Veri Destekli Kurum: Vizyondan Değere (Seviye 100)
Kuruluşlar, çevikliği artırmak, verimliliği iyileştirmek ve yeniliği hızlandırmak için verilerinden daha fazla değer elde etmek istiyor. Veriler sayıca çok fazla ve hızla büyümekte olsa da, sadece yüksek miktarda veri üretmek veya depolamak otomatik olarak değer oluşturmaz. Değer, eyleme dönüştürülmüş öngörüler, analiz ve yapay zekâ/makine öğrenimi kullanarak müşteriler adına buluşlar yapmak için verileri kullanan bir kültür ve işletim modeli oluşturularak gerçekleştirilir. Ancak kültürel zorluklar, güncelliğini yitirmiş yönetişim modelleri, kuruluşlara ait silolar ve eski yürütme yaklaşımları, bu vizyonu gerçekleştirmenin önünde durmaktadır. İki eski CXO'dan veri temelli bir kültür oluşturmak için nasıl çalıştıklarına ve vizyonlarını gerçeğe dönüştürmek için zorlukların üstesinden nasıl geldiklerine dair stratejileri öğrenmek için bu oturuma katılın.

Konuşmacı: John Clark, Kurumsal Strateji Uzmanı, AWS
Süre: 30 dk.

Veri ve makine öğrenimi ile desteklenen daha akıllı bir kuruluş oluşturma (Seviye 100)
Birçok kuruluş, benzersiz rekabet avantajı oluşturmak, daha iyi müşteri katılımı sağlamak ve istenen iş sonuçlarını sunmak için yapay zekâya/makine öğrenimine ihtiyaçları olduğunun farkındadır. Bazı kuruluşlar yapay zekânın/makine öğreniminin dönüştürücü etkisinden faydalanırken diğer kuruluşlar nereden başlayacaklarına dair yanıtlar arıyor. Bu oturumda, yapay zekâyı/makine öğrenimini nasıl uygulayacağınıza ve dijital dönüşümünüzü nasıl gerçeğe dönüştüreceğinize değinilmektedir. Veri ağı etkisini ve başarılı kuruluşların vizyonlarını gerçeğe dönüştürmek için makine öğrenimi desteğiyle verilerden daha fazla değer elde etmek için uzmanlaştıkları alanları paylaşıyoruz.

Konuşmacı: Tom Godden, Kurumsal Strateji Uzmanı, AWS
Süre: 30 dk.

Amazon Climate Pledge Arena'da yapay zekâ ve verilerle sürdürülebilirliği artırma (Seviye 100)
Amazon, dünyanın en büyük kurumsal yenilenebilir enerji alıcısıdır ve karbon emisyon hedeflerine ulaşmak için tüm operasyonlarının merkezinde sürdürülebilirliğin olmasını sağlaması gerekir. Seattle Kraken ile birlikte çözümler üretmek ve Climate Pledge Arena'yı dünyadaki en yenilikçi, sorumlu ve sürdürülebilir konum hâline getirmek, üzerinde çalışılan alanlardan biridir. AWS Professional Services ve Amazon sürdürülebilirlik ekiplerinin enerji, su ve hava kalitesi verilerini almak ve analiz etmek için AWS hizmetlerini nasıl kullandığını öğrenmek istiyorsanız bu oturuma katılın. Temelindeki veri keşfi, güvenlik ve tasarım modelleri ile gerçek zamanlı tahmin modellerini nasıl oluşturduklarına dair öngörüler edinin.

Konuşmacılar:
Rahul Sareen, Küresel Uygulama Yöneticisi, Sürdürülebilirlik, AWS
Rob Johnson, Sürdürülebilirlik ve Taşımacılık Başkan Yardımcısı, Climate Pledge Arena

Süre: 30 dk.

Makine öğrenimi yolculuğunuza başlarken: Bir liderin bakış açısı (Seviye 100)
Yapay zekâ ve makine öğrenimi; endüstrileri dönüştürme, verimliliği artırma ve yeniliği teşvik etme vaadini gerçekleştiriyor. Makine öğreniminde başarılı olmanın anahtarı ölçeklendirmedir. Bu oturum, makine öğrenimini uygun ölçekte kullanarak başarıya ulaşmak isteyen yöneticilerin ve müdürlerin, yeniliği hızlandırmak ve teknolojik ilerlemeyi yönlendirmek için etkili bir sistem oluşturma mekanizmaları da dâhil olmak üzere nasıl rehberlik aldıklarını kapsamaktadır. Müşterilerin, makine öğrenimini tanıtma konusunda ekiplerini uyumlu hâle getirmek ve iş sonuçları elde etmek için ekiplerine doğru teknik becerileri sağlamak amacıyla AWS ile nasıl birlikte çalıştıklarını paylaşıyoruz. Yenilik ve değer yol haritası sunmak için kuruluşun ortak hedeflerine uygun olan güçlü yapay zekâ/makine öğrenimi ürün ve mühendislik ekipleri oluşturmayı öğrenin.

Konuşmacı: Naomi Teng, AI/ML Uzmanı, APJ, AWS
Süre: 30 dk.

Yapay zekâ/makine öğrenimi ile işletmenizi dönüştürün: En yeni yapay zekâ/makine öğrenimi trendlerinden yararlanarak kuruluşunuzda rekabet avantajı oluşturun (Seviye 100)
Yapay zekâ/makine öğrenimi teknikleri, hedeflerini dönüştürmek ve gerçekleştirmek isteyen kuruluşlar için giderek daha önemli hâle gelen temel ilkelerdir. Ancak yapay zekâyı/makine öğrenimini doğru yerde uygulamak kolay değildir. Gerçek işlerde hızlı bir şekilde etkisini görmek için pratik ve kanıtlanmış makine öğrenimi kullanım örneklerini nasıl uygulayacağınızı öğrenmek adına bu oturuma katılın. Önceden makine öğrenimi uzmanlığı gerektirmeden dönüştürücü ürünler oluşturmanıza olanak tanıyan AWS yapay zekâ/makine öğrenimi hizmet paketini paylaşıyoruz. Yeni fırsatları kavramsallaştırmak, rekabet avantajı oluşturmak ve kurumsal sonuçlar elde etmek için hem mevcut hem de gelişmekte olan teknolojilere dayalı kendi yapay zekâ destekli dönüşüm çarkınızı nasıl oluşturacağınızı keşfedin.

Konuşmacı: Nieves Gracia, AI/ML Baş Uzmanı, Kamu Sektörü, APJ
Süre: 30 dk.

Yönetmeliklere tabi sektörler için makine öğrenimini yeniden tasarlama (Seviye 100)
Tekrarlanabilirlik, izlenebilirlik ve açıklanabilirlik, yönetmeliklere tabi sektörler için makine öğrenimi yaşam döngüsünde temel gereksinim hâline geldi. Ancak bir banka veya devlet için bu yaşam döngüsünü destekleyecek bir veri bilimi platformu oluşturmak, kapsamlı bir yetenek ve deneyim seti gerektirdiğinden kolay bir iş değildir. AWS, veri bilimi ekiplerinin çevikliğinden ödün vermeyen, güvenli, yönetilen ve uyumlu bir makine öğrenimi ortamı oluşturmak için çeşitli hizmet ve çözüm sunar. Geleneksel makine öğrenimi yaşam döngüsü ile yönetmeliklere tabi sektör gereksinimleri arasındaki boşluğu nasıl kapatacağınızı öğrenmek için bu oturuma katılın. AWS'nin size AWS'de başarılı bir veri bilimi ve makine öğrenimi platformu oluşturmanıza yardımcı olacak çözümleri, en iyi uygulamaları, programları ve kaynakları nasıl sağladığını paylaşıyoruz.

Konuşmacı: Juan Bedoya, Kamu Sektörü Çözümleri Mimarı, AWS
Süre: 30 dk.

Finansal hizmetlerde çok modlu müşteri etkileşimi sağlama (Seviye 100)
Mobil hizmetlerin yaygın olarak benimsenmesi, dijital yerel pazara yeni girenler, kuşak değişimlerine uyum sağlama ve yönetmeliklere uygunluk konusunda son derece önemli sektör gereksinimleri, finansal hizmet kurumlarının farklı kanallardan kişiselleştirilmiş, tutarlı ve sorunsuz bir müşteri deneyimi sunmasını zorlaştırıyor. Bu oturum, AWS yapay zekâ ve makine öğrenimi ile nasıl kolayca çok modlu bir müşteri deneyimi oluşturabileceğinizi göstermektedir. Temas noktaları arasında tek bir görüşmeyi sürdürürken, bağlamsal verilerden yararlanarak hem gelen hem de giden müşteri etkileşimi için kişiselleştirilmiş mobil, web ve metin öncelikli etkinleştirilmiş deneyimleri nasıl oluşturacağınızı öğrenin.

Konuşmacılar:
Akash Jain, FSI GTM Çözümleri Mimarı Müdürü, APJ, AWS
Rahul Kulkarni, Kıdemli Çözüm Ortağı Çözümleri Mimarı, AWS India

Süre: 30 dk.

Pazarlama otomasyonu ile müşteri etkileşimlerini kişiselleştirin (Seviye 200)
Müşteri iletişimleri söz konusu olduğunda kişiselleştirmenin, uzun vadede müşterilerle etkileşimi sağlamada en iyi yöntem olması şaşırtıcı değildir. Müşterilerin dikkatlerini ihtiyaçlarına göre belirlenmiş içeriklere yöneltme olasılığı daha yüksektir. Bu oturumda, hedef kitle özniteliklerine ve davranışlarına dayalı kişiselleştirilmiş çok adımlı müşteri deneyimi sağlamak için Amazon Pinpoint yolculuklarının nasıl kullanıldığını ve iletişim içeriklerinin her zaman alıcı için özel ve kişiselleştirilmiş olmasını sağlamak için Amazon Personalize'ın nasıl kullanıldığını gösteriyoruz.

Konuşmacı: Pierre Semaan, GTM Strateji ve Çözümleri Lideri, KOBİ, APJ, AWS
Süre: 30 dk.

AWS'de güvenli ve iyi yönetilen makine öğrenimi ortamları kurma (Seviye 100)
Kuruluşunuz ister yapay zekâ/makine öğrenimi yolculuğuna başlıyor ister üretimde çok sayıda projeye sahip olsun, verilerinizi koruyan güvenli ortamlara sahip olmak son derece önemlidir. Bu oturumda, AWS güvenlik en iyi uygulamalarından yararlanarak, yönetilen makine öğrenimi ortamlarının sağlanmasını nasıl düzenleyebileceğinizi, standart hâle getirebileceğiniz ve hızlandırabileceğinizi ve makine öğrenimi iş yüklerinin katı güvenlik gereksinimlerini nasıl karşılayabileceğinizi paylaşıyoruz.

Konuşmacı: Tony Fendall, Baş Çözüm Mimarı, AWS
Süre: 30 dk.

NVIDIA ile AWS'de derin öğrenme: Eğitimden dağıtıma (Seviye 200)
NVIDIA, son on yılda hem derin öğrenme eğitimi hem de çıkarım için GPU'larının etkinliğini kapsamlı olarak göstermeyi başardı. Bu modeller büyüdükçe eğitim için ölçeği artırma ve bu kadar büyük modelleri dağıtmak için ölçeği genişletme ihtiyacı bir zorunluluk hâline geldi. Bu oturumda, verimli şekilde dağıtılmış eğitimin yanı sıra kolaylaştırılmış dağıtım için birkaç NVIDIA yazılım yığınını inceleyeceğiz ve Amazon'un en zorlu iş yüklerinden bazıları için bunları nasıl benimsediğine derinlemesine göz atacağız.

Konuşmacı: Michael Lang, Çözüm Mimarisi Yöneticisi, APAC South, NVIDIA
Süre: 30 dk.

Amazon Kendra ile dağıtılmış veri depolarından merkezî ve akıllı arama özellikleri oluşturun (Seviye 200)
Yanıtlar büyük hacimli dağıtılmış veri kaynaklarını ayırmanızı gerektirebilirken arama sorgularında en doğru ve alakalı cevapları nasıl alabilirsiniz? Bu oturumda, basit cevaplar almak için akıllı bir arama çözümü olan Amazon Kendra'nın nasıl kullanılacağını gösteriyoruz. Birleştirilmiş ve daha akıllı veri arama özellikleri oluşturmak, ekipler arası bilgi paylaşımını iyileştirmek, satışları ve müşteri destek hizmetlerini geliştirmek için çeşitli üçüncü taraf araçlar, kaynaklar ve ürünler arasında nasıl bağlantı kurabileceğinizi öğrenin. Bu, ihtiyacınız olan bilgileri elde etmeyi çok daha kolay bir hâle getirir.

Konuşmacılar: 
Sam Gordon, Kıdemli Bulut Mimarı, AWS
Ed Fraga, Bulut Mimarı, AWS

Süre: 30 dk.

Analiz ve makine öğrenimi ile birleşik metin ve görüntü arama uygulaması uygulayın (Seviye 200)
Metin ve semantik arama motorları birçok kuruluşun hızlı bir şekilde bilgi aramasını sağlarken birleşik metin ve görüntü araması altyapıları sunan kuruluşlar, müşterilerine arama altyapılarındaki ögeleri tanımlamak için fiziksel örnekler veya görüntüler gösterme esnekliği sunarak rekabet avantajı ve gelir akışları sağlayabilir. Bu oturum, metin veya görüntü sorgularına dayalı olarak kolayca bir şekilde ürün almak ve önermek için makine öğrenimi destekli bir arama altyapısının nasıl oluşturulacağını gösterir. Önceden eğitilmiş Karşılaştırmalı Dil-Görüntü Ön Eğitimi (CLIP) modelini barındırmak ve yönetmek için Amazon SageMaker'ı nasıl kullanacağınızı ve bir sorgu görüntüsünden nasıl görsel arama çalıştırılacağını öğrenin. Ayrıca bu uçtan uca uygulamayı oluşturmak için OpenSearch kümelerinin ve diğer AWS hizmetlerinin nasıl dağıtılacağını, çalıştırılacağını ve ölçeklendirileceğini de paylaşıyoruz.

Konuşmacı: Kevin Du, Kıdemli ML Veri Laboratuvarı Çözümleri Mimarı, AWS
Süre: 30 dk.

AWS'de Apache Spark kullanarak ölçeklenebilir veri hazırlama ve makine öğrenimi (Seviye 200)
Büyük miktarda veriyi analiz etmek, dönüştürmek ve hazırlamak, herhangi bir veri bilimi ve makine öğrenimi iş akışının temel adımıdır. Bu oturum, uçtan uca veri hazırlama ve makine öğrenimi (ML) iş akışlarının nasıl oluşturulacağını gösterir. Amazon SageMaker Stüdyosu'ndan sunulan Amazon EMR ve AWS Glue etkileşimli oturumlarında, veri işleme ortamlarınızda hızlı bir şekilde veri hazırlamak için Apache Spark'ı nasıl bağlayacağınızı açıklıyoruz. Makine öğreniminde kullanılmak üzere büyük ölçekli verileri hazırlarken verileri etkileşimli olarak sorgulamak, keşfetmek, görselleştirmek, Spark işlerini çalıştırmak ve hatalarını ayıklamak için AWS Lake Formation tarafından yönetilen verilere nasıl erişeceğinizi öğrenin.

Konuşmacı: Suman Debnath, Baş Geliştirici Danışmanı, Veri Mühendisliği, AWS
Süre: 30 dk.

Bir akıllı belge işleme çözümü oluşturun (Seviye 200)
Kuruluşlar, kritik iş verilerini barındıran milyonlarca fiziksel belge ve forma sahiptir. Sigorta talepleri veya kredi başvuruları gibi bu belgeler, insanlar tarafından veya kolayca ölçeklenemeyen, maliyetli ve düşük doğrulukta ayıklama sonuçları üretebilen kural tabanlı sistemler tarafından ayıklanan yapılandırılmış ve yapılandırılmamış veriler içerir. Bu oturumda, yapılandırılmış verileri ayıklamanıza, hassas bilgileri düzenlemenize ve otomatik belge işleme iş akışını uygun ölçekte dağıtmanıza olanak tanıyan eski belge işleme zorluklarının üstesinden gelmek için uçtan uca akıllı belge işleme çözümünün nasıl oluşturulacağını öğrenin.

Konuşmacı: Abhijit Kalita, Kıdemli AI/ML Temsilcisi, Kamu Sektörü Çözüm Ortakları, AWS
Süre: 30 dk.

Makine öğrenimi ile belge ayıklamanızı özelleştirin ve geliştirin (Seviye 300)
Belgeler çeşitli dosya türleri, farklı biçimler hâlinde gelir ve değerli bilgiler içerir. Belgelerin ayıklanması ve işlenmesi zaman alıcı, hataya açık ve maliyetli olabilir. Bu oturumda, AWS ile PDF'ler veya taranmış görüntüler de dâhil herhangi bir belge biçimindeki karmaşık içeriklerden bilgilerin nasıl kolayca ayıklanabileceğine ilişkin seçenekleri paylaşıyoruz. Yaygın OCR hata kalıpları ve çıktı verilerini yeniden yapılandırma dâhil olmak üzere bu ayıklama işlemini makine öğrenimi ile nasıl ayarlayacağınızı ve özelleştireceğinizi öğrenin. Oturum, kullanım örneğinizin karmaşıklığını ve kuruluşunuzdaki makine öğrenimi olgunluğunu dikkate alarak, ilk görüntü ön işleme işleminden süreç otomasyonuna veya akıllı aramaya ve çevrimiçi insan incelemesine kadar sürecin tüm aşamalarında yardımcı olmak için AWS'deki farklı modelleri ve araçları kapsar.

Konuşmacı: Alex Thewsey, ML Uzman Çözüm Mimarı, AWS
Süre: 30 dk.

Doğruluktan iş örneğine: Başarılı bir talep tahmini kavram kanıtı (PoC) oluşturma (Seviye 200)
Yapay zekâ/makine öğrenimi ile gelecekteki talepleri doğru bir şekilde tahmin etmek; satışları artırmak, kapasite kullanımını ve envanter değişimini iyileştirmek ve müşteri deneyimini geliştirmek gibi farklı işlevlerde sayısız avantaja sahiptir. Ancak birçok kişi, değeri doğrulamada ve talep tahmini sistemlerini üretime uygulamada zorluklarla karşı karşıyadır. Bu oturum, Amazon Forecast kullanarak makine öğrenimi tabanlı tahmin sistemi için hızlı bir prototipleme oluşturmak için adım adım iş akışını gösterir. Denemelerde esneklik sağlarken talep tahmini modellerinin gerçek iş değerini ölçmenin farklı yollarını gösteriyoruz.

Konuşmacı: Julia Ang, Yardımcı Çözüm Mimarı, AWS
Süre: 30 dk.

Analiz ve makine öğrenimi ile müşteri satın alma niyeti tahminlerini basitleştirin (Seviye 200)
Şirketler, rakiplerinin önünde olmak için yapay zekâ/makine öğrenimi çözümlerini işlerine entegre ediyor. Ancak makine öğrenimi zor olabilir ve genellikle özel beceriler gerektirir. Süreç verilerin toplanması ve hazırlanması ile başlar, ardından makine öğrenimi modelleri dağıtılmadan önce oluşturulup eğitilir. Modeli oluşturmak için bir algoritma seçmek bile zor olabilir. Hangi algoritmayı veya makine öğrenimi modelini seçmelisiniz? İş sorununuza göre hangi modelin en iyi performansı göstereceğini nasıl güvenilir bir şekilde anlayabilirsiniz? Modelden en iyi şekilde yararlanmak için hiper parametre ayarlaması nasıl yapılır? Bu oturumda, AWS analiz hizmetleriyle birlikte Amazon SageMaker Otomatik Pilot'u kullanarak satın alma niyeti tahmininde makine öğrenimi yaşam döngüsünü nasıl basitleştireceğinizi açıklıyoruz.

Konuşmacılar: 
Kamal Machanda, Çözüm Mimarı, AWS India
K V, Sureshkumar, Prototipleme Mimarı, AWS India
Süre: 30 dk.

Analiz ve makine öğrenimi destekli iletişim merkezleriyle müşteri deneyimini iyileştirin (Seviye 300)
İletişim merkeziniz sizinle müşterileriniz arasındaki en büyük temas noktasıdır ve her etkileşim ekibinize güçlü öngörüler sağlayabilir. Bu oturumda, Amazon Connect'in AWS analiz ve makine öğrenimi hizmetleriyle entegrasyonunu gösteriyoruz. Böylece oluşturması aylar sürecek olan işlemleri self servis yapılandırma araçlarını kullanarak birkaç günde tamamlayabilirsiniz. AWS üzerinde oluşturulan bu uçtan uca bulut merkezi çözümünün, müşteri deneyiminizi iyileştirebilmeniz için gerçek zamanlı kayıp tahminleri de dâhil olmak üzere her müşteri etkileşiminden değerli öngörüler elde etmenize nasıl olanak sağladığını öğrenin.

Konuşmacılar: 
Nelson Martinez, Kıdemli Teknik Hesap Yöneticisi, Verimlilik Uygulamaları, AWS
Melanie Li, Kıdemli Teknik Hesap Yöneticisi, Analiz, AWS
Partha Sarathi Sahoo, Kıdemli Teknik Hesap Yöneticisi, Analiz, AWS

Süre: 30 dk.

Yapay zekâ ile dil engellerini aşma (Seviye 200)
Amazon; doğal dil işleme, konuşma tanıma, metin okuma ve makine çevirisini her geliştiricinin erişimine sunar. API destekli uygulama hizmetleri, veri bilimcisi ve geliştiricilerin önceden oluşturulmuş yapay zekâ işlevlerini uygulamalarına kolayca eklemelerine ve iş akışlarını otomatik hâle getirmelerine olanak tanır. Bu oturumda duyan, konuşan ve çevremizdeki dünyayı anlayan yeni nesil akıllı uygulamaların nasıl oluşturulacağını açıklıyoruz.

Konuşmacılar: 
Jyoti Sharma, Prototipleme Mühendisi, AWS India
Arun Balaji, Baş Prototipleme Mühendisi, AWS India

Süre: 30 dk.

Kapalı geri bildirim döngüsü bilgisayarlı görü kalite kontrol uygulaması çalıştırma (Seviye 200)
Hataların veya kusurların zamanında tespiti ve uygun önlemlerin alınması genellikle önemli operasyonel ve kalite ile ilgili maliyetlere neden olduğundan kalite kontrolde kusur ve anormallik tespiti, ürünlerin kalitesini sağlamak için son derece önemli bir adımdır. Ayrıca manuel geri bildirim döngüleri genellikle özneldir, zaman alıcıdır ve ölçeklendirilmesi zordur; bu da üretimde sorunlara neden olur ve pazara ulaşma hızını yavaşlatır. Bu oturumda, uçta nasıl sağlam, etkili ve ölçeklenebilir bir kapalı döngü kalite kontrolü oluşturabileceğinizi, hızlı geri bildirim döngüsü ile objektif kararlar nasıl alabileceğinizi ve kaliteyle ilgili maliyetleri nasıl azaltabileceğinizi paylaşıyoruz.

Konuşmacı: Derrick Choo, Çözüm Mimarı, AWS

Makine öğrenimi ile akıllı medya analizi (Seviye 200)
Ses ve video gibi medya varlıkları, keşfedilebilirliği artırmak ve daha fazla kullanıcı etkileşimi ile memnuniyeti sağlamak için kullanılabilir. Ancak medya içeriğini yönetmek, analiz etmek ve izlemek hem karmaşık hem de maliyetli bir süreçtir. Bu oturumda, daha iyi içerik araması ve keşfi için AWS yapay zekâ hizmetlerinin ve Amazon SageMaker'ın nasıl kullanılacağı, alt yazı ekleme ve yerelleştirme yoluyla erişilebilirliğin nasıl artırılacağı ve yeni içerikleri gelir kaynağına dönüştürme yöntemlerinin nasıl keşfedileceği gösterilmektedir. Ayrıca siz ve müşteriniz için uygunluğu ve marka güvenliğini artırmak için tam olarak yönetilen görüntü, video, metin ve konuşma denetimi API'leri ve otomatik makine öğrenimi kullanmayı öneriyoruz.

Konuşmacılar:
Sakthi Srinivasan, Etkileşim Yöneticisi, Prototipleme, AWS India
Arun Balaji, Baş Prototipleme Mühendisi, AWS India

Süre: 30 dk.

Uçtan uca bir kredi kartı dolandırıcılığı algılama sistemi oluşturun (Seviye 300)
Nakit paranın kullanılmadığı bir topluma doğru ilerledikçe, yanlış pozitif sonuçlar olumsuz müşteri deneyimlerine yol açabileceğinden sahte kart işlemlerini doğru ve hızlı bir şekilde tespit edebilmek daha önemli bir hâle geldi. Bu oturumda Amazon SageMaker ile uçtan uca kredi kartı dolandırıcılığı algılama sisteminin nasıl oluşturulacağını öğrenin. Daha çevik ve uygun maliyetli bir yaklaşımla sahte kartla ödeme dolandırıcılıklarını tespit etmek için bulutta matematiksel modelleri nasıl eğitebileceğinizi öğrenin. Bu modeli API'leri kullanarak işletme uygulamalarınızla nasıl entegre edebileceğinizi ve bir kuruluştaki herkesin zengin ve etkileşimli panolar aracılığıyla verilerinden öngörü elde etmesini kolaylaştıran hızlı ve bulut destekli bir iş zekâsı hizmeti olan Amazon QuickSight ile nasıl raporlama panoları oluşturabileceğinizi gösteriyoruz.

Konuşmacı: Indrajit Ghosalkar, Çözüm Mimarı, AWS
Süre: 30 dk.

AWS'nin yardımıyla hesap devralma dolandırıcılığıyla mücadele edin (Seviye 300)
Her yıl kimlik bilgisi doldurma, kimlik hırsızlığı ve sosyal mühendislik gibi farklı tekniklerle birçok kullanıcı hesabının güvenliği tehlikeye giriyor ve bu da hesap devralma (ATO) dolandırıcılığına yol açıyor. ATO dolandırıcılığı, mali kayıpların yanı sıra müşteri deneyimi, marka sadakati ve itibar üzerinde de etkiye sahiptir. Bu oturumda, AWS Web Uygulaması Güvenlik Duvarı'nın ağ ucundaki hesap devralma girişimlerini proaktif olarak durdurmanıza, dolandırıcılık faaliyetlerine yol açabilecek yetkisiz erişimi önlemenize ve kullanıcıları önleyici eylemler gerçekleştirmeleri için önceden bilgilendirmenize nasıl olanak sağladığını açıklıyoruz. Ayrıca önceki makine öğrenimi deneyimi olmadan özel dolandırıcılık algılama makine öğrenimi modellerini hızlı bir şekilde oluşturmanıza, dağıtmanıza ve yönetmenize olanak tanıyan tam olarak yönetilen bir hizmet olan Amazon Dolandırıcılık Algılayıcı'yı kullanarak uygulamanızı makine öğrenimi ile korumak için ek yolların nasıl kullanılacağını da gösteriyoruz.

Konuşmacılar:
Julian Ju, Kıdemli Uç Uzmanı Çözüm Mimarı, AWS
Ram Cholan, Kıdemli Uç Uzman Çözüm Mimarı, AWS

Süre: 30 dk.

Amazon Comprehend Medical'ı kullanarak doğal dilden anlamlı radyoloji öngörüleri çıkarma (Seviye 300)
Kısıtlı ve talep gören klinik kaynakların kullanımını optimize etmek için gereken öngörüler, genellikle yapılandırılmamış klinik raporlarda göz önünde olmalarına rağmen fark edilmezler. Bu oturumda, makine öğrenimi ve analiz teknolojisinin uygulamalarına nasıl entegre edileceği ve klinik kaynakların kullanımını optimize etmek için süreçlerin nasıl otomatik hâle getirileceği açıklanmaktadır. Radyoloji muayenelerini hastanenin klinik veri havuzlarına eklenirken almak için Amazon Comprehend Medical ile neredeyse gerçek zamanlı Apache Spark işlem hattının kullanımını gösteriyoruz. Doğal dil klinik notlarını nasıl sınıflandıracağınızı öğrenin ve klinik varlıkları standart SNOMED Klinik Terminolojisi üzerinde oluşturulmuş ilişkisel görünümlere dönüştürün. Genel amaçlı görselleştirme ve analiz araçlarının kullanıcılarınızın veri öngörülerine nasıl erişmelerini sağlayabileceğini göstererek oturumu sonlandırıyoruz.

Konuşmacı: Craig Roach, Baş Çözüm Mimarı, AWS
Süre: 30 dk.

Amazon SageMaker'ı dakikalar içinde kullanmaya başlayın (Seviye 200)
Amazon SageMaker, her geliştiriciye, iş analistine ve veri bilimcisine tam olarak yönetilen altyapı, araçlar ve iş akışlarıyla her türlü kullanım örneği için makine öğrenimi modelleri oluşturma, eğitme ve dağıtma özelliği sunar. Amazon SageMaker, makine öğreniminin üstlendiği zorlu işleri ve böylelikle de makine öğrenimi ile ilişkili tipik engelleri ortadan kaldırır. Bu oturumda, platformun özelliklerini gösteren Amazon SageMaker'ın modüllerinin her birinin teknik ayrıntılarına derinlemesine değinilmektedir.

Konuşmacı: Pauline Kelly, Çözüm Mimarı, AWS
Süre: 30 dk.

AWS'de kodsuz çözümlerle makine öğrenimi için yarı yapılandırılmış iç içe geçmiş JSON verilerini dönüştürün (Seviye 200)
Veriler, birçok sektörde yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış biçimlerde çeşitli kaynaklardan alınır. Yarı yapılandırılmış veriler için en yaygın hafif dosya biçimlerinden biri JSON'dur. Ancak JSON veri türünün karmaşık yapısı nedeniyle, genellikle iç içe geçmiş anahtar-değer yapısını içerir ve doğrudan makine öğrenimi görevlerinde kullanılması zordur. Bu oturumda verileri iç içe geçmiş durumdan kurtarmak, hassas bilgileri işlemek ve makine öğrenimi verilerinin hazırlanması için veri kalitesini sağlamak için AWS Glue DataBrew'dan nasıl yararlanılacağından bahsedeceğiz. Eyleme geçirilebilir öngörüleri hızlı bir şekilde ortaya çıkarmak için makine öğrenimi modellerini işlenmiş verilerle otomatik olarak eğitmek amacıyla Amazon SageMaker'ın kodsuz çözümünün nasıl kullanılacağını paylaşıyoruz.

Konuşmacılar: 
Melanie Li, Kıdemli Teknik Hesap Yöneticisi, AI/ML, AWS
Partha Sarathi Sahoo, Kıdemli Teknik Hesap Yöneticisi, Analiz, AWS

Süre: 30 dk.

Amazon SageMaker'da AutoGluon ile çeşitli veri türlerini birleştiren doğru modeller oluşturun (Seviye 300)
Gerçek dünyadaki makine öğrenimi kullanım örneklerinde genellikle veriler birçok biçimde mevcuttur. Bu oturumda, yüzlerce makine öğrenimi modelini otomatik olarak eğiten ve ayarlayan ve kullanım örneğiniz için en iyi modeli seçmenize yardımcı olan Amazon SageMaker JumpStart'a genel bakışı ele alıyoruz. Yüksek kaliteli modelinizi oluşturmak için Amazon SageMaker'da AutoML için açık kaynaklı bir kitaplık olan AutoGluon'u nasıl kullanacağınızı gösteriyoruz. Ayrıca özel çok modlu makine öğrenimi ile daha derinlemesine incelemek için kanıtlanmış teknikleri, en iyi uygulamaları ve araçları paylaşıyoruz.

Konuşmacı: Seema Gupta, Kıdemli Çözüm Mimarı, AWS
Süre: 30 dk.

Amazon SageMaker ile makine öğrenimi modellerini hızlı ve uygun maliyetli bir şekilde eğitin (Seviye 200)
Makine öğrenimi modellerini büyük ölçekte eğitmek için genellikle önemli yatırımlar gerekir. Bu oturumda, Amazon SageMaker'ın altyapıyı yönetmeye gerek kalmadan makine öğrenimi (ML) modellerini eğitmek ve ayarlamak için zaman ve maliyetleri nasıl azaltmanıza olanak sağladığını gösteriyoruz. Eğitim deneylerini yönetmek ve izlemek, ideal hiper parametreleri otomatik olarak seçmek, eğitim işlerinde hataları ayıklamak ve GPU'lar, CPU'lar ve ağ bant genişliği gibi sistem kaynaklarının kullanımını takip etmek için yerleşik araçları kullanan modelleri nasıl kullanacağınızı öğrenin. SageMaker Eğitim araçlarının veri paralelliği ve model paralelliği kitaplıkları da dâhil daha hızlı dağıtılmış eğitimi nasıl sağladığını ve Amazon SageMaker dağıtılmış eğitim kitaplıklarının, dağıtılmış eğitimi daha hızlı tamamlamanıza yardımcı olmak için modelleri ve eğitim veri kümelerini GPU bulut sunucularına nasıl otomatik olarak böldüğünü gösteriyoruz.

Konuşmacı: Gaurav Singh, Çözüm Mimarı, AWS India
Süre: 30 dk.

Model geliştirme, eğitim ve dağıtımın ötesinde: Amazon SageMaker Model İzleme'ye yakından bakış (Seviye 200)
Geleneksel yazılım geliştirmenin aksine makine öğrenimi modeli geliştirme, ideal sonuçları sağlamak için dağıtılan modelin girdi ve çıktısının sürekli izlenmesini gerektiren tekrar eden bir süreçtir. Amazon SageMaker ile model izleme hakkındaki temel bilgileri öğrenmek için bu oturuma katılın. Verilerinizdeki ve modelinizdeki sapmayı nasıl tespit edeceğinize değiniyoruz ve üretimde model kalitenizi sağlamak için ilgili adımları paylaşıyoruz.

Konuşmacı: Sahil Verma, Çözüm Mimarı, AWS India
Süre: 30 dk.

Amazon SageMaker ve Amazon Rekognition ile metinden görüntüye dönüştürme modeli dağıtma (Seviye 200)
Küresel görsel iletişim platformu Canva'nın yeni metinden görüntüye dönüştürme işlevini Amazon SageMaker'daki Stable Diffusion ile nasıl geliştirdiğini ve bu sayede metinden görüntüye dönüştürme özelliğini 3 haftadan kısa bir sürede 100 milyon kullanıcıya hızlı bir şekilde nasıl ölçeklendirebildiğini öğrenmek için bu oturuma katılın. Uçtan uca çözümün arkasındaki mimari çerçeveyi, makine öğrenimi sürecinin her adımındaki zorlu işlerin nasıl ortadan kaldırıldığını ve böylelikle yüksek kaliteli modeller geliştirmeyi, kullanıcılara yenilikçi yeni özellikleri hızlı bir şekilde sunmayı ve gelecekteki büyüme için ölçeklendirmeyi nasıl kolaylaştırdığımızı ayrıntılı olarak inceliyoruz. Ayrıca Canva'nın, görüntülerinizden ve videolarınızdan bilgi ve öngörüler elde etmek için önceden eğitilmiş ve özelleştirilebilir bilgisayarlı görü (CV) özellikleri sunan Amazon Rekognition'dan nasıl faydalandığını paylaşıyoruz. Manuel denetim Canva'nın günün her saati yüzlerce moderatör görevlendirmesini gerektireceğinden bu çözümün kullanıcı güvenini, güvenliğini ve üretkenliğini artırmalarını nasıl sağladığını öğrenin.

Konuşmacılar: 
Ben Friebe, Kıdemli ISV Çözümleri Mimarı, AWS
Greg Roodt, Veri Platformları Başkanı, Canva

Süre: 30 dk.

Makine öğrenimi çözümlerini AWS altyapısında hızlı bir şekilde ve uygun ölçekte başlatın (Seviye 200)
AWS, her tür kuruluş, işletme ve endüstri için yapay zekâ ve makine öğrenimini hızlı bir şekilde oluşturma ve başlatma konusunda en geniş ve en kapsamlı hizmetleri sunar. Bu oturumda çıkarım modellerinizi AWS'de nasıl dağıtacağınızı, hangi etmenleri dikkate almanız gerektiğini ve dağıtımların nasıl optimize edileceğini açıklıyoruz. Makine öğrenimi iş yüklerinizin AWS'de sorunsuz ve etkili bir şekilde çalışmasını sağlamak için en iyi uygulamaları ve yaklaşımları paylaşıyoruz.

Konuşmacı: Santhosh Urukonda, Kıdemli Prototipleme Mühendisi, AWS India
Süre: 30 dk.