Proje İçeriği

Turkcell Dijital Dönüşüm ve İnovasyon Programı, Turkcell Network Teknolojileri ekiplerinde çalışan network ve yapay zeka mühendislerine özel olarak günlük işlerde verimliliği arttırmak için tasarlanmıştır. 

Bu programımız eğitim ve teknik proje bölümlerinden oluşmaktadır.

Programımızın eğitim tarafının içerikleri, network ve yapay zeka mühendislerimize özel olarak içinde bulunduğumuz dijital çağın gerekliliklerini karşılayabilecek yetkinlikleri kazandıracak şekilde pratik uygulamalı olarak hazırlanmıştır.

Bu program sayesinde network mühendislerimiz, yapay zeka destekli olarak multi-vendor orkestrasyon için network api'larının nasıl geliştirileceğini, yapay zeka mühendisleri ise network teknolojilerinde anomali, siber saldırı ve izinsiz ağ girişlerini tespit etmek için nasıl yapay zeka modellerinin geliştirileceğini pratik uygulamalı olarak öğrenmişlerdir. Her 2 grupta kendi alanlarında geliştirdikleri api'ların kapalı şirket ağında private cloud olarak nasıl yönetileceğini de ayrıca öğrenmişlerdir.   

Dijital Dönüşüm ve İnovasyon Programımız bu amaçları gerçekleştirmek için 5 eğitim grubundan oluşmaktadır.

1.Grup AI4Net

Program Eğitimleri:

1.Eğitim: Advanced Python Programming Workshop 5 Gün 25 Yapay Zeka Mühendisi için

2.Eğitim: Network Visualization With Data Science 5 Gün 25 Yapay Zeka Mühendisi için

3.Eğitim: Network Intrusion Detection With AI 5 Gün 25 Yapay Zeka Mühendisi için

AI4NET Grubunun Amacı:

Veri bilimini ağ teknolojilerinde mantıksal topoloji görselleştirme ve analizi için kullandıktan sonra ağ otomasyonunda karşılaşılan izinsiz girişleri tespit edebilmek adına yapay zeka modelleri geliştirmek

2.Grup PyNetAI

Program Eğitimleri:

1.Eğitim: Advanced Python Programming Workshop 5 Gün 25 Network Mühendisi için

2.Eğitim: Network API Development & Automation With Python 5 Gün 25 Network Mühendisi için

3.Eğitim: Network Automation With AI 5 Gün 25 Network Mühendisi için

PyNetAI Grubunun Amacı: 

Pratik uygulamalı olarak Advanced seviye ağ otomasyonu, API Geliştirme ve lokal açık kaynak Generative AI çözümlerini kullanarak; network mühendislerinin günlük işlerine yardımcı olacak akıllı chatbot' ların üretilmesi.

3.Grup NetAnomalyDetect

Program Eğitimleri:

1.Eğitim: Advanced Python Programming Workshop 5 Gün 25 Yapay Zeka Mühendisi için

2.Eğitim: Network Visualization With Data Science 5 Gün 25 Yapay Zeka Mühendisi için

3.Eğitim: Advanced Anomaly Detection With Python 5 Gün 25 Yapay Zeka Mühendisi için

NetAnomalyDetect Grubunun Amacı:

Network teknolojilerinde karşılaşılan anomalileri tespit edebilmek adına yapay zeka modelleri geliştirmek

4.Grup PyNetNSO

Program Eğitimleri:

1.Eğitim: Advanced Python Programming Workshop 5 Gün 25 Network Mühendisi için

2.Eğitim: Network API Development & Automation With Python 5 Gün 25 Network Mühendisi için

3.Eğitim: Network Automation With NSO 5 Gün 5 Gün 25 Network Mühendisi için 

PyNetNSO Grubunun Amacı: 

Python programlama dili, Yang data modelleme dili, API data formatları JSON, Yaml, Xml ile Rest API, SSH, Telnet, NetConf ve RestConf protokollerinin Cisco NSO ürününde nasıl kullanılacağını pratik uygulamalı olarak gösterip;

Cisco NSO ürününde multi-vendor network otomasyonu yapmak için gereken static ve dynamic network templatelerini üretip, test etmek için lokal açık kaynak Generative AI çözümlerini kullanarak yapay zeka modelleri geliştirmek.

 5.Grup PyAIDEV

Program Eğitimleri:

1.Eğitim: Advanced Python Programming Workshop 5 Gün 10 Network Mühendisi & 15 Yapay Zeka Mühendisi için

2.Eğitim: Network API Development & Automation With Python 5 Gün 10 Network Mühendisi & 15 Yapay Zeka Mühendisi için

3.Eğitim: Developing AI Models For Network Management 5 Gün 10 Network Mühendisi & 15 Yapay Zeka Mühendisi için

PyAIDEV Grubunun Amacı: 

-Network cihazlarından gelen bilgileri Generative AI ile editleyecek Custom Network Parser API'larının üretimi

-Lokal Açık Kaynak Generative AI çözümlerini kullanarak; network mühendislerinin günlük işlerine yardımcı olacak akıllı chatbot'ların üretilmesi.

-Ağ otomasyonunda karşılaşılan izinsiz girişleri ve anomalileri tespit edebilmek adına yapay zeka modelleri geliştirmek.

Eğitim gruplarının teknik proje grupları vardır.

AI4Net & NetAnomalyDetect Teknik Proje: Network Anomaly Detection With AI

Açıklama: Bu amaçla 2 farklı model ile ağ anomali tespiti yapılması ve içlerinden en iyisinin seçilmesi planlanmıştır.

İntertet Servis Sağlayıcılarında data paketlerini gözlemlendiğinde sezonsallık var. Örneğin her yaz data tüketimi artar ve her sonbaharda data tüketimi azalır. Bunun dışında dini ve milli tatillerde data tüketimi artar.

İntertet Servis Sağlayıcılarında ağ anomali tespiti yaparken bu durumların dikkatle göze alınması gerekir. Bu sebeple Turkcell'de ağ anomali tespiti için ilk model Python programlama dilindeki Prophet kütüphansini kullanarak çoklu değişkenli datalar için sezonsal ve tatillere göre değişen durumda derin öğrenmedeki zaman serisi kullanılarak geliştirilmektedir.

Anomaly veri setlerinde dengesizlikler olabilir. Özellikle modellerinin eğitimi sırasında, bir sınıfın diğerlerine göre çok daha az örneğe sahip olduğu durumlarda olabilir. Bu dengesizlik, modelin azınlık sınıfını doğru bir şekilde öğrenmesini zorlaştırabilir ve modelin performansını olumsuz yönde etkileyebilir. Bu sorunu çözmek için SMOTE (Synthetic Minority Over-sampling Technique) yöntemini kullanıyoruz. 

SMOTE bir veri işleme tekniğidir ve veri setindeki dengesizlikleri gidermek için kullanılır. Bu yöntemi kullanmamızın nedeni, yapay zeka modellerinin eğitimi sırasında, bir sınıfın diğerlerine göre çok daha az örneğe sahip olmasından kaynaklanmaktadır. SMOTE ile azınlık sınıfının örneklerini çoğaltmak için yeni sentetik örnekler üretiyoruz. Bunu da var olan azınlık sınıfı örneklerinin yakın komşuları arasında  k-NN algoritması kullanılarak yeni veri noktaları oluşturularak yapılır. Seçilen azınlık sınıfı örneği ile komşuları arasında yeni veri noktaları (sentetik örnekler) oluşturur. SMOTE yöntemi verinin dengesizlik ve temsiliyet problemini çözerken; karşılığında aşırı öğrenmeye sebep olur.

Bu sorunu çözmek için Batch Normalization kullanıyoruz. Çünkü katmanlar arasında normalizasyon yaparak modelin eğitim sürecini iyileştirmesi gerekir. BatchNormalization aktivasyon fonksiyonlarını ortalaması 0 ve varyansı 1 olacak şekle dönüştürülür, normalleştirir. Akabinde normalleştirilmiş değerleri yeniden ölçeklendirmek ve kaydırmak için iki öğrenilebilir parametre (ölçekleme ve kaydırma parametreleri) içerir. Bu sayede normalizasyonun modelin öğrenme kapasitesi sınırlamasını engeller. Sonuç olarak daha hızlı eğitim ve daha yüksek öğrenme oranı olur. Normalizasyon sayesinde aşırı öğrenme engellenir. Ayrıca aktivasyon fonksiyonlarının aşırı büyük veya küçük değerlere ulaşmasını engeller ve bu sayede eğitim sürecini daha kararlı hale getirir. SMOTE ve Batch Normalization sonrası  RNN (Recurrent Neural Network/Yinelemeli Sinir Ağı) LSTM (long short term memory) zaman serisi ile ağ anomali tespiti eden modelimizi geliştirmek için Cross Validation ve Multiple Early Stop Callback kullandık. Turkcell'de ağ anomali tespiti için hem label olan hem de olmayan KPI verilerimiz olduğu için 2 farklı model geliştirdik. 

2 modelimizin de başarı oranı %99'dur.

Eylül 2023-Nisan 2024 İçerik Belirleme Toplantıları

Advanced Python Programming Workshop AI4Net: 20-24 Mayıs 2024

Advanced Python Programming Workshop PyNetAI: 27-31 Mayıs 2024

AI4Net & NetAnomalyDetect Teknik Proje Çalışması: 3-7 Haziran 2024

Network API Development & Automation With Python PyNetAI: 10-14 Haziran 2024

Network Visualization With Data Science AI4Net: 24-28 Haziran 2024

Network Automation With AI PyNetAI: 1-5 Temmuz 2024 

Advanced Python Programming Workshop NetAnomalyDetect: 8-12 Temmuz 2024

PyNetAI Teknik Proje Çalışması: 15-19 Temmuz 2024

Network Visualization With Data Science NetAnomalyDetect: 22-26 Temmuz 2024

Network Intrusion Detection With AI AI4Net: 29 Temmuz-2 Ağustos 2024

Advanced Anomaly Detection With Python NetAnomalyDetect: 5-9 Ağustos 2024

Advanced Python Programming Workshop PyNetNSO: 12-16 Ağustos 2024

AI4Net & NetAnomalyDetect Teknik Proje Çalışması: 19-23 Ağustos 2024

PyNetAI Teknik Proje Çalışması: 26-30 Ağustos 2024

Network API Development & Automation With Python PyNetNSO: 2-6 Eylül 2024

Advanced Python Programming Workshop PyAIDEV: 9-13 Eylül 2024

Network Automation With NSO PyNetNSO: 16-20 Eylül 2024

Network API Development & Automation With Python PyAIDEV: 23-27 Eylül 2024

Developing AI Models For Network Management PyAIDEV: 30 Eylül-4 Ekim 2024

Projenin Amacı

Projemizi hem kurum içindeki süreçleri iyileştirmek için hem de yeni bir hizmet için de yaratılmıştır. AI Based Multi-Vendor Single Sign On Network API sayesinde network mühendislerinin işleri kolaylaşmış ve daha verimli çalışır hale gelmişlerdir. Network Anomaly Detection With AI projesi yeni bir projedir. Bu projede sezonlara ve tatillere göre dinamik olarak daha iyi anomali tespiti yapmamızı sağlayan yeni bir servistir. Bu sayede siber güvenlik alanında verimlilik artmıştır.

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

Proje içerisindeki en büyük innovasyon yapay zeka teknolojilerinin dinamik olarak network servisleri ve ihtiyaçları için kullanılması ve ortaya çıkan sonuçların test edilebilmesidir.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Turkcell Network Teknolojileri bölümünde çalışan network mühendislerinin ve yapay zeka mühendislerin düzenli yaptıkları işleri daha hızlı ve hatasız yapmaları sağlanarak; verimlilik arttırılmıştır.

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Evet, aldık.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

Projemiz, aşağıdaki sorunları pratik çözümler üreterek; verimliliği arttırmıştır. 

-Büyük Databaseleri (json, yaml, xml, csv, sql) eşit küçük db parçalarına nasıl böleriz?

-Bu küçük db parçalarının her birinde eksik data olup, olmadığını ve eğer eksik data var ise; hangi database 'in hangi column verisinin ne kadar eksik olduğunu nasıl buluruz.?

-Bu küçük db parçalarının her birine ayni anda bağlanıp; search etmek istediğimiz parametreleri exact match olarak değil  ama barındıran veriler icin nasil multiple query' ler yaparız?

-Bu  küçük db parçalarının her birinde ayni anda bağlanıp; search etmek icin ne kadar cpu ve ram 'e ihtiyacımız olduğunu ve uzerinde calistigimiz notebook 'da / serverda mevcut cpu ve ram 'in ne kadarını harcadığımızı nasıl buluruz?

-Uzerinde calistigimiz notebook 'da / serverda bu küçük db  parçalarının  her birine ayni anda bağlanıp; multiple query search etmek icin gereken cpu ve ram miktari mevcut degil ise; databaseleri toplu kucuk gruplar icine alip, her gruba aynı anda bağlanıp, grup sırasına göre devam ederek, aynı işi mevcut olan cpu & ram kaynaklarıyla nasil yaparız?

-Jump Server 'dan Remote Server 'da bağlandığımız Database' i dataframe 'e çevirmemiz çok fazla ram gerektiriyor. Bu ram miktarı şirket bilgisayarlarımızda yok.  Jump Server 'dan Remote Server 'da bağlandığımız Database 'i dataframe 'e çevirirken ram ihtiyacına azaltarak, datanın daha hızlı okunmasını sağlayarak, aynı database 'i dataframe olarak şirket bilgisayarımızda sorunsuz ve hızlı bir şekilde nasıl kullanabiliriz?

-SQL'den network cihazlarının bilgilerini çeken konfigürasyon ve parselleme yapan network api 'ını nasıl geliştiririz?

-Single sign on olarak Jump Server 'dan remote host' a nasıl SSH script execute ederiz?

-Single sign on olarak Jump Server 'dan remote host' a nasıl Telnet script execute ederiz?

-Bazı şirket servislerimizin HTML source kodu gizli ve web url' inde endpoint sonrası dynamic olarak query parametresi bilgisi paylaşılmıyor. Bu servislerden manuel data çekiyoruz. Bunu hızlandırmak için bu servislerden data çekmeyi nasıl otomize ederiz?

-SSH yaptığımız network cihazlarında sorun yaşadığımızda cihaza telnet atıp, sorunun kaynağını manuel olarak bulup; düzeltiyoruz. Bunu hızlandırmamız lazım. Bu konu için sorunu tespit edip; çözecek custom ttp parser' ı nasıl yazarız?

-Jinja template ile dynamic konfigürasyon templateleri nasıl yazarız?

-Netconf protokolünde network cihazından gelen bilgiyi en kolay nasıl parsellenir?

-Network cihazından gelen data çok büyük, iç içe çok dictionary ve liste var. Parsellemek çok zaman alıyor. İçerideki dinamik değişken verileri daha kolay nasıl parselleriz?

-Birden çok cihazda yaptığımız network konfigürasyonlarının amacına ulaşıp, ulaşmadığını, istenilen konfigürasyonun doğru bir şekilde yapıldığını nasıl test ederiz?

-API 'a nasıl excel ve fotoğraf yükleyebiliriz ve indirebiliriz?

-Bir switch'deki vlan ve interface konfigürasyonlarını aynı model diğer switchlere nasıl klonlayabiliriz?

-Netconf protokolünde nasıl kolay bir şekilde dinamik xml konfigürasyon templateleri oluşturabiliriz?

-Birden çok network cihazına aynı anda nasıl bağlanılır?

-Concurrent futures multithreading nedir? Network cihazlarında nasıl uygulanır?     

-Ağ anomali tahmininde sezonsal ve tatil dönem bilgilrine göre nasıl çalışabiliriz?

-Ağ anomali datasetlerindeki veri dengesizliğini ve temsiliyet problemini nasıl çözeriz?

-Bağlandığımız network cihazının hangi üreticiden, hangi cihaz tipinden, hangi model tipinden olduğunu nasıl anlarız?

-Bağlanmaya çalıştığımız cihazda SSH bağlantısında problem varsa; bunu nasıl uzaktan tespit edip; düzeltebiliriz?

-Yazılım Tabanlı Ağ(SDN) ürünlerinde yapay zeka ile nasıl metinden statik ve dinamik network otomasyon templateleri üretip; bunları nasıl test edebiliriz?

-Yapay zeka ile metinden nasıl network otomasyon kodları üretebiliriz?

-Yapay zeka ile metinden ürettiğimiz network otomasyon kodlarını nasıl test edebiliriz?

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

128

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Knowledge Club

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)

Nvidia A-100 40 GB GPU * 3 Adet