AI engineer olarak takip etmeye değer kaynaklar: neyi, ne zaman okumalı?
Ship AI Engineer ekibi · Yayımlandı: 2026-10-06
Yapay zeka mühendisliği öğrenmeye başlayan birinin ilk karşılaştığı sorun bilgi eksikliği değil, bilgi fazlalığıdır. Her gün yeni bir model duyurusu, yeni bir araç, "her şeyi değiştiren" yeni bir teknik çıkar. Hepsini takip etmeye çalışmak yoğun bir uğraş gibi hissettirir ama çoğu zaman tek bir şeyi bile derinlemesine öğrenmeden haftaların geçmesiyle sonuçlanır.
Bu yazı uzun bir liste değil. Gerçekten işe yarayan bir avuç kaynak ve her birinin öğrenmenin hangi aşamasında okunduğunda en çok değer kattığı. Hiçbiriyle bir bağımız yok; seçme ölçütümüz basitti: yazarları bu sistemleri gerçekten kuruyor ya da ölçüyor ve yazdıkları, bir yıl sonra da okumaya değer.
Kavramları oturturken
İlk aşamada amaç, sonradan her şeyin üstüne kurulacağı zihinsel modeli sağlam kurmaktır. Bu kaynaklar en çok burada işe yarar.
StatQuest. İstatistik ve makine öğrenmesi kavramlarını sade ama sağlam biçimde anlatır. Değerlendirme yapmaya başladığınızda karşınıza çıkacak precision, recall ve ortalamanın gizledikleri gibi konular için idealdir. Matematiğin ne kadar gerektiğini merak ediyorsanız bu yazımıza da bakabilirsiniz.
Seeing Theory. Olasılık ve istatistiği etkileşimli görsellerle anlatan ücretsiz bir kaynak. Bir dil modelinin neden olasılıklarla çalıştığını sezgisel olarak kavramak için kısa ama etkili bir yol.
Uygulama yaparken
İlk projelerinizi kurmaya başladığınızda ihtiyacınız olan şey, aynı sorunlarla karşılaşmış insanların ne yaptığını görmektir.
Simon Willison. Dil modelleriyle her gün deney yapan ve sonuçlarını açıkça yazan bir geliştirici. Özellikle prompt injection konusunda uzun süredir en tutarlı kaynaklardan biridir; kavramın adını koyan da odur. Düzenli ama kısa aralıklarla okunacak bir blogdur. Bu konunun temellerini güvenlik yazımızda anlattık.
Eugene Yan. Arama, öneri sistemleri ve dil modeli uygulamaları üzerine, ölçüme dayalı ve pratik yazılar. Değerlendirme, RAG ve önbellek gibi tekrar eden mimari desenleri derleyen yazıları, bir sistemi tasarlarken başvuru kaynağı olarak tutmaya değer.
Hamel Husain. Dil modeli değerlendirmesi ve AI ürünleri üzerine, uygulayıcı gözünden yazılar. Değerlendirmenin neden ürünün merkezinde olması gerektiğini en ikna edici anlatanlardan biridir. İlk test kümesini nasıl kuracağınızı değerlendirme yazımızda anlattık.
Ürünü yayına alırken
Bir demo ile gerçek kullanıcılara hizmet veren bir sistem arasındaki fark, bu aşamada belirginleşir.
Chip Huyen. Üretimdeki AI sistemleri, değerlendirme ve bir AI uygulamasının bileşenlerinin nasıl bir araya geldiği üzerine kapsamlı yazılar. Basit bir model çağrısından tam bir platforma doğru adım adım ilerleyen yazısı, yayına almaya hazırlanırken neyin eksik olduğunu görmek için iyi bir kontrol listesi gibi okunabilir.
Derinleşmek istediğinizde
Temel bir ürünü kurduktan sonra, bazı konuların arkasındaki araştırmayı merak etmeye başlarsınız. Bu kaynaklar o merak için.
Lilian Weng. Agent'lar, halüsinasyon, pekiştirmeli öğrenme ve difüzyon modelleri gibi konularda, araştırmaları derleyen uzun ve kapsamlı yazılar. Her biri bir konunun haritası gibidir; bir oturuşta değil, o konuyla gerçekten uğraşırken okunmalıdır.
Sebastian Raschka: Ahead of AI. Model mimarilerini, fine-tuning yöntemlerini ve araştırma gündemini anlaşılır biçimde takip etmek için. LoRA ayarlarının sonuca etkisini ölçen deneyleri, fine-tuning'e karar vermeden önce okunmaya değer.
The Gradient. AI araştırmaları, fikir yazıları ve teknik analizler. Gündelik işin dışında, alanın nereye gittiğine dair daha geniş bir bakış isteyenler için.
Bu kaynaklar nasıl okunmalı?
Hepsini aynı anda takip etmeye çalışmayın. Öğrenmenin bulunduğunuz aşamasına uyan bir iki kaynak seçin ve okuduğunuzu bir projeye uygulayın. Bir yazıyı okuyup kapatmak yerine, anlattığı bir şeyi kendi kodunuzda denemek, onu gerçekten öğrenmenin tek yoludur. Okumak bilgi verir; uygulamak beceri. Hangi konuların hangi sırayla öğrenileceğini yol haritası yazımızda, kavramların tamamını ise ücretsiz bilgi haritasında görebilirsiniz.
Okumaya devam et
2026-10-05
Yapay zeka çağında mühendis olmak: kod ucuzladı, yapı ucuzlamadı
Kod yazmak hiç bu kadar hızlı olmamıştı. Ama hızlı üretilen kod, altındaki yapı neyse onu büyütür. Neden mühendislik bugün daha az değil daha çok gerekiyor ve neyde derinleşmek gerekiyor.
2026-10-02
Bir AI uygulamasını yayına almak: maliyet tavanı, önbellek, izleme ve model değişikliği
Sıradan bir web uygulamasında her istek aşağı yukarı aynı maliyettedir. Dil modeli içeren bir uygulamada değildir. Yayına alırken maliyeti sınırlamak, önbelleği güvenle kullanmak, doğru şeyleri izlemek ve sağlayıcı bir modeli emekliye ayırdığında hazırlıklı olmak.
2026-09-30
AI engineer portföyü: işe alımda işe yarayan bir proje neye benzer?
Bir sohbet botu demosu artık kimseyi etkilemiyor. Bir AI projesini inandırıcı yapan altı işaret, her biri farklı bir beceriyi gösteren beş proje fikri ve projeyi iki dakikada okutan bir README.
2026-09-27
Prompt injection ve kötüye kullanım: bir AI uygulamasında sunucu neden tek doğruluk kaynağıdır?
Bir dil modeli içeren uygulama, sıradan bir web uygulamasının bütün güvenlik sorunlarını taşır ve yenilerini ekler. Prompt injection'ın neden tamamen önlenemediği, zararın nasıl sınırlandığı, uç noktanın korunması ve modelin çıktısına neden güvenilmediği.
2026-09-23
Bir LLM uygulaması için ilk test kümenizi kurmak: değerlendirme (eval) rehberi
Prompt'u değiştirdiniz ve cevaplar daha iyi görünüyor. Gerçekten mi? İlk test kümesini kurmak, taban çizgisi almak, ortalamanın gizlediğini görmek, bir modelin başka bir modeli puanlamasının sınırları ve yayındaki sistemi izlemek.
2026-09-19
Fine-tuning ne zaman yapılır, ne zaman zaman kaybıdır?
Bir modeli kendi verinizle eğitmek çekici bir fikir. Çoğu zaman yanlış araç. Fine-tuning'in neyi öğrettiği ve neyi öğretmediği, prompt ve RAG ile karşılaştırması, veri kalitesi, sızıntı, LoRA ve açık modellerde lisans.
2026-09-14
AI engineer kursu seçerken sorulacak 7 soru
Bir yapay zeka mühendisliği eğitimine para ve aylar vermeden önce sorulması gereken yedi soru. Her birinin kısa cevabı ve satın almadan önce müfredatta kontrol edebileceğiniz somut işaret.
2026-09-09
Görsel ve ses girdili yapay zeka: testte görünmeyen maliyetler ve hatalar
Bir fotoğrafı ya da ses kaydını modele vermek, metin göndermekle aynı şey değil. İstek boyutu, okunamayan görseller, sessizlikte uydurulan cümleler, saniyeler süren üretim ve her turda yeniden ödenen bir görsel.
2026-09-04
Agent'a ne zaman ihtiyacınız yoktur? Araç kullanan bir sistemi güvenle kurmak ve durdurmak
"Agent" bugün en çok istenen ve en kolay yanlış kurulan şey. Sabit bir iş akışıyla agent arasındaki fark, araç tanımlarının neden kritik olduğu, döngüyü durdurmanın yolları ve geri alınamayan işlemleri korumak.
2026-08-31
RAG neden yanlış cevap verir? Hataların çoğu modelde değil, getirmede
Belgelerinizle cevap veren bir sistem yanlış söylediğinde ilk şüphelenilen model olur. Çoğu zaman suçlu, modele verilen parçadır. Hatanın yerini bulmak, uydurmayı sınırlamak, kaynak göstermek ve doğru ölçmek.
2026-08-26
Yapay zeka mühendisi nasıl olunur? Model eğitmeden, ürün kurarak bir yol haritası
Arama sonuçlarındaki yol haritalarının çoğu başka bir mesleği tarif ediyor. Bugün işe alınan AI engineer'ın gerçekten ne bildiği, hangi sırayla öğrenildiği ve her aşamanın neyle "bitti" sayıldığı.
2026-08-21
Vektör veritabanına gerçekten ne zaman ihtiyacınız var? Embedding'ler üzerine pratik bir rehber
Anlamsal arama kurmaya karar verenlerin ilk adımı genellikle bir vektör veritabanı seçmek oluyor. Çoğu zaman erken bir adım. Embedding'in ne olduğu, benzerlik puanının neyi söylemediği ve veritabanına geçmenin gerçek sebepleri.
2026-08-17
Prompt'u kod gibi yönetmek: sürüm, şablon, şema ve test
Sohbet penceresinde işe yarayan prompt, bir uygulamanın içinde sessizce bozulur. Prompt'u depoda tutmak, kullanıcı girdisini talimattan ayırmak, cevabı şemayla doğrulamak ve bir değişikliği ölçerek yayına almak.
2026-08-12
LLM API'leri ilk gerçek trafikte neden bozulur? Hız sınırı, yeniden deneme ve zaman aşımı
Geliştirirken hiç görmediğiniz üç hata, ilk yoğun saatte aynı anda gelir. 429 ile 5xx'i ayırmak, doğru yeniden deneme, zaman aşımı ve sağlayıcı çöktüğünde ürünün ayakta kalması.
2026-08-07
AI engineer olmak için matematik gerekli mi?
İnsanları daha başlamadan durduran altı sorunun dürüst cevabı: matematik, diploma, makine öğrenmesi, Python, donanım ve para. Önce kısa cevap, sonra gerekçe.
2026-08-07
AI engineer, makine öğrenmesi mühendisi değildir
"Yapay zeka mühendisi nasıl olunur" diye arayın; ilk sayfa size lineer cebir, CNN ve eğitim döngüsü öğretir. O başka bir meslek. İşin gerçekte ne olduğu ve neyi atlayabileceğiniz.