AI engineer kursu seçerken sorulacak 7 soru
Ship AI Engineer ekibi · Yayımlandı: 2026-09-14
Yapay zeka mühendisliği eğitimi arayan biri bugün yüzlerce seçenekle karşılaşıyor: uzun video serileri, üniversite programları, bootcamp'ler, ücretsiz oynatma listeleri. Fiyatlar ve süreler birbirinden çok farklı, ama açıklamalar neredeyse aynı cümlelerden oluşuyor: "sıfırdan uzmanlığa", "uygulamalı", "sektörün ihtiyaç duyduğu beceriler".
Bu cümleler size hiçbir şey söylemez. Söyleyen şey müfredatın kendisidir. Bu yazı hangi kursu alacağınızı söylemiyor; herhangi bir kursun müfredatını okurken sorabileceğiniz yedi soruyu ve her soru için satın almadan önce kontrol edebileceğiniz somut işareti veriyor. Sorular bizim kendi kursumuz için de geçerli.
Kurs hangi mesleği öğretiyor?
İlk bakmanız gereken şey bu, çünkü "yapay zeka" etiketi iki ayrı mesleği kapsıyor.
Bir yanda modeli eğiten makine öğrenmesi mühendisliği var: lineer cebir, olasılık, gradyan inişi, sinir ağı eğitimi. Diğer yanda başkasının eğittiği modelin üstüne ürün kuran AI mühendisliği var: API'ler, kendi verinizle cevap verme (RAG), araç kullanan agent'lar, değerlendirme ve yayına alma. Kontrol edin: müfredatın ilk üçte birinde "türev", "kayıp fonksiyonu", "geri yayılım" gibi kelimeler mi yoksa "API", "token", "bağlam" gibi kelimeler mi geçiyor? İlki birinci mesleği öğretir. Hangi mesleği istediğinizden emin değilseniz yol haritası yazımız ikisini yan yana koyuyor.
Kursun sonunda elinizde ne olacak?
Cevap bir sertifikaysa dikkatli olun; aradığınız şey çalışan projeler.
Bu alanda işe alan kişiler bir adaya baktığında önce neyi yayına aldığını görmek ister. Kontrol edin: açıklama, bitirdiğinizde hangi projelerin elinizde olacağını tek tek sayıyor mu? Her projenin ne yaptığı, hangi beceriyi gösterdiği ve sonunda nerede durduğu (sizin GitHub hesabınızda mı, kursun platformunda mı) yazıyor mu? "Uygulamalı" kelimesi tek başına bir şey anlatmaz; proje listesi anlatır. Sertifika ise en fazla, listeyi okuyan kişiye ek bir cümledir.
Kod gerçekten çalıştırılıyor mu?
İzlediğiniz kod değil, yazdığınız ve çalıştırdığınız kod öğretir.
Videoda birinin kod yazmasını izlemek, kodu anladığınız hissini verir. O his, aynı kodu boş bir dosyaya kendiniz yazmaya çalıştığınız ana kadar sürer. Kontrol edin: her derste kendi yazacağınız bir alıştırma var mı ve bu alıştırma otomatik testlerle mi kontrol ediliyor, yoksa "videodaki kodu kopyalayın" mı deniyor? Bir de şunu sorun: kursun kendi çözümleri test ediliyor mu? Çözümü çalışmayan bir alıştırma, öğrenciye haksız yere "sende bir sorun var" dedirtir ve bu, yeni başlayan birinin bıraktığı en yaygın anlardan biridir.
Maliyeti ve hataları öğretiyor mu?
Öğretmelidir, çünkü gerçek bir AI ürününü batıran şeyler genellikle bunlardır.
Bir dil modeli her çağrıda token başına para tutar ve tek bir tasarım kararı (her mesajda bütün sohbet geçmişini göndermek, her soruda yirmi belge parçasını bağlama koymak) faturayı katlar. Sağlayıcılar yoğun saatlerde istek reddeder, model bazen beklenen biçimde cevap vermez, bir PDF bozuk metne döner. Kontrol edin: müfredatta "hız sınırı", "yeniden deneme", "zaman aşımı", "token bütçesi", "önbellek" gibi başlıklar var mı? Hiçbiri yoksa kurs size yalnızca her şeyin yolunda gittiği günü öğretiyordur. Mimari seçiminin maliyeti nasıl değiştirdiğini görmek için maliyet oyunu iyi bir başlangıç.
Değerlendirmeyi (eval) öğretiyor mu?
Bu, iyi kursu sıradan kurstan ayıran en net sorudur.
Bir AI sisteminin "çalıştığını" göstermenin tek dürüst yolu, sabit bir soru kümesiyle ölçmektir. Prompt'u değiştirdiniz: doğru cevap oranı arttı mı, azaldı mı, yoksa bir konuda artıp başka bir konuda mı düştü? Ölçüm yoksa kimse bilemez. Kontrol edin: müfredatta bir test kümesinin nasıl kurulduğu, bir modelin başka bir modelin cevabını puanlamasının (LLM-as-judge) nerede yanılttığı ve bir puanın nasıl karşılaştırılacağı anlatılıyor mu? Bu başlık hiç yoksa kurs size "bence iyi oldu" demeyi öğretiyordur.
Yayına almayı öğretiyor mu?
Öğretmelidir, çünkü demo ile ürün arasındaki fark tam olarak bu aşamadır.
Kendi bilgisayarınızda çalışan bir sohbet botu bir demodur. Ürün; kullanıcı girişi, veritabanı, kötüye kullanıma karşı hız sınırı, sırların güvenle saklanması, dağıtım ve izleme ister. Dil modeli çağıran bir uç noktayı korumasız bırakmak, faturanızı internete açmak demektir. Kontrol edin: kursun sonunda projeniz internette bir adreste mi çalışıyor, yoksa yalnızca bilgisayarınızda mı? Gerçek projelerin yayından sonra nasıl bozulduğunu görmek isterseniz arıza vakalarına bakabilirsiniz.
İçerik ne zaman güncellendi?
Bakmanız gerekir, çünkü bu alanda bir yıl önceki ders bugün yanlış olabilir.
Model adları, fiyatlar ve API ayrıntıları birkaç ayda bir değişiyor; bir parametre bir sürümde çalışırken sonraki sürümde hata dönebiliyor. Kontrol edin: eskiyebilecek bilgi (fiyat, model adı, sürüm) tarihiyle mi veriliyor ve son güncelleme tarihi görünüyor mu? Açıklamasında belirli bir model sürümünü öne çıkaran ama güncelleme tarihi göstermeyen bir kurs, büyük ihtimalle o sürümle birlikte eskimiştir.
Bu soruları bizim kursumuza da sorun
Ship AI Engineer'ı bu yedi soruya göre kurduk: ürün kuran mesleği öğretiyor, her modül bitmiş bir projeyle bitiyor, alıştırmalar tarayıcıda çalışıp testlerle kontrol ediliyor ve kendi çözümlerimiz de her değişiklikte otomatik olarak test ediliyor. Eskiyebilecek bilgiyi tarihiyle veriyoruz. Ama bunu bizim söylememiz yetmez; satış sayfasındaki müfredatı yukarıdaki sorularla kendiniz kontrol edin. Ücretsiz bilgi haritası da müfredatın kapsadığı kavramları kaydolmadan gösteriyor.
Kaynaklar
- Hugging Face: Evaluation Guidebook: dil modeli değerlendirmesinin pratik rehberi, LLM-as-judge'ın sınırları dahil. (eklenme: 2026-09)
- Anthropic: Create strong empirical evaluations: bir test kümesinin nasıl tasarlanacağı. (eklenme: 2026-09)
- OWASP: Top 10 for LLM Applications: bir kursun güvenlik bölümünde ele alması gereken riskler. (eklenme: 2026-09)
- Google SRE Book: Monitoring distributed systems: yayındaki bir sistemin neyle izleneceğine dair temel metin. (eklenme: 2026-09)
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.
2026-10-05
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.
2026-09-09
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.