Yapay zeka çağında mühendis olmak: kod ucuzladı, yapı ucuzlamadı
Ship AI Engineer ekibi · Yayımlandı: 2026-10-05
Bir özelliği tarif edip birkaç dakika içinde çalışan kodunu almak artık sıradan bir şey. Bu hız gerçek ve geri dönmeyecek. Ondan çıkarılan sonuç ise çoğu zaman yanlış: "Kodu model yazıyorsa, mühendisliği derinlemesine bilmeye gerek kalmadı."
Gerçekte olan bunun tersi. Kod yazmak ucuzladı; neyin, nereye, hangi sınırlarla yazılacağına karar vermek ucuzlamadı. Üretim hızı arttıkça bu kararların ağırlığı da arttı, çünkü artık her karar çok daha fazla kodla çoğaltılıyor.
Hız, var olan yapıyı büyütür
Bir sistemin yapısı; verinin nasıl modellendiği, sorumlulukların nerede ayrıldığı, bir hatanın nerede yakalandığı ve kimin neye erişebildiğidir. Bu yapı doğruysa, hızlı üretilen her yeni parça yerine oturur. Yanlışsa, hızlı üretilen her yeni parça yanlışı biraz daha derine gömer.
Eskiden kötü bir yapı, yavaş büyüdüğü için yavaş acıtırdı. Bir ekip haftada birkaç özellik çıkarırken, veri modelindeki bir hata aylar içinde fark edilirdi. Bugün aynı ekip aynı hatanın üstüne bir haftada çok daha fazla kod koyabiliyor. Hata aynı hata; üstüne binen yük çok daha fazla. Yani hız, yapının kalitesine olan bağımlılığı azaltmadı, büyüttü.
Üretilen kodu değerlendirmek, yazmaktan daha zor
Bir model size bir fonksiyon verdiğinde, o fonksiyon çoğu zaman çalışır. Sorun çalışıp çalışmadığı değil; doğru şeyi, doğru sınırlar içinde yapıp yapmadığıdır. Bunu anlamak için sorulması gereken sorular modelin kendiliğinden sormadığı sorulardır:
- Bu sorgu kullanıcıdan gelen değeri doğrudan SQL'e mi ekliyor, yoksa parametre olarak mı gönderiyor?
- Bu uç nokta, isteği yapanın bu kaydın sahibi olup olmadığını kontrol ediyor mu, yoksa sadece giriş yapmış olmasına mı bakıyor?
- Bu döngü yüz kayıtta hızlı, ama yüz bin kayıtta her satır için ayrı bir veritabanı sorgusu mu atıyor?
- Bu hata yakalanıyor mu, yoksa sessizce yutulup yanlış bir varsayılan değerle mi devam ediliyor?
- Bu anahtar ortam değişkeninden mi okunuyor, yoksa koda mı yazılmış?
Bu soruların hiçbiri "kod yazmayı bilmek" değil. Hepsi bir sistemin nasıl bozulduğunu bilmek. Bir kodu yazabilen biri onu kopyalayabilir; nasıl bozulacağını bilen biri ise onu yayına alabilir. Model ilkini ucuzlattı, ikincisini değil. Gerçek projelerin bu tür kararlarla nasıl bozulduğunu arıza vakaları sayfasında adım adım görebilirsiniz.
Mühendislik tam olarak nerede duruyor?
Yazılan kodun çevresinde. Bir sistemi ayakta tutan kararların çoğu tek bir fonksiyonun içinde değil, parçaların arasındaki sınırlarda alınır.
Veri modeli. Hangi bilginin nerede ve hangi biçimde saklandığı, neyin benzersiz olduğu, bir kayıt silindiğinde ona bağlı olanlara ne olduğu. Yanlış kurulmuş bir veri modeli, üstüne yazılan her satır kodla birlikte değiştirilmesi daha pahalı hâle gelir.
Güven sınırları. Sunucunun hangi bilgiye güvendiği ve hangisine güvenmediği. Tarayıcıdan gelen her şey, kullanıcının elindedir. Bir puanı, bir fiyatı ya da bir yetkiyi istemciden alıp doğrudan kabul eden bir sistem, ne kadar hızlı yazılmış olursa olsun kırılmıştır.
Hata durumları. Bir dış servis cevap vermediğinde, bir istek iki kez geldiğinde, bir işlem yarıda kesildiğinde ne olacağı. Mutlu senaryo kodun küçük bir kısmıdır; bir sistemin kalitesi geri kalanında ölçülür.
Ölçüm. Bir değişikliğin işleri iyileştirdiğini nasıl bildiğiniz. Testler, değerlendirme kümeleri, izleme. Ölçümü olmayan bir ekip, hızlandıkça daha fazla şeyi daha az bilerek değiştirir.
İşletme. Sistemin yayında nasıl izlendiği, bir şey bozulduğunda kimin nasıl haberdar olduğu, maliyetin nasıl tutulduğu. Dil modeli içeren sistemlerde bu, fatura demektir: sınırsız bırakılmış bir uç nokta, başkasının harcadığı bir bütçedir. Mimari kararların maliyeti nasıl değiştirdiğini maliyet oyununda deneyebilirsiniz.
Derinleşmek ne demek?
Araçların ürettiğini sorgulayabilecek kadar alttaki katmanı bilmek demek.
Bir veritabanının bir sorguyu nasıl çalıştırdığını bilen biri, modelin önerdiği sorgunun neden yavaşlayacağını görür. HTTP'nin ve tarayıcının nasıl çalıştığını bilen biri, bir çerezin neden yanlış ayarlandığını fark eder. Bir dil modelinin her istekte bütün sohbeti yeniden okuduğunu bilen biri, uzun konuşmaların neden pahalılaştığını ve neden bir noktada baştaki talimatları "unuttuğunu" açıklayabilir.
Bu bilgi, eskiden iyi bir mühendisi ortalama bir mühendisten ayırıyordu. Bugün ise üreten bir araçla birlikte çalışan herkesin asgari ihtiyacı. Çünkü araç hızlıdır, kendinden emindir ve yanılabilir; onu denetleyecek tek şey sizin anlayışınızdır.
Yapay zeka araçlarını nasıl kullanmalı?
Yetenekli ama deneyimsiz bir ekip arkadaşı gibi. Hızlı yazar, çok şey bilir ve yaptığı her şeyin gözden geçirilmesi gerekir.
Pratikte bu birkaç alışkanlık demek. Yapıyı önce siz kurun: veri modelini, modüllerin sınırlarını ve neyin nerede doğrulanacağını. Sonra o yapının içindeki parçaları üretmek için aracı kullanın. Üretilen kodu, testi geçti diye değil, hangi durumda bozulacağını anladığınız için kabul edin. Ve testleri kodun kendisinden ayrı düşünün: aynı aracın aynı anda hem kodu hem de onu doğrulayan testi yazması, aynı varsayımı iki kez yazmak olabilir.
Sonuç: daha az değil, daha çok mühendislik
Kod üretiminin ucuzlaması, yazılımın ucuzladığı anlamına gelmiyor. Yazılımın pahalı kısmı hiçbir zaman tuşlara basmak değildi; neyin, neden ve hangi sınırlarla yapılacağına karar vermekti. O kısım bugün her zamankinden daha önemli, çünkü verilen her karar artık çok daha fazla kodla çoğaltılıyor.
Bu yüzden bu alana bugün girecek biri için doğru soru "yapay zeka benim yerime ne yapacak?" değil, "yapay zekanın ürettiğini değerlendirebilmem için neyi derinlemesine bilmem gerekiyor?" sorusu. Cevap, bir sistemin nasıl kurulduğu ve nasıl bozulduğu. Bu yolun hangi sırayla yürüneceğini yol haritası yazımızda anlattık; kavramların tamamını ise ücretsiz bilgi haritasında görebilirsiniz.
Kaynaklar
- OWASP: Top 10 for LLM Applications: dil modeli içeren sistemlerde güven sınırlarının nerede kırıldığı. (eklenme: 2026-10)
- Google SRE Book: Release engineering: hızlı ve sık yayına almanın hangi mühendislik disiplinine dayandığı. (eklenme: 2026-10)
- Google SRE Book: Monitoring distributed systems: yayındaki bir sistemin neyle izleneceği. (eklenme: 2026-10)
- The Twelve-Factor App: yayına alınabilir bir uygulamanın yapısal ilkeleri. (eklenme: 2026-10)
- Anthropic: Building effective agents: basit ve denetlenebilir yapıların neden karmaşık olanlardan önce gelmesi gerektiği. (eklenme: 2026-10)
Okumaya devam et
2026-10-06
AI engineer olarak takip etmeye değer kaynaklar: neyi, ne zaman okumalı?
Bu alanda her gün yeni bir yazı, yeni bir model, yeni bir araç çıkıyor ve hepsini takip etmeye çalışmak, hiçbirini öğrenmemenin en hızlı yolu. Gerçekten işe yarayan bir avuç kaynak ve her birini öğrenmenin hangi aşamasında okumanın anlamlı olduğu.
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.