Yapay zeka mühendisi: şemsiye unvanın altındaki uzmanlık kolları ve doğru başlangıç

Yapay zeka mühendisi nedir?

Yapay zeka mühendisi, veriden öğrenen ya da hazır modelleri kullanan sistemleri çalışan bir ürüne veya iş sürecine dönüştüren mühendistir. Kullandığı yöntem problemin türüne göre değişir: bir talep tahmini tablo verisiyle eğitilen bir modelle, bir kalite muayenesi görüntü modeliyle, bir belge asistanı ise büyük dil modeliyle çözülür.

Bu yüzden unvan tek başına iş tanımını anlatmaz. Bir şirketteki yapay zeka mühendisi kusur tespit kamerasının modelini geliştirirken bir başkasındaki aynı unvanlı kişi müşteri hizmetleri asistanı kurar. Büyük dil modelleri üzerine uygulama geliştirme, bu şemsiyenin altındaki kollardan biridir ve kendi uzmanlık adıyla LLM mühendisliği olarak anılır.

Uzmanlık kolları ve çözdükleri problemler

İlanlarda aynı unvanla görünen işler, veri türüne ve çıktıya göre birkaç kola ayrılır:

• Tahmine dayalı modeller: tablo ve zaman serisi verisiyle talep, müşteri kaybı, risk ya da arıza tahmini.
• Bilgisayarlı görü: görüntü ve videoyla kusur tespiti, nesne algılama, sayım ve takip.
• Dil modelleri: belge işleme, soru yanıtlayan asistanlar, metin sınıflandırma ve özetleme.
• Ajan sistemleri: araç kullanan, çok adımlı görevi kendi planlayan uygulamalar.
• MLOps ve model altyapısı: modellerin sürümlenmesi, yayına alınması ve canlıda izlenmesi.

Küçük ekiplerde bir kişi birkaç kolu birlikte yürütür; büyük ekiplerde ise her kolun ayrı uzmanı olur. İlana başvurmadan önce hangi kolun arandığını görev tanımından okumak, unvana bakmaktan daha güvenilirdir.

Her kolda tekrar eden iş döngüsü

Kol ne olursa olsun yapay zeka mühendisinin işi aynı döngüde ilerler. Önce iş problemi ölçülebilir bir model görevine çevrilir: neyi tahmin edeceğiz, hangi hata daha pahalı? Ardından veri toplanır, temizlenir ve etiketlenir. Model eğitilir ya da hazır bir model uyarlanır, iş birimiyle birlikte seçilen bir ölçütle değerlendirilir ve canlıya alınır.

Döngü canlıya almakla bitmez. Gerçek dünyadaki veri değiştikçe modelin başarısı düşer; mühendis bunu izler, yeni veriyle modeli günceller ve gerekirse problemi yeniden tanımlar. Bu yüzden işin önemli kısmı model yazmak değil, veriyi ve değerlendirmeyi doğru kurmaktır.

Bir iş gününden örnek: görüntüyle kalite kontrol

Örneğin bir ambalaj fabrikasında, hattaki kamera görüntülerinden kusurlu ürünü ayıran modelden sorumlu bir yapay zeka mühendisini düşünelim. Sabah kalite ekibinden bir uyarı gelir: gece vardiyasında model sağlam ürünleri kusurlu diye ayırmaya başlamıştır. Mühendis işaretlenen görüntülere bakar ve hattaki aydınlatmanın değiştiğini görür; model bu ışık koşulunu eğitimde hiç görmemiştir.

Yeni koşuldan görüntü toplatır, kalite uzmanıyla birlikte etiketler ve modeli bu veriyle yeniden eğitir. Sonra kalite müdürüyle eşiği konuşur: kaçan kusurun maliyeti mi, gereksiz yere ayrılan sağlam ürünün maliyeti mi daha yüksek? Eşik bu karara göre ayarlanır. Gün sonunda benzer bir ışık değişikliğini erkenden yakalamak için canlı görüntülerin dağılımını izleyen bir uyarı ekler. Günün hiçbir anında yeni bir model mimarisi icat edilmez; iş, veriyi ve kararı doğru kurmaktır.

Hangi koldan başlamalı?

Başlangıç kolunu ilgi kadar mevcut geçmiş belirler, çünkü her kolun kendine yakın bir giriş kapısı vardır. İstatistik ve analitik geçmişi olan biri tahmine dayalı modellerde hızlı ilerler. Yazılım geliştirici, dil modeli uygulamalarında ve ajan sistemlerinde mevcut becerisini doğrudan kullanır. Görüntü ya da sensör verisinin yoğun olduğu bir sektörde çalışan mühendis için bilgisayarlı görü doğal bir alandır. Altyapı ve DevOps geçmişi ise MLOps'a köprüdür.

Hangi kol seçilirse seçilsin, ortak zemin olarak bir kolda derinleşip diğerlerini tanıyacak kadar bilmek (yatayda geniş, dikeyde derin bir profil) işverenler tarafından aranan bir kombinasyondur.

Tüm kolların ortak temeli

Kollar ayrışmadan önce herkesin üzerinde durduğu bir zemin vardır:

• Programlama: Python, veri işleme kütüphaneleri, sürüm kontrolü ve test.
• Matematik sezgisi: olasılık, istatistik ve doğrusal cebirin modelin davranışını yorumlamaya yetecek düzeyi.
• Makine öğrenmesi temelleri: denetimli ve denetimsiz öğrenme, eğitim ve doğrulama ayrımı, aşırı öğrenme, değerlendirme ölçütleri.
• Veri becerisi: eksik ve dengesiz veriyle çalışmak, etiket kalitesini sorgulamak.
• Üretime alma: bir modeli servis olarak sunmak ve canlıda izlemek.

Bu zemin oturduktan sonra seçilen kolda uçtan uca bir proje bitirmek ve modelin nerede başarısız olduğunu belgeleyen bir değerlendirme yazmak, portföyde en ikna edici kanıttır.

Yakın rollerle sınır

Makine öğrenmesi mühendisi, modeli eğitme ve üretime taşıma işinde uzmanlaşmış bir roldür; birçok şirkette yapay zeka mühendisiyle iç içe kullanılır. LLM mühendisi ve bilgisayarlı görü mühendisi ise şemsiyenin altındaki tek bir kolda derinleşmiş uzmanlardır.

Veri bilimci veriden içgörü ve karar desteği üretmeye, yapay zeka çözüm mimarı ise veri platformu, altyapı ve güvenlik gibi kurum çapındaki mimari kararlara odaklanır. Yapay zeka mühendisi bu mimarinin içinde çalışan modeli ve uygulamayı inşa eder.

Bu rolün becerileri Mindset programlarında nerede çalışılır?

Dil modeli ve ajan kolu için Retrieval-Augmented Generation (RAG) Sistemleri, Anthropic Claude API ile Uygulama Geliştirme ve Agentic Workflows Mimarisi eğitimleri belge işleme, araç kullanımı, iş akışı tasarım desenleri ve üretimde izleme konularını işler. Kollar üstü mimari bakış için Yapay Zeka Çözüm Mimarı Programı veri platformu, büyük dil modeli altyapısı ve güvenlik mimarisini kapsar.

Tahmine dayalı modeller kolunda Makine Öğrenmesi (Uygulamalı) Programı veri ön işlemeden modeli üretime taşımaya kadar ilerler; görüntü kolunda ise Bilgisayarlı Görü (Computer Vision) Programı nesne algılama, segmentasyon ve üretime alma modüllerini içerir.