Veri Etiketleme & Kalite Yönetimi

Veri-Merkezli AI Manifestosu: Neden Modelden Çok Veriye Yatırım Yapmalısın?

Andrew Ng'in 80/20 kuralı, modern LLM çağında veri kalitesinin model boyutundan daha kritik olmasının nedenleri, Tesla/OpenAI/Meta'nın veri stratejileri ve neden veri etiketleme bir mühendislik disiplinidir.

Etiketleme Mühendisinin Kariyer Haritası: Annotator'dan Head of Data Operations'a

Veri etiketleme alanındaki kariyer seviyeleri, günlük iş akışı, yetkinlik matrisi, küresel ve Türkiye maaş aralıkları, kariyer pivotları ve hangi yetenekleri hangi sırayla geliştirmen gerektiği.

Türkiye'deki Veri Etiketleme Ekosistemi: Vendor'lar, Freelance Pazarı, KVKK ve Türkçe Veri Kıtlığı

Türkiye'deki veri etiketleme vendor'ları, freelance pazarı, ücret bantları, KVKK'nın yarattığı yerli avantaj, Türkçe veri kıtlığı sorunu ve bunun fırsata nasıl dönüştürüleceği.

[ATÖLYE] Geliştirme Ortamı Kurulumu: Python, Docker, PostgreSQL ve Label Studio'yu Sıfırdan Kuralım

Veri etiketleme & kalite yönetimi kursunun tüm derslerinde kullanacağımız geliştirme ortamı: Python 3.12 (uv ile), Docker Compose, PostgreSQL, Label Studio ve ilk "Hello World" annotation projesi.

ML Pipeline'da Verinin Yeri: Toplama, Etiketleme, Eğitim, Değerlendirme, Üretim Döngüsü

Bir makine öğrenmesi sisteminin tam yaşam döngüsü: veri toplama → etiketleme → eğitim → değerlendirme → üretim → izleme → geri toplama. Her aşamanın veri etiketlemeyle ilişkisi, geri bildirim döngüsü, sürekli iyileştirme ve neden "data flywheel" modern AI'ın ana rekabet avantajıdır.

Etiketleme Türlerinin Tam Taksonomisi: Classification'dan Preference'a 14 Format

Veri etiketlemenin 14 ana format çeşidi: tekli sınıflandırma, çoklu etiket, sıralı (ordinal), NER, span, BBox, polygon, segmentation, keypoint, ranking, preference, free-form, structured ve hibrit. Her format için kullanım alanları, tooling, tipik metrikler ve hatalar.

Supervised, Semi-supervised, Self-supervised: Etiketleme İhtiyacı Paradigmalara Göre Nasıl Değişir?

Modern AI'ın beş büyük öğrenme paradigması — supervised, semi-supervised, self-supervised, weakly supervised, ve few-shot/in-context — her birinin veri etiketleme ihtiyacı, maliyet profili ve nerede kullanılması gerektiği.

[VAKA] Aynı Veriyi 3 Farklı Schema ile Etiketle: Binary, Multi-class, Hierarchical Karşılaştırma

Aynı 1.000 Türkçe yorum dataseti üzerinde üç farklı schema (binary positive/negative, 5-class fine-grained, hierarchical) ile etiketleme yap, model eğit ve performans+maliyet+kullanışlılık karşılaştırması yap. Bu, schema kararının pratik etkisini gösteren tam bir vaka çalışmasıdır.

Ground Truth İllüzyonu: "Doğru Etiket" Diye Bir Şey Gerçekten Var mı?

Veri etiketlemenin felsefi temeli: ground truth gerçekte var mı, annotator subjectivity neden kaçınılmaz, "doğru cevap" varsayımının modern AI'da yarattığı sorunlar ve disagreement'i sinyal olarak görmenin yeni paradigması.