi artar ve sistem
  düşük güvenli çıktıları hâlâ karar adayı gibi işlemeye devam 
 eder.\n\nBu deneyim üzerinden konuşmamızın teknik omurgası şu akış
 ta olacak:\n\ndata validation → feature pipeline → model inference →
  confidence / uncertainty estimation → explanation layer → context che
 ck → risk gate → human review / fallback → monitoring → audit trai
 l\n\nBu akışta özellikle açıklanabilirlik\, sonradan eklenen bir UI p
 aneli olarak değil\, modelin sınırlarını sisteme taşıyan bir kontro
 l katmanı olarak ele alınacak. Açıklama yalnızca “model neden bu so
 nucu verdi?” sorusuna cevap vermeyecek\; aynı zamanda şu sinyalleri de
 stekleyecek: model bu veri rejimini tanıyor mu\, confidence gerçekten g
 üvenilir mi\, açıklama kararlı mı\, drift var mı\, insan bu çıktı
 yı override ediyor mu\, sistem ne zaman otomatik karardan vazgeçmeli?\n\
 nKonuşmada özellikle şu production dersleri teknik olarak açılacak: y
 üksek confidence’ın operasyonel güven anlamına gelmediği\, offline 
 başarı ile production stabilitesinin farklı şeyler olduğu\, explanati
 on stability’nin izlenmesi gerektiği\, human-in-the-loop tasarımının
  sadece onay ekranı olamayacağı ve fallback/abstention mekanizmaların
 ın model mimarisinin dışında değil\, production karar zincirinin içi
 nde tasarlanması gerektiği.\n\nİzlenmesi gereken sinyaller yalnızca ac
 curacy\, precision\, recall\, p95 latency ve cost/request olmayacak\; bunl
 arın yanına expected calibration error\, confidence drift\, uncertainty 
 distribution\, explanation drift\, explanation stability\, human override 
 rate\, abstention rate\, fallback activation rate\, regression rate ve aud
 it completeness gibi metriklerin de eklenmesi gerektiği gösterilecek.\n\
 nKonuşmanın ana dersi şu olacak: Kritik sistemlerde güvenilir AI\, sad
 ece iyi tahmin yapan model değildir. Güvenilir AI\; ne zaman emin olmad
 ığını bilen\, kararını açıklayabilen\, riski kontrol eden\, gerekt
 iğinde insana devreden\, gerektiğinde duran ve her kararın izini bırak
 abilen bir aslında sistemdir.\n\nhttps://latentshift.ai/tr/schedule/kriti
 k-sistemlerde-ai-modeli-gelistirmek/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/kritik-sistemlerde-ai-modeli-gelisti
 rmek/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-lunch-1255@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T095500Z
DTEND:20261017T103000Z
SUMMARY:Öğle arası · Omarchy 101 - Geliştiriciler için güzel\, eğle
 nceli ve ajan destekli Linux
DESCRIPTION:Öğle arasında sahnede: Omarchy 101 - Geliştiriciler için g
 üzel\, eğlenceli ve ajan destekli Linux\n\nhttps://latentshift.ai/tr/sch
 edule/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-demodan-operasyona-agent-surecleri@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T103000Z
DTEND:20261017T111000Z
SUMMARY:Bankacılık Sektöründe Demodan Operasyona Agent Süreçleri · 
 Şeyma Sarıgil
DESCRIPTION:Uzun konuşma · 40 dk · Türkçe\n\nŞeyma Sarıgil · Genera
 tive AI Architect\, Softtech\n\nEş zamanlı Türk İşaret Dili (TİD) ç
 evirisi.\n\nTürkiye İş Bankası için 2023 yılında üretken yapay zek
 a ile ilk agent denemelerimizi yaparken temel sorumuz oldukça basitti\, "
 Bu işi yapay zekaya nasıl yaptırabiliriz?"\n\nFarklı iş alanlarında 
 yeni agent’lar geliştirdikçe sorularımız değişmeye başladı. Bir 
 agent’ın doğru cevabı üretmesi yeterli miydi? Aynı sistem productio
 n ortamında yüzlerce veya binlerce kez çalıştığında ne olacaktı? 
 Hatalı kararları nasıl fark edecektik? Prompt\, model veya araç deği
 şikliklerinin mevcut süreçleri bozup bozmadığını nasıl anlayacakt
 ık? Bir agent başarısız olduğunda sorunun modelden mi\, veriden mi\, 
 araçtan mı\, orkestrasyondan mı kaynaklandığını nasıl bulacaktık?
 \n\nZamanla asıl problemin agent geliştirmek değil agent’ları güven
 li\, izlenebilir ve sürdürülebilir bir biçimde yaşatmak olduğunu gö
 rdük.\n\nBu konuşmada\, 2023’ten 2026 sonlarına kadar bankacılık or
 tamında geliştirdiğimiz agentic AI sistemlerinin gerçek yolculuğunu a
 nlatacağım. İlk prototiplerden production süreçlerine geçerken dened
 iğimiz yaklaşımları\, düşünemediğimiz problemleri\, başarısız o
 lan tasarımları ve bu deneyimlerin bizi nasıl ortak bir agent platformu
  kurmaya yönelttiğini paylaşacağım.\n\nKonuşma boyunca şu dönüş
 ümü gerçek örneklerle ele alacağım:\n\nTekil agent geliştirmekten o
 rtak bir lifecycle yönetimine geçiş\n\n"Çalışıyor" demek ile gerçe
 kten güvenilir olmak arasındaki fark\n\nEvaluation\, gözlemlenebilirlik
  ve AgentOps ihtiyaçlarının nasıl ortaya çıktığı\n\nAraç\, model
 \, prompt ve agent sürümlerinin birlikte yönetilmesi\n\nİnsan onayı\,
  yetkilendirme ve denetlenebilirliğin bankacılıkta neden mimarinin par
 çası olduğu\n\nHer ekip kendi agent’ını geliştirirken oluşan tekr
 arların platform ihtiyacını nasıl doğurduğu\n\nDeep agent ve çok ad
 ımlı iş akışlarında hata ayıklamanın neden giderek zorlaştığı\
 n\nBu bir "kusursuz mimariyi nasıl kurduk?" anlatısı değil. Hangi vars
 ayımlarımızın yanlış çıktığını\, hangi çözümleri yeniden ta
 sarlamak zorunda kaldığımızı ve bugün hâlâ hangi problemleri çöz
 meye çalıştığımızı da açık biçimde paylaşacağım.\n\nhttps://
 latentshift.ai/tr/schedule/demodan-operasyona-agent-surecleri/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/demodan-operasyona-agent-surecleri/
CATEGORIES:LatentShift,Uzun konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-tabibert@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T111500Z
DTEND:20261017T113500Z
SUMMARY:TabiBERT: Türkçe İçin Büyük Ölçekli Bir ModernBERT Temel Mo
 deli · Ebrar Kızıloğlu
DESCRIPTION:Kısa konuşma · 20 dk · Türkçe\n\nEbrar Kızıloğlu · Re
 search Assistant\, TABILAB\, Boğaziçi University\n\nEş zamanlı Türk 
 İşaret Dili (TİD) çevirisi.\n\nModernBERT mimarisine dayanan\, Türkç
 e için en ileri düzeyde tek dilli bir kodlayıcı olan TabiBERT'i (https
 ://huggingface.co/boun-tabilab/TabiBERT) sunuyoruz. Daha önce Türkçe do
 ğal dil işleme alanında\, rotary positional embeddings ve FlashAttentio
 n tabanlı dikkat uygulamaları gibi modern mimari ilerlemeleri sistematik
  olarak içeren\, sıfırdan eğitilmiş tek dilli bir kodlayıcı bulunmu
 yordu. Bu açığı kapatmak için TabiBERT'i web metinleri (%73)\, bilims
 el yayınlar (%20)\, kaynak kod (%6) ve matematiksel içerik (%0\,3) içer
 en\, birden fazla alana ait 84\,88 milyar tokenlık bir derlemden örnekle
 nen bir trilyon token üzerinde eğittik. TabiBERT\, özgün BERT modeller
 inin 16 katı uzunluğunda\, 8.192 tokenlık bir bağlamı destekliyor\; G
 PU bellek yükünü önemli ölçüde azaltırken çıkarımda 2\,65 kata 
 varan hızlanma sağlıyor. Titiz bir değerlendirmeyi desteklemek için e
 ş zamanlı olarak\, sekiz görev kategorisinde 28 veri setini kapsayan ka
 psamlı bir benchmark olan TabiBench'i (https://huggingface.co/collections
 /boun-tabilab/tabibench) geliştirdik. TabiBERT\, GLUE tarzı makro ortala
 ma değerlendirmede 77\,58 puan alarak önceki fiili standart BERTurk'ü 1
 \,62 mutlak puan geride bırakıyor. Soru cevaplamada önemli kazanımlar 
 (+9\,55 puan) dahil olmak üzere\, sekiz görev kategorisinin beşinde en 
 iyi sonuçları elde ediyor.\n\nGeliştirme sürecimiz\, hesaplama altyap
 ısı\, veri kalitesi ve değerlendirme metodolojisi boyunca uzanan birka
 ç kritik darboğazı ortaya çıkardı.\n\nHesaplama ve tekrarlanabilirli
 k açısından\, 8×H100 SXM GPU üzerinde yaptığımız ilk ön eğitim 
 denemelerinde işlem hacmi ciddi biçimde düştü ve ModernBERT makalesin
 de belirtilen hızın yalnızca %30'una ulaşabildik. 8×A100 GPU üzerind
 e yapılan donanım testleri neredeyse aynı performansı verdi\; bu da da
 rboğazın hızlandırıcı donanımında değil\, tamamen veri yükleyici
 de olduğunu doğruladı. ModernBERT yazarlarıyla yaptığımız görüş
 meler\, yüksek işlem hacimli eğitimin kapsamlı bir ön tokenizasyon ha
 ttı gerektirdiğini ortaya koydu. Bu görünmeyen ön koşul\, büyük ö
 lçekli modellemede tekrarlanabilirliğe ilişkin yaygın bir sorunu gör
 ünür kıldı. Bu deneyimden hareketle\, gelecekteki araştırmaları ve 
 kullanımı kolaylaştırmak için kendi ön eğitim ve ince ayar süreçl
 erimize ait yüksek kaliteli dokümantasyonu korumaya önem verdik.\n\nVer
 i kalitesi ve benchmark oluşturma açısından\, aşağı akış görevle
 rinin değerlendirilmesi sırasında Türkçe doğal dil işleme araştır
 malarında yaygın kullanılan bazı ince ayar veri setlerinin hiçbir şe
 kilde standartlaştırılmadığını gördük. En kritik sorun\, standart
 laştırılmış veri bölümlerinin bulunmamasıydı\; bu da farklı mode
 lleri gerçekten eşit koşullarda karşılaştırmayı tamamen imkansız 
 hale getiriyordu. Ayrıca mevcut ince ayar veri setlerinin bazılarında t
 utarsız anotasyonlar\, etiketleme belirsizlikleri ve yetersiz örneklem b
 üyüklükleri gibi kalite sorunları vardı. Güvenilir benchmark'ların 
 sistematik biçimde eksik olması bizi TabiBench'i geliştirmeye yöneltti
 . TabiBench'te\, yüksek doğrulukta değerlendirme hedeflerini ayırmak i
 çin sıkı bir elle filtreleme süreci uyguladık ve performansın tekrar
 lanabilir biçimde izlenmesini sağlamak üzere somut\, standartlaştırı
 lmış eğitim-test-doğrulama bölümleri oluşturduk.\n\nSon olarak\, to
 ken sınıflandırma deneylerinde (NER ve POS etiketleme) ayrı bir metodo
 lojik sorunla karşılaştık: başlangıçta alt sözcük düzeyinde yap
 ılan değerlendirme\, sonuçları ciddi biçimde çarpıtıyordu. Farklı
  tokenizer'lar aynı metni farklı sayıda alt sözcüğe böldüğü içi
 n\, alt sözcük düzeyindeki puanlar modeller arasında karşılaştırı
 lamıyordu. Sözcük başına daha fazla token üreten mimariler\, yalnız
 ca sözcük başına daha fazla parçalanmış token tahmin ederek puanlar
 ını yapay biçimde yükseltebiliyordu. Bunu çözmek için metodolojimiz
 i sözcük düzeyinde değerlendirme yapacak şekilde değiştirdik ve met
 rikleri hesaplamadan önce tahminleri sözcük sınırlarında birleştird
 ik. Bu yaklaşım\, tokenizasyon stratejisinden bağımsız olarak modelle
 r arasında adil bir karşılaştırma sağlıyor. Sonuç olarak çalışm
 amız\, bir bölgesel dil temel modeli geliştirmenin ileri mimarilere\, 
 ön işleme adımlarının açıkça belgelenmesine ve sağlam değerlendi
 rme metodolojilerine eşit ölçüde özen göstermeyi gerektirdiğini ort
 aya koyuyor.\n\nhttps://latentshift.ai/tr/schedule/tabibert/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/tabibert/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-evaluating-genai-agents-in-production@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T114000Z
DTEND:20261017T120000Z
SUMMARY:Production Ortamında GenAI Agent'larını Değerlendirmek: Booking
 .com'dan Dersler · Ilkcan Keles
DESCRIPTION:Kısa konuşma · 20 dk · İngilizce\n\nIlkcan Keles · Senior
  Machine Learning Engineer\, Booking.com\n\nLLM tabanlı bir agent'ı yay
 ına almak işin kolay kısmı. Gerçek kullanıcı trafiği karşısında
  problemleri parçalara ayırırken\, harici araçları çağırırken ve 
 çok adımlı akıl yürütmeyi yinelemeli biçimde sürdürürken\, canl
 ıya çıktıktan sonra gerçekten işe yarayıp yaramadığını bilmek i
 se çoğu ekibin takıldığı yer. Tek bir modele verilen prompt için i
 şe yarayan değerlendirme\, sistem eylem gerçekleştirebildiği anda yet
 ersiz kalıyor\; herkese açık benchmark puanları da agent'ın sizin ür
 ününüzde nasıl davrandığı hakkında neredeyse hiçbir şey söylemi
 yor. Bu konuşma\, Booking.com'da production ortamındaki yapay zeka agent
 'larını değerlendirmek için gerçekte neler yaptığımızı\, kulland
 ığımız çerçevenin arkasındaki gerçek sayıları ve ödünleşimler
 i ele alıyor.\n\nDiğer her şeyin dayandığı temelle başlıyoruz: LLM
 -as-a-Judge. Uç durumlar dahil gerçek production dağılımını temsil 
 eden altın standart veri setlerini\, güvenilebilecek kadar titiz anotasy
 on protokolleriyle nasıl oluşturduğumuzu ele alıyoruz. Ardından\, dü
 şünce zinciriyle akıl yürütme kullanan yinelemeli prompt mühendisli
 ği yoluyla hakem LLM'leri nasıl geliştirdiğimizi ve bunları büyük 
 ölçekte sürekli otomatik değerlendirme için nasıl devreye aldığım
 ızı anlatıyoruz. Burada uygulama ayrıntısı önemli: geliştirme sır
 asında üst sınırı belirleyen güçlü bir model\, production ortamın
 da maliyet bütçesini aşmadan çalışacak daha ucuz bir model.\n\nKonu
 şmanın merkezinde agent değerlendirmesine yönelik ikili yaklaşımım
 ız var. Kara kutu değerlendirmesi\, tam diyalogu\, önceden tanımlanmı
 ş görev listesini ve ürüne özgü kısıtları alan bir hakem LLM ile 
 görev tamamlamayı\, yani konuşma başına beklenen görevlerin doğru t
 amamlanan oranını ölçüyor. Şeffaf kutu değerlendirmesi ise agent'ı
 n neden o şekilde davrandığını anlamak için içine bakıyor. Araç k
 ullanma yetkinliğini\, araç çağrılarının geçerliliği (doğru adla
 r\, zorunlu parametreler\, türler ve değer biçimleri açısından çağ
 rıları JSON şemalarına göre kontrol etmek) ve doğru araç seçimi (i
 lgili bir araç olmadığında doğru biçimde çağrı yapmaktan kaçınm
 ak dahil\, agent'ın doğru araçları seçip seçmediği) üzerinden değ
 erlendiriyoruz. Araç argümanı halüsinasyonunu\, yani agent'ın doğru 
 aracı çağırıp yanlış parametre değerleri uydurmasını\, örneğin
  "Paris\, France" ile "Paris\, Texas"ı karıştırmasını ele alıyoruz.
  Ayrıca araç güvenilirliğine bakıyoruz: araç adları ve açıklamala
 rının açık\, kısa ve makineler tarafından yorumlanabilir olmasını 
 sağlayan bir dizi hakem LLM kontrolü. Çünkü anlaşılması güç veya
  gereğinden uzun tanımlar agent performansını fark ettirmeden düşür
 üyor.\n\nArdından benchmark değerlendirmesini somutlaştırıyoruz. Bir
  agent\, getirdiği ek karmaşıklığı hak etmeden önce daha basit refe
 rans yaklaşımları\, yani zero-shot LLM\, few-shot LLM ve deterministik 
 LLM zincirlerini performans\, maliyet ve gecikme açısından geçmek zoru
 nda. Böylece devreye alma kararı abartılı beklentilere değil verilere
  dayanıyor. Son olarak\, hâlâ çözmeye çalıştığımız ileri düze
 y problemleri ele alıyoruz: farklı biçimlerde ifade edilen sorgularda p
 ass^k değerinin yalnızca 8 denemeden sonra %20'nin altına düştüğü 
 tutarlılık\; görev karmaşıklığı arttıkça akıl yürütme verimli
 liği\; bellek kalitesi ve görev tamamlama üzerindeki ölçülebilir etk
 isi\; ve tercih tabanlı hakemlerle değerlendirilen işlem adımları diz
 isinin en uygunluğu.\n\nKatılımcılar\, dünyanın en büyük seyahat p
 latformlarından birinde agent çalıştırma deneyimine dayanan\, product
 ion ortamında yapay zeka agent'larını değerlendirmek için somut ve ye
 niden kullanılabilir bir uygulama rehberiyle ayrılacak: metrikler\, hake
 m prompt'ları\, referans yaklaşımlar ve hata biçimleri.\n\nhttps://lat
 entshift.ai/tr/schedule/evaluating-genai-agents-in-production/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/evaluating-genai-agents-in-productio
 n/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-coffee-1505@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T120500Z
DTEND:20261017T123000Z
SUMMARY:Kahve arası
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-the-productivity-illusion@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T123000Z
DTEND:20261017T131000Z
SUMMARY:Üretkenlik Yanılsaması: Yapay Zeka Geliştiriciler İçin Gerçe
 kte Neyi Değiştirdi? · Fatih Kadir Akın
DESCRIPTION:Uzun konuşma · 40 dk · Türkçe\n\nFatih Kadir Akın · Deve
 loper Advocate\, WordPress\, Automattic\n\nEş zamanlı Türk İşaret Dil
 i (TİD) çevirisi.\n\nHerkes yapay zekanın geliştiricileri hızlandırd
 ığını söylüyor. Peki gerçekten öyle mi? Bu oturum\, yapay zeka des
 tekli geliştirmenin görünmeyen katmanlarına iniyor: odağı\, akışı
  ve güveni nasıl etkilediğine bakıyor. Yapay zeka araçları geliştir
 irken ve geliştirici davranışlarını gözlemlerken edindiğimiz gerçe
 k deneyimlerden yola çıkarak neler kazandığımızı\, neler kaybettiğ
 imizi ve üretkenliği yeniden insana uygun hale getirmek için neleri yen
 iden tasarlamamız gerektiğini ortaya koyacağız.\n\nhttps://latentshift
 .ai/tr/schedule/the-productivity-illusion/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/the-productivity-illusion/
CATEGORIES:LatentShift,Uzun konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-fully-autonomous-pull-requests@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T131500Z
DTEND:20261017T133500Z
SUMMARY:Tamamen Otonom Pull Request'ler Standardı Düşürmedi · Kaya Gok
 alp
DESCRIPTION:Kısa konuşma · 20 dk · İngilizce\n\nKaya Gokalp · Staff S
 oftware Engineer\, Sonar\n\nGeçen ay\, platformumuz üzerinden birleştir
 ilen pull request'lerin üçte birinden fazlasında insan incelemeci yoktu
 . Onları okuyan tek şey agent'ımızdı. Bunların yaklaşık %8'i\, biz
  onayladıktan sonra tarafımızdan tamamen otonom olarak birleştirildi.\
 n\nBunu ölçebiliyoruz çünkü otomatik onay ve otomatik birleştirme ak
 ışlarını biz sunuyoruz\; bu da bize başka hiç kimsede olmayan benzer
 siz veriler sağlıyor. Haftada yaklaşık 6 bin pull request\, tek incele
 meci agent'ımız olacak şekilde birleştirildi. Bunların birleştirilme
  süresinin medyanı 0\,5 saatti\; insan tarafından incelenenlerde ise ya
 klaşık 2\,5 saatti. Üstelik daha büyüklerdi: değiştirilen satır sa
 yısı ortalama yaklaşık 2 bin iken diğer grupta 1\,5 bindi. Dolayısı
 yla ekipler\, yazım hatası düzeltmelerinin incelemesini atlamıyor.\n\n
 İncelemeyi yalnızca agent yaptığında inceleme kalitesi kötüleşmedi
 . Her iki grupta da pull request'lerin yaklaşık %13'ünde değişiklik i
 stendi. Hiçbir insan incelemeci bulunmadığında agent birleştirmeyi bi
 raz daha sık engelledi: %1\,7'ye karşı %2. Geliştiriciler de agent'ın
  bulgularını daha az sıklıkla reddetti: %16'ya karşı %10.\n\nhttps:/
 /latentshift.ai/tr/schedule/fully-autonomous-pull-requests/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/fully-autonomous-pull-requests/
CATEGORIES:LatentShift,Kısa konuşma
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
BEGIN:VEVENT
UID:ed01-closing-1640@latentshift.ai
DTSTAMP:20261007T125617Z
DTSTART:20261017T134000Z
DTEND:20261017T135000Z
SUMMARY:Kapanış · Çekiliş: ASUS Dual GeForce RTX 5060 Ti OC 8GB
DESCRIPTION:Çekiliş: ASUS Dual GeForce RTX 5060 Ti OC 8GB. Kapanış konu
 şmasından önce sahnede bir isim çekiyoruz. RTX 5060 Ti o kişiyle eve 
 gidiyor.\n\nhttps://latentshift.ai/tr/schedule/
LOCATION:Bağlarbaşı Kongre ve Kültür Merkezi\, Boğaziçi Salonu\, Sel
 ami Ali Mah.\, Gazi Cad. No:22\, 34664 Üsküdar\, İstanbul
GEO:41.024366;29.033571
URL:https://latentshift.ai/tr/schedule/
CATEGORIES:LatentShift
STATUS:CONFIRMED
TRANSP:OPAQUE
END:VEVENT
END:VCALENDAR