Yapay zeka mühendisi nasıl olunur? Model eğitmeden, ürün kurarak bir yol haritası

Yapay zeka mühendisi nasıl olunur diye aratın, karşınıza neredeyse hep aynı liste çıkar: önce lineer cebir ve istatistik, sonra klasik makine öğrenmesi, sonra sinir ağları, sonra bir derin öğrenme kütüphanesi, en sonda da bir uzmanlık. Bir yıl, bazen daha fazla.

O liste yanlış değil, başka bir mesleğin listesi. Modeli eğiten kişinin, yani makine öğrenmesi mühendisinin yolu. Bugün "AI engineer" diye açılan pozisyonların çoğu ise başkasının eğittiği bir modelin üstüne ürün kuran kişiyi arıyor. İki mesleğin farkını ayrı bir yazıda ayrıntılı anlattık. Bu yazı ondan sonraki soruyu cevaplıyor: ne öğrenilmeli, hangi sırayla ve bir aşamayı bitirdiğinizi nereden anlarsınız?

Yapay zeka mühendisi ne iş yapar?

Hazır bir dil modelini bir ürünün parçası yapar ve o ürünün gerçek kullanıcı karşısında doğru, hızlı ve makul maliyetle çalışmasından sorumludur.

Gün içinde modelin kendisine çok az dokunulur. İş, modelin etrafındaki yazılımdadır: modele hangi bağlamın gideceğine karar vermek (kullanıcının belgeleri, önceki mesajlar, bir aracın sonucu), cevabın biçimini denetlemek, token bütçesini ve gecikmeyi tutmak, sağlayıcı hata verdiğinde sistemi ayakta tutmak ve yanlış cevap oranını ölçmek. Modeli bir veritabanı gibi düşünmek yardımcı olur: güçlü, ama ne zaman yanlış döneceğini bilmezseniz ürünü batıran bir bileşen.

Nereden başlamalı?

Bir API çağrısından. Matematikten değil.

Python'ı çalıştırabildiğiniz, terminalde doğru klasörde olduğunuzu anlayabildiğiniz ve Git ile bir değişikliği kaydedebildiğiniz anda ilk gerçek adım, bir dil modeline koddan istek göndermek ve cevabı yazdırmaktır. Bu çağrının şekli (bir mesaj listesi gider, bir metin ve kullanım bilgisi döner) ilerideki her şeyin çekirdeğidir. Matematiğin ne kadar gerektiğini merak ediyorsanız kısa cevap "aritmetik"; gerekçesi başka bir yazıda.

Hangi sırayla öğrenilmeli?

Her biri bir öncekinin üstüne kurulan yedi aşamayla. Her aşama okunarak değil, aşağıdaki "bitti ölçütü" karşılanarak kapanır.

1. Çalışma ortamı. Python, terminal, sanal ortam, Git ve GitHub. Bu aşamayı küçümseyenler sonradan en çok zamanı burada kaybeder: başka bir klasörde çalışan bir komut, yanlış ortama kurulmuş bir paket, depoya girmiş bir API anahtarı. Bitti ölçütü: boş bir makinede projenizi README'deki komutlarla sıfırdan ayağa kaldırabilmek.
2. Model API'leri. İsteğin ve cevabın yapısı, token, bağlam penceresi, hız sınırları ve geçici hatalar. Modelin konuşmayı "hatırlamadığını", her istekte bütün geçmişin yeniden gönderildiğini öğrendiğiniz yer burasıdır; uzun sohbetlerin neden pahalılaştığının ve neden bir noktada eski mesajları unuttuğunun sebebi de budur. Bitti ölçütü: yeniden deneme ve zaman aşımı olan, her isteğin token kullanımını kaydeden bir çağrı.
3. Prompt'u kod gibi yönetmek. Prompt'u sohbet penceresinde değil depoda, sürümlenmiş bir dosyada tutmak; kullanıcı girdisini talimattan ayırmak; cevabı makinenin okuyabileceği bir biçimde istemek ve o biçimi şemayla doğrulamak. "Model bazen JSON yerine açıklama yazıyor" sorunu burada çözülür. Bitti ölçütü: biçimi bozuk gelen cevabı yakalayıp anlamlı bir hata veren kod.
4. Kendi verinizle cevap vermek. Embedding, vektör araması ve RAG. Bu aşamada zorluğun aramada değil veride olduğunu görürsünüz: PDF'ten çıkan bozuk metin, ortasından ikiye bölünmüş bir tablo, aynı belgenin üç farklı sürümü. Modelin yanlış cevabının çoğu, yanlış parçanın getirilmesinden gelir. Bitti ölçütü: belgede cevabı olmayan bir soruya "bilmiyorum" diyebilen ve her cevabın kaynağını gösteren bir sistem.
5. Agent ve araç kullanımı. Modelin bir fonksiyonu çağırmasına izin vermek, sonucu geri vermek ve döngünün ne zaman duracağına sizin karar vermeniz. Burada en önemli kod, durdurma kodudur: adım sınırı, maliyet sınırı ve geri alınamayan işlemlerden önce insan onayı. Bitti ölçütü: bir araç hata verdiğinde sonsuz döngüye girmeyen bir agent.
6. Değerlendirme. Sabit bir soru kümesi, beklenen cevaplar ve bir puan. Prompt'u değiştirdiğinizde sistemin iyileşip iyileşmediğini söyleyebilen tek şey budur; olmadan her değişiklik bir tahmindir. Bitti ölçütü: tek komutla çalışan ve önceki sürümle karşılaştırılabilir bir puan üreten bir test kümesi.
7. Yayına almak. Kimlik doğrulama, veritabanı, kötüye kullanıma karşı hız sınırı, sırların yönetimi, dağıtım ve izleme. Dil modeli içeren bir uç noktayı sınırsız açık bırakmak, faturanızı başkasının eline vermektir. Bitti ölçütü: internette bir adresi, bir izleme ekranı ve kullanıcı başına bir harcama tavanı olan bir uygulama.

Bu kavramların birbirine nasıl bağlandığını tek sayfada görmek isterseniz bilgi haritası yüz beş kavramı tanımlarıyla birlikte gösteriyor; kaydolmak gerekmiyor.

Ne kadar sürer?

Kimin başladığına ve neyi "bitti" saydığınıza bağlı; tek bir doğru rakam yok.

Yazılım geliştirmiş biri birinci aşamayı atlar, ikinci aşamaya ilk haftasında gelir ve asıl zamanını dördüncü ile yedinci aşamalarda harcar. Hiç kod yazmamış biri için birinci aşama tek başına haftalar sürebilir ve bu normaldir. Bizim müfredatımızdan bir ölçü vermek gerekirse: 17 modül ve 98 dersin okuma ve alıştırma süresi yaklaşık 34 saat. Buna 17 proje eklenir ve projelerin süresi bu hesaba dahil değildir; çünkü bir projenin ne kadar süreceği, kişiden kişiye en çok değişen şeydir. Takvimi belirleyen ders değil, projedir.

Sertifika gerekir mi?

Hayır. Bu alanda bakılan belge sertifika değil, çalışan bir depodur.

Bir adayı değerlendiren kişi genellikle üç şeye bakar: proje tek komutla çalışıyor mu, hata durumları düşünülmüş mü ve bir ölçüm var mı. Bu üçünü gösteren bir depo, adını duymadıkları bir sertifikadan çok daha fazla şey söyler. README'nin ilk paragrafında projenin ne yaptığını ve neyi yapmadığını dürüstçe yazmak, çoğu adayın atladığı ama en hızlı güven veren şeydir.

En sık yapılan hata nedir?

Hiçbir şeyi bitirmeden bir sonraki konuya geçmek.

Video izlemek ilerleme gibi hissettirir, çünkü her gün yeni bir kavram öğrenirsiniz. Ama bir RAG sistemini gerçekten kurduğunuz gün hiçbir videonun göstermediği sorunlar çıkar: aynı soruya her seferinde farklı parçayı getiren arama, test verisinde mükemmel olup gerçek belgede çöken ayrıştırıcı, beklemediğiniz bir fatura. Öğrenmenin büyük kısmı o gün başlar. Gerçek projelerin nasıl bozulduğuna dair örnekler arıza vakaları sayfasında, bir mimari kararın maliyeti nasıl değiştirdiği de maliyet oyununda var.

Bu yol kimler için uygun değil?

Model eğitmek, yeni bir mimari tasarlamak ya da araştırma yapmak isteyenler için.

O hedefin yolu gerçekten matematikten geçer ve yukarıdaki yol onu öğretmez. İkisi de değerli meslekler; sadece aynı meslek değiller. Hangisini istediğinizi bilmek, ilk ayınızı doğru yere harcamanın en kolay yolu.

Kaynaklar

• Anthropic: Building effective agents: agent'ın ne zaman gerekli olduğu ve ne zaman basit bir iş akışının yettiği üzerine sağlayıcının kendi değerlendirmesi. (eklenme: 2026-08)
• Lewis ve ark. (2020): Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks: RAG kavramını tanıtan makale. (eklenme: 2026-08)
• Anthropic: Create strong empirical evaluations: bir değerlendirme kümesinin nasıl kurulacağı. (eklenme: 2026-08)
• OWASP: Top 10 for LLM Applications: dil modeli içeren uygulamalara özgü güvenlik riskleri. (eklenme: 2026-08)
• The Twelve-Factor App: ayarların ve sırların koddan ayrılması dahil, yayına alınabilir uygulamanın temel ilkeleri. (eklenme: 2026-08)