Yapay zeka mühendisliği şu anda teknoloji sektöründeki en iyi ücretli ve en hızlı büyüyen işlerden biri. Ve bu işe giden kapı, şimdiye kadar olduğundan daha da genişledi.
Çoğu rehber bu işi yanlış anlıyor. Size bir duvar gibi teori sunuyor, lineer cebir ve sinir ağı matematiğinde ustalaşmanızı söylüyor ve sizi ikinci haftada kaybediyorlar.
Ya da sizi hiçbir sıralama ve karar olmadan 80 bağlantıya boğuyorlar, böylece çalışmaya karar vermek, asıl çalışmaktan daha fazla zamanınızı alıyor.
Popüler yol haritalarını okudum, önerdikleri araçları test ettim ve kariyer değiştiren ve gerçek işleri olan bir arkadaşıma vereceğim versiyonu oluşturdum.
Matematik diploması yok. 4 yıllık bir plan yok.
Dört odaklı ay, her beceri için net bir seçim, kopyalayabileceğiniz gerçek komutlar ve çoğu kariyer değişikliğini daha başlamadan sessizce öldüren hatalar.
İşte zamanlamanın neden önemli olduğu ve ardından tam yol.
Kapı neden açık (ve bunu kanıtlayabilirim)
Muhtemelen size yapay zekanın işleri elimizden alacağı söylendi.
İşte daha az duyurulan kısım: Yapay zeka, piyasadaki neredeyse her şeyden daha hızlı bir şekilde belirli, iyi ücretli bir iş kategorisi yaratıyor ve olağan bekçi ortadan kalkıyor.
PwC'nin 2026 Küresel Yapay Zeka İşleri Barometresi, altı kıtada bir milyardan fazla iş ilanını analiz etti. Kariyer değiştirmeyi düşünen herkes için önemli olan üç bulgu var.
Birincisi, yapay zeka becerileri gerektiren işler, genel pazardan yaklaşık sekiz kat daha hızlı büyüyor. Yapay zeka becerisi gerektiren roller %69 büyürken, toplam iş piyasası %9 büyüdü.
Bu bir yuvarlama hatası değil. Bu, etrafındaki her şeyden sıyrılan bir kategori.
İkincisi, ücret primi gerçek ve artıyor. Yapay zeka becerilerine sahip çalışanlar, benzer rollerde olmayanlara kıyasla %62'lik bir ücret primi alıyor; bu oran bir önceki yıl %57 idi.
Şirketler, bu araçlarla gerçekten ürün geliştirebilen insanlara daha az değil, daha fazla ödüyor.
Üçüncüsü ve kariyer değiştirenler için matematiği değiştiren şey bu: diploma şartı düşüyor ve en hızlı düşüş tam da bu rollerde yaşanıyor.
PwC, yapay zeka ile güçlendirilmiş işlerde diploma gerektirenlerin payının 2019 ile 2024 arasında %66'dan %59'a düştüğünü buldu.
Yapay zekanın işin bir kısmını otomatikleştirdiği işlerde bu oran daha da düştü: %53'ten %44'e. İşverenler, yapay zekaya maruz kalan işlerde kimlik bilgisi filtresini başka her yerden daha hızlı düşürüyor.
Üzerinde durulması gereken bir rakam daha var. ABD'de, yapay zekaya en çok maruz kalan giriş seviyesi roller 2019'dan bu yana %35 arttı.
Aynı dönemde, diğer giriş seviyesi roller %10 azaldı. Yapay zeka merdiveninin en alt basamağı genişlerken, giriş seviyesi pazarının geri kalanı küçülüyor.
Şimdi dürüst karşı ağırlık, çünkü size bir hayal satmak için burada değilim.
PwC ayrıca, yapay zekaya maruz kalan giriş seviyesi rollerin giderek daha fazla, eskiden kıdemli kişilere ayrılmış beceriler istediğini buldu: muhakeme, iletişim, bir görev yerine bir sonucu sahiplenme yeteneği.
Çıta her yerde düşmedi. Yer değiştirdi. Artık daha çok "Kimlik bilgisine sahip misin?" yerine "Bunu gerçekten çalıştırabilir misin ve neden çalıştığını açıklayabilir misin?" sorusu soruluyor.
İş geçmişi olmayan yeni bir mezunsanız bunu kötü haber olarak okuyun. Başka bir kariyerden geçiş yapıyorsanız iyi haber olarak okuyun, çünkü şimdi sordukları şeye zaten sahipsiniz.
Bir şeyler teslim ettiniz. Paydaşlarla uğraştınız. Baskı altında sonuçların sorumluluğunu üstlendiniz.
22 yaşında bir bilgisayar mühendisliği mezunu genellikle bunu yapmamıştır. Mevcut muhakeme yeteneğinizi bu kılavuzdaki teknik becerilerle birleştirirseniz, yeni mezunların gerisinde değilsiniz.
İşverenlerin en çok önemsediği eksende, onların önündesiniz.
Bu, kariyer değiştirenin avantajıdır ve neredeyse hiçbir yol haritası size bundan bahsetmez. Bunu dört ay boyunca cebinizde saklayın. Bu planın özellikle sizin için gerçekçi olmasının nedeni budur.
Para konusunda kısa bir not, çünkü dört ayınızı ayırmadan önce gerçek rakamları bilmek isteyeceksiniz.
Sonunda kaynaklarıyla birlikte tam dökümü vereceğim, ancak kısa versiyonu: 2026 ortası itibarıyla Glassdoor, ABD'deki ortalama yapay zeka mühendisi maaşını yaklaşık 143.500 dolar olarak belirtiyor ve tipik aralık kabaca 115.000 ila 181.000 dolar arasında.
Kıdemli roller çok daha yüksek. Üretim yapay zeka işlerine yerleştirme yapan işe alım uzmanları, orta düzey taban maaşlarının 155.000 ila 200.000 dolar arasında kümelenme eğiliminde olduğunu bildiriyor.
Bunlar, abartılı bir başlıktan alınmış abartılı rakamlar değil. Güncel ve size her birinin nereden geldiğini göstereceğim.
Bir yapay zeka mühendisi aslında ne yapar (60 saniyelik versiyon)
Plandan önce, en büyük gözdağı kaynağını ortadan kaldıralım, çünkü bu, herhangi bir teknik engelden daha fazla insanı durduruyor.
Çoğu insan "yapay zeka mühendisi" duyduğunda, GPU'lar ve asla anlayamayacakları matematikle çevrili, dev bir modeli sıfırdan eğiten bir laboratuvardaki birini hayal eder.
Bu farklı bir iş. Buna araştırma bilimcisi veya ML araştırmacısı denir, nispeten az sayıda vardır ve genellikle ileri dereceler gerektirir.
Pazardan sekiz kat daha hızlı büyüyen yapay zeka mühendisi işi tamamen farklı bir şeydir.
Zaten var olan modellerin üzerine ürünler ve özellikler inşa edersiniz. Claude'u, GPT'yi veya açık kaynaklı bir modeli alır ve onu gerçek bir uygulama içinde belirli, güvenilir bir iş yapacak hale getirirsiniz.
Pratikte bu, model API'lerine bağlanmak, beslediğiniz komutları ve bağlamı tasarlamak, yapılandırılmış verileri geri almak, modeli araçlara ve veritabanlarına bağlamak, doğru bilgiyi almasını sağlamak, yanlış gidebilecek her şeyi halletmek ve gerçek insanların kullanabilmesi için dağıtmak anlamına gelir.
Yazılım mühendisliği, ürün çalışmaları ve uygulamalı yapay zeka arasında bir yerde durur. Siz bir araştırmacı değil, bir geliştiricisiniz.
Kullanacağım tek satırlık test burada. Bir LLM'yi bir uygulama içinde güvenilir bir şekilde belirli bir işi yapacak hale getirebiliyorsanız ve bozulduğunda düzeltmek için yeterince anlıyorsanız, siz bir yapay zeka mühendisisiniz. Olay bundan ibaret.
Bu kılavuzdaki her şey, bu cümlenin sizin için doğru olmasını sağlamayı amaçlıyor.
Bir transformatörün dahili olarak nasıl çalıştığını bilmenize gerek yok. Kalkülüse ihtiyacınız yok. Geri yayılımı türetebilmeniz gerekmiyor.
Bu modellerle gerçek dünyada nasıl çalışılacağını anlayan yetkin bir geliştirici olmanız gerekiyor.
Bu öğrenilebilir bir beceridir ve dört odaklı ay, bu konuda işlevsel hale gelmek için yeterlidir.
1. Aydan önce bunu okuyun: Kariyer değişikliklerini öldüren 4 hata
Bunu bilerek yol haritasından önce koyuyorum.
Çoğu rehber hataları sona gömer, ancak bir kariyer değişikliğini bitiren hatalar üçüncü ayda değil, ikinci haftada olur. Bu kılavuzun yalnızca bir bölümünü hatırlayacaksanız, bu bölüm olsun.
İnsanların, benim daha eski bir versiyonum da dahil olmak üzere, bunların her birini yaptığını izledim. Hiçbiri zekayla ilgili değil.
Stratejiyle ilgili. Stratejiyi düzeltin ve dört ay gerçekten işe yarar.
Hata 1: Teori ve matematikle başlamak.
Heyecanlanırsınız, bunu doğru yapmak istersiniz, bu yüzden bir makine öğrenimi kursu bulur ve lineer cebir, gradyan inişi ve sinir ağlarının arkasındaki matematikle başlarsınız.
Üç hafta sonra bir sürü ders izlemişsinizdir, hiçbir şey inşa edemezsiniz ve kendinizi sahtekar gibi hissedersiniz. Ve pes edersiniz.
Çözüm: atlayın. Hedeflediğiniz iş için matematiği türetmenize gerek yok.
İnşa etmeniz gerekiyor.
Aslında ihtiyacınız olan kavramları, gerçek projelerde onlarla karşılaştıkça öğreneceksiniz ve inşa ettiğiniz bir şeye bağlı oldukları için akılda kalacaklar.
Önce teori, akıllı insanların bu işten vazgeçmesinin en yaygın nedenidir. Oradan başlamayın.
Hata 2: İnşa etmek yerine eğitim izlemek.
Bu sinsi bir hatadır çünkü ilerleme kaydediyormuş gibi hissettirir. Dört saatlik bir Python kursu izler, kafanızı sallar, bir şey öğrendiğinizi hissedersiniz. Öğrenmediniz.
Başka birinin bir şey öğrenmesini izlediniz. Boş bir dosya açtığınız an, hiçbiri orada olmaz.
Çözüm: 30 dakika kuralı. İzleyerek veya okuyarak geçirdiğiniz her saat için, en az 30 dakikayı hiçbir eğitim açık olmadan bir şey inşa ederek geçirin.
Örnekleri kendiniz yazın. Onları bozun. Değiştirin. Hatalar alın ve düzeltin. Hatalar öğrenmedir.
Dört ay boyunca kötü inşa eden bir kişi, dört ay boyunca mükemmel izleyen bir kişiyi her seferinde yener.
İşverenler, GitHub'ınıza on saniye bakarak farkı görebilir.
Hata 3: Beceriler yerine araçları öğrenmek.
LangChain'in olay olduğunu duyarsınız, bu yüzden LangChain'e derinlemesine dalarsınız.
Altı ay sonra alan değişmiş, herkes başka bir şeye geçmiş ve LangChain bilginiz boşa gitmiş gibi hisseder. Yani yeni aracın peşinden koşarsınız.
Sonra o da değişir. Her zaman geride kalırsınız çünkü yanlış katman için optimize ediyorsunuz.
Çözüm: aracın altındaki beceriyi öğrenin. Güvenilir çıktı üreten bir komut yazma becerisi, bir çerçeve güncellendiğinde geçerliliğini kaybetmez.
Bir modelden yapılandırılmış veri alma, sisteminizin gerçekten çalışıp çalışmadığını değerlendirme veya bir görevin bir aracı mı yoksa tek bir çağrı mı gerektirdiğine karar verme becerisi, var olacak her araca aktarılabilir.
Araçları, becerileri uygulamanın bir yolu olarak öğrenin, amaç olarak değil. Bu kılavuz tam da bu nedenle beceriler etrafında düzenlenmiştir.
Hata 4: Kendinizi hazır hissedene kadar herkese açık şekilde inşa etmeyi beklemek.
Çalışmalarınızı paylaşmaya, rollere başvurmaya veya serbest hizmetler sunmaya "hazır" olduğunuzda başlayacağınıza karar verirsiniz.
Asla hazır hissetmeyeceksiniz. Hazır olma hissi, başlamadan önce değil, başladıktan sonra gelir.
Bu arada, işe alınan ve müşteri bulan kişiler, kendilerini nitelikli hissetmeden aylar önce kaba çalışmalarını paylaşmaya başlayanlardır.
Çözüm: 1. ayda herkese açık şekilde inşa etmeye başlayın. Yaptığınız küçük şeyi yayınlayın. Öğrendiklerinizi yazın.
Bitirdiğiniz gün her projeyi GitHub'a koyun, çirkin olanları bile.
"Öğreniyorum" ile "Görünür şekilde inşa ediyorum" arasındaki boşluk, çoğu kariyer değiştirenin bir yıl boyunca takılıp kaldığı yerdir. Bunu erken kapatın.
Kimse ilk çalışmalarınızın sizi utandırması için yeterince yakından izlemiyor ve birikim, başladığınız gün başlar.
Bu dördünü yol boyunca göz önünde bulundurun.
Aşağıdaki yol haritası, varsayılan olarak bunların hepsinden kaçınacak şekilde tasarlanmıştır: beceri-ilk, inşa-ilk, araçtan bağımsız, birinci günden itibaren herkese açık.
1. Ay: Python ve temel yapı
Bu ayki hedefiniz: Bir API'yi çağırabilen, küçük bir projeyi yönetebilen ve temel sözdizimi için Google'a bakmayı bırakan, işlevsel bir Python geliştiricisi olmak.
Uzman değil. İşlevsel.
- ila 4. aylardaki her şey, temiz Python yazabildiğinizi ve bir terminalde çalışabildiğinizi varsayar. Bu temeldir ve acele etmek size daha sonra zarar verecektir.
Başlamadan önce içselleştirmeniz gereken şey şudur: Yapay zeka mühendisliği önce yazılım mühendisliğidir. Yapay zeka kısmı, normal bir yazılım yığınının üzerinde durur.
Alttaki yığın sallantılıysa, yapay zeka kısmı asla güvenilir olmaz. Bu nedenle 1. ay, temel bilgilerde yolunuza çıkmayı bırakacak kadar rahat olmakla ilgilidir.
Size beceri başına bir birincil seçim vereceğim ve nedenine dair net bir karar vereceğim. Size bilerek konu başına beş seçenek sunmuyorum. Seçim, ivmenin düşmanıdır.
İşaret ettiğim seçeneği seçin ve yalnızca sizin için gerçekten işe yaramıyorsa başka bir yola sapın.
Python
Python, bu alanın tamamının dilidir. Önümüzdeki dört ay boyunca dokunacağınız neredeyse her kütüphane, API, eğitim ve iş Python'dadır. Bunu öğrenirsiniz ve diğer her şey kolaylaşır.
Benim seçimim: CS50P, Harvard'ın Python ile Programlamaya Giriş kursu. Ücretsiz, titiz ve sizi başka birinin çözmesini izlemek yerine sorunları gerçekten çözmeye zorlar.
Problem setleri tüm değerdir. Nazik bir YouTube kursundan daha zorludur ve amaç da budur.
Sizi biraz zorlayan versiyonu istersiniz, çünkü beceri mücadelede şekillenir.
Adresinde bulabilirsiniz cs50.harvard.edu/python.
CS50P mutlak bir başlangıç seviyesi için çok dik geliyorsa, YouTube'daki freeCodeCamp Python kursu daha yumuşak bir giriş noktasıdır, ancak bunu bir ısınma olarak kabul edin, ana olay olarak değil.
Boş bir dosyadan korkmadığınızda CS50P'ye geri dönün.
Kabaca sırayla gerçekten odaklanmanız gerekenler: değişkenler ve veri türleri, döngüler ve koşullar, işlevler, ardından koleksiyon türleri (listeler, sözlükler, kümeler, demetler).
Ardından dosya işleme ve AI API'leriyle sürekli kullanacağınız JSON okuma ve yazma.
Ardından, diğer insanların kodlarını panik yapmadan okuyabilmek için yeterli sınıf ve nesne yönelimli temel bilgiler.
Ardından try ve except ile hata yönetimi.
Son olarak, sisteminizi bozmadan paketler kurabilmeniz için sanal ortamlar ve pip.
Bunların hiçbirini ezberlemeye çalışmayın. Hızlıca bakmak için yeterince iyi anlayın ve yerleşene kadar onunla inşa edin.
Python için 1. Ay inşa hedefiniz: gerçek bir şey yapan küçük bir komut satırı aracı.
Bir JSON dosyasına okuyup yazan bir gider takipçisi iyi bir örnektir. Veya ücretsiz bir genel API'yi çağıran ve sonuçları temiz bir formatta yazdıran bir betik.
Kendi kodunuzdan belki 60 ila 100 satırlık bir şey.
Çirkin olması önemli değil. Önemli olan onu sizin yazmış olmanız.
İlk günden itibaren yapay zeka ile öğrenme
Eski yol haritalarının yapmadığı bir şeyi burada yapardım: birinci haftadan itibaren yapay zekayı yapay zekayı öğrenmek için kullanın.
Şimdiye kadar yapılmış en iyi sabırlı öğretmene erişiminiz var ve ücretsiz katmanlarda size hiçbir maliyeti yok. Anlamadığınız bir hatayla karşılaştığınızda, bir forumda 40 dakika harcamayın.
Claude veya ChatGPT'ye yapıştırın ve hatayı basit İngilizceyle açıklamasını ve size cevabı doğrudan vermeden düzeltmeye yönlendirmesini isteyin.
İşte ilk gün kuracağınız kopyala-yapıştır bir komut. Kaydedin.
Bu, bu kılavuzda yer imlerine eklemeye değer birkaç yapıdan ilkidir.
Komut: Python öğrenme ortağınız
(Çerçeve: FAG Öğrenme Ortağı, AI Rehberleri tarafından)
1Göreviniz: Bir kariyer değiştirici olarak kodlamayı öğrenirken sabırlı Python öğretmenim olarak hareket etmek.23Benimle ilgili bağlam:4- Yapay zeka mühendisi olmak için Python öğreniyorum.5- Kodlamada tamamen yeni başlıyorum ama sıkı çalışmada değil.6- En iyi yaparak öğrenirim, cevaplar hazır olarak verildiğinde değil.78Ne yapmalısınız:9- Bir hata yapıştırdığımda, ne anlama geldiğini ve olası nedenini basit İngilizceyle açıklayın. Bana sadece düzeltilmiş kodu vermeyin.10- Önce bir ipucu ile beni düzeltmeye yönlendirin. Tam çözümü yalnızca iki kez sorarsam gösterin.11- Yazdığım kodu paylaştığımda, işe yarayan bir şey ve geliştirebileceğim bir şey söyleyin. Bunu bu ikisiyle sınırlı tutun.12- Bir şeyi çalıştırdıktan sonra, gerçekten anlayıp anlamadığımı kontrol eden kısa bir soru sorun.1314Kurallar:15- Yanında tek satırlık basit İngilizce tanımı olmayan jargon yok.16- Sadece geçmek değil, öğrenmek istediğimi varsayın. Biraz daha yavaş olması sorun değil.17- Kötü bir alışkanlık edinmek üzereysem, doğrudan ve nazikçe söyleyin.1819Çıktı: sohbet havasında, kısa, her seferinde bir konsept.
Bunu bu ay her gün kullanın. Kodlamayı öğrenmenin sinir bozucu kısımlarını bir duvar yerine bir sohbete dönüştürür.
Ayrıca, daha ne olduğunu bilmeden önce, 2. ayın temel becerisi olan komut vermede akıcı hale getirir.
Yanlış alışkanlık edinmemeniz için bir uyarı: AI'yı anlamak ve engeli kaldırmak için kullanın, sizin için her şeyi yazması için değil.
Kodunuzu siz izlerken yazmasına izin verirseniz, Hata 2'ye geri dönersiniz.
Açıklamasını sağlayın. Siz yazın.
Git ve GitHub
Git, geliştiricilerin kodu kaydetme, sürümleme ve paylaşma şeklidir.
GitHub, çalışmalarınızın herkese açık olarak yaşadığı ve bir portföy haline geldiği yerdir.
İkisini de sürekli kullanacaksınız ve bir kariyer değiştirici için GitHub, bir özgeçmişiniz olana kadar ona en yakın şeydir.
Benim seçimim: GitHub Skills. Ücretsiz, etkileşimli ve GitHub tarafından GitHub'ın içinde oluşturulmuştur, böylece aracı kullanarak öğrenirsiniz. Git hakkında soyut olarak okumak yerine oradan başlayın.
Adresinde bulabilirsiniz skills.github.com.
Dallanma ve birleştirme modeli kafanızı karıştırıyorsa ve herkesin kafasını ilk başta karıştırır, Learn Git Branching görsel aracı, dalların hareket ettiğini göstererek anlamanızı sağlar.
Odaklanmanız gerekenler: init, add, commit, push ve pull'dan oluşan temel döngü. Ardından dallanma ve birleştirme.
Ardından bir .gitignore dosyasının ne işe yaradığı ve neden herkese açık bir depoya asla sır veya API anahtarı işlememeniz gerektiği; bu, ücretli API'lerle çalışmaya başladığınızda çok önemlidir.
Ardından temel bir README nasıl yazılır, çünkü README'leriniz daha sonra iş aramanızda gerçek işe yarayacaktır.
Bu ay oluşturmanız gereken alışkanlık: dokunduğunuz her proje, 20 satırlık bir betik bile, yaptığınız gün bir GitHub deposuna gider.
Bu, Hata 4'ün çözümünün pratikteki halidir. En başından itibaren sessizce, herkese açık şekilde inşa ediyorsunuz.
- aya kadar boş bir profil yerine bir çalışma izine sahip olacaksınız.
Terminal
Sürekli olarak komut satırından betikler çalıştıracak, paketler kuracak ve projeleri yöneteceksiniz.
Terminalde yavaş veya korkak olmak diğer her şey için gerçek bir engeldir ve düzeltmesi kolay bir şeydir.
Benim seçimim: temel bilgileri kapsayan kısa bir başlangıç terminal kursu, ardından sadece içinde yaşayın. İsterseniz MIT "Missing Semester" materyalleri daha derine iner, ancak 1. ay için yalnızca gezinme ve bir şeyleri çalıştırma yeterlidir.
Dosyalarda gezinmek ve yönetmek için cd, ls, pwd, mkdir ve rm'yi öğrenin.
Okumak ve aramak için cat ve grep'i öğrenin.
Terminalden bir Python betiğinin nasıl çalıştırılacağını ve bir ortam değişkeninin nasıl ayarlanacağını öğrenin; API anahtarlarını kullanmaya başladığınız anda buna ihtiyacınız olacak.
Bir kabuk sihirbazı olmanıza gerek yok. Tereddüt etmeyi bırakmanız gerekiyor.
Normalde fareyle yapacağınız şeyler de dahil olmak üzere her şey için bir hafta terminal kullanmak sizi oraya ulaştırır.
API'ler, JSON ve HTTP
Bu, 2. aya köprüdür.
LLM'lerle inşa etmeye başladığınız ilk günden itibaren API çağrıları yapacaksınız; bu, OpenAI veya Anthropic'in araçlarına dokunmadan önce web API'lerinin nasıl çalıştığını anlamanız gerektiği anlamına gelir.
Benim seçimim: kavramlar için MDN Web Docs HTTP genel bakışı, artı bunu kodda yapmak için Python istekleri kütüphane belgeleri.
MDN, isteklerin ve yanıtların nasıl çalıştığını ücretsiz olan diğer her şeyden daha net açıklar.
Ardından istekler, bu çağrıları Python'da birkaç satırda nasıl yapacağınızı gösterir.
Odaklanmanız gerekenler: GET ve POST isteklerinin ne olduğu ve bunların Python'da nasıl yapılacağı.
Her AI API'sinin konuştuğu format olan JSON'u okuma ve yazma.
HTTP durum kodları ve yaygın olanların ne anlama geldiği, özellikle başarı için 200, kötü bir API anahtarı için 401, hız sınırlaması için 429 ve sunucu hatası için 500; çünkü bunları sürekli göreceksiniz.
API anahtarının ne olduğu ve temel kimlik doğrulamanın nasıl çalıştığı.
Ve Python'da async ve await'in ne yaptığına dair hafif bir giriş; daha sonra modellerden yanıtları akış halinde almaya başladığınızda buna ihtiyacınız olacak.
Şimdi async konusunda derine inmeyin.
Sadece var olduğunu ve kabaca hangi sorunu çözdüğünü bilin.
Buradaki inşa hedefiniz: anahtar gerektirmeyen Open-Meteo hava durumu API'si gibi ücretsiz bir genel API'yi çağıran ve sonucu temiz biçimlendirilmiş çıktı olarak yazdıran bir Python betiği.
Bu, 2. ay boyunca yapacağınız şeyin küçük bir versiyonudur, sadece henüz AI kısmı olmadan.
SQL hakkında kısa bir not
Bir veri uzmanı olmanıza gerek yok, ancak düzenli olarak verilere bakmanız ve sorgulamanız gerekecek ve temel SQL sizi sürekli kurtarır.
Benim seçimim SQLBolt, ücretsiz, etkileşimli ve size SQL'in özünü tarayıcı içinde yaklaşık 20 kısa derste öğretiyor.
Adresinde bulabilirsiniz sqlbolt.com.
SELECT, WHERE, GROUP BY, JOIN ve ORDER BY'ye odaklanın.
Şimdilik bu kadar yeter.
Bir proje talep ettiği anda daha derine inebilirsiniz.
1. Ay dönüm noktası
Ayın sonunda, dosyaları okuyup yazabilen, bir API'yi çağırabilen ve çökmeden kendi hatalarını yönetebilen bir Python programı yazabilmelisiniz.
Bu kodu Git ile sürümlemeli ve bir GitHub deposunda canlı tutmalısınız.
Terminalde tereddüt etmeden hareket edebilmelisiniz. Bir HTTP isteğinin ne olduğunu anlamalı ve Python'da bir tane yapabilmelisiniz.
Ve temel bir SQL sorgusu çalıştırabilmelisiniz.
Bunları yapabiliyorsanız, temele sahipsiniz.
Vazgeçen çoğu insan asla buraya gelemez ve buraya gelmek gerçekten en zor kısımdır çünkü en az heyecan verici olanıdır.
- aydan itibaren daha eğlenceli hale gelir, çünkü buradan itibaren AI ile inşa ediyorsunuz.
2. Ay: LLM API'leriyle inşa edin
Bu ayki hedefiniz: model API'lerini kullanarak gerçek AI destekli özellikler oluşturmak.
Ay sonunda, güvenilir çıktı üreten komutlar yazma, bir modelden yapılandırılmış veri alma, modelin kendi işlevlerinizi çağırmasını sağlama, bir konuşmayı yönetme ve bozulabilecek her şeyi halletme konusunda rahat olmalısınız.
Bu, tüm işin özüdür. Bundan sonraki her şey bunun üzerine inşa edilir.
Bu, işlerin gerçek hissetmeye başladığı aydır. Kurulum yapmayı bırakır ve modellere bir şeyler yaptırmaya başlarsınız.
Burada zamanınızı ayırın.
- aydaki derinlik, kılavuzdaki başka herhangi bir yerden daha fazla karşılığını verir.
Gerçekten işe yarayan komut verme
Komut vermek, bir sohbet robotuna kibarca soru sormak değildir.
Temelde olasılıksal olan bir sistemden tutarlı, güvenilir çıktı üreten talimatlar yazma becerisidir.
Bir yapay zeka mühendisi olarak, beklediğinizden daha fazla zamanınızı burada geçirecek ve bu konuda iyi olmak bu ay yapabileceğiniz en yüksek kaldıraçlı şeydir.
Benim seçimim: Anthropic'in GitHub'daki etkileşimli komut mühendisliği eğitimi. Var olan en uygulamalı kaynaktır, Claude API'sine karşı çalıştırdığınız gerçek alıştırmalarla bölümlere ayrılmıştır.
Okumak yerine kendiniz komut yazma ve düzeltme pratiği yaparsınız; Hata 2'yi hatırlarsanız, asıl mesele de budur.
anthropics/prompt-eng-interactive-tutorial deposunda bulabilirsiniz. Üzerinde çalıştıktan sonra, Anthropic ve OpenAI'nin resmi komut mühendisliği belgeleri, geri döneceğiniz referans olacaktır.
Odaklanmanız gerekenler: bir sistem mesajı ile bir kullanıcı mesajı arasındaki fark ve bu farkın neden önemli olduğu.
Nezaketin her seferinde özgüllüğe yenildiği.
Düşünce zinciri komut verme, modelden cevap vermeden önce adım adım akıl yürütmesini istediğinizde, mantık içeren her şeyde sonuçları ölçülebilir şekilde iyileştirir.
İstediğiniz formatı göstermek için komutunuzun içinde örnekler kullanmak, buna az örnekli komut verme denir.
Ve küçük kelime değişikliklerinin büyük çıktı değişiklikleri ürettiğine dair bir his geliştirmek, bu ancak çokça yaparak gelir.
Bunu hızlıca öğreten bir inşa alıştırması: bir belgeyi özetlemek veya bir geri bildirimi sınıflandırmak gibi gerçek bir görev alın ve bunun için beş farklı komut yazın.
Beşini de çalıştırın.
Çıktıları yan yana karşılaştırın. Komut tasarımının güvenilirliği ne kadar etkilediğini hemen göreceksiniz ve bu ders herhangi bir dersten daha iyi akılda kalır.
Yapılandırılmış çıktılar
Gerçek bir uygulamada, bir modelden neredeyse hiçbir zaman bir paragraf metin istemezsiniz.
Kodunuzun ayrıştırabileceği, saklayabileceği ve kullanabileceği yapılandırılmış veriler istersiniz. Yapılandırılmış çıktılar, modeli tanımladığınız bir şemayla eşleşen verileri döndürmeye zorlayarak bunu çözer.
Bu, bir demoyu yazılım içinde gerçekten çalışan bir şeyden ayıran becerilerden biridir.
Benim seçimim: OpenAI ve Anthropic'in resmi yapılandırılmış çıktı belgeleri tarafından desteklenen Python için Instructor kütüphanesi.
Instructor, verilerinizin şeklini tanımlamak için bir Python kütüphanesi olan Pydantic'i kullanarak herhangi bir büyük modelden yapılandırılmış veri almanın en temiz yoludur.
Aynı kodla sağlayıcılar arasında çalışır ve model hatalı biçimlendirilmiş bir şey döndürdüğünde otomatik olarak yeniden dener.
Birçok çalışan mühendisin gerçekte kullandığı şeye yakındır, bu da onu oyuncak bir versiyon yerine gerçek projelerde öğrenmeye değer kılar.
Odaklanmanız gerekenler: istediğiniz verileri tanımlayan bir Pydantic modeli tanımlamak, bu şemayı API'ye iletmek ve modelin reddettiği veya beklenmedik bir şey döndürdüğü durumu ele almak.
Şemanın zorunlu olduğu gerçek yapılandırılmış çıktılar ile garanti edilmeyen daha gevşek JSON modu arasındaki farkı anlayın.
İşte ikinci yer imine değer yapınız, üstüne bir kütüphane eklemeden önce bile çalışan güvenilir yapılandırılmış çıkarma için bir komut deseni.
Komut: Yapılandırılmış veri çıkarma
(Çerçeve: FAG Çıkarıcı, AI Rehberleri tarafından)
1Görevin: sağladığım metinden yapılandırılmış veri çıkarmak ve bunu temiz bir JSON olarak döndürmek.23Ne yapmalısın:4- Girdi metnini dikkatlice oku.5- Yalnızca aşağıdaki Çıktı bölümünde listelenen alanları çıkar.6- Metinde bir alan eksikse, null kullan. Tahmin etme veya uydurma.7- Yalnızca JSON nesnesini döndür. Açıklama, işaretleme veya önsöz yok.89Kurallar:10- Her değer, girdi metnindeki bir şeye dayanıyor olmalıdır.11- Tarihler YYYY-AA-GG formatında. Sayılar sayı olarak, dize olarak değil.12- Metin belirsizse, emin olmadığın yanlış bir cevap yerine null'u tercih et.1314Çıktı: şu alanlara sahip bir JSON nesnesi:15{16 "field_one": dize veya null,17 "field_two": sayı veya null,18 "field_three": dize listesi veya boş liste19}2021Girdi metni:22[METNİ BURAYA YAPIŞTIRIN]
Test edilmiş başarısızlık notu, çünkü sana dürüst versiyonu söz verdim: bunu ilk yaptığında, model bazen JSON'u işaretleme kodu çitleri içine saracak veya önüne dostça bir cümle ekleyecek ve ayrıştırıcın takılacak.
Bu normal. Çözüm, ayrıştırmadan önce kod çitlerini kaldırmak ve yukarıdaki desenin yaptığı gibi, istemde yalnızca JSON nesnesini istediğini açıkça belirtmektir.
Bunu bir kez yaşayıp hallettiğinde, sonsuza kadar halledeceksin.
Yapı hedefin: bir makbuz veya fatura ayrıştırıcısı.
"Fatura 123, 3 widget için 45,99 $, vade 30 Mart" gibi ham, dağınık metni besle ve fatura numarası, tutar, ürün sayısı ve vade tarihi ile temiz, yapılandırılmış bir nesne al.
Bu gerçekten kullanışlı küçük bir araç ve iyi bir portföy parçası.
Araç çağırma
Araç çağırma, bir metin üretecini eylem gerçekleştirebilen bir şeye dönüştüren şeydir: web'de arama yapmak, bir veritabanını sorgulamak, API'nizi çağırmak, kod çalıştırmak.
Bu kılavuzdaki en önemli becerilerden biridir ve 3. Ay'daki her şeyin temelidir.
İşe yaramasını sağlayan zihinsel model: model, fonksiyonlarınızı çalıştırmaz.
Konuşmaya bakar, bir araç kullanılması gerektiğine karar verir ve işlevi ve argümanları adlandıran yapılandırılmış bir istek döndürür.
Kodunuz işlevi çalıştırır ve sonucu modele geri verir. Model karar vericidir. Kodunuz ellerinizdir.
Benim seçimim: OpenAI'in fonksiyon çağırma kılavuzu ve Anthropic'in araç kullanım belgeleri, birlikte okunmalı.
Kavramlar her ikisinde de aynıdır, sözdizimi biraz farklıdır ve her ikisini de görmek altta yatan modeli belirgin hale getirir.
Ardından, OpenAI yemek kitabındaki gibi çalıştırılabilir bir not defteri örneği üzerinde çalışın, böylece döngünün tamamını parçalar halinde değil, uçtan uca görürsünüz.
Odaklanman gerekenler: fonksiyonlarını bir şemada net bir şekilde tanımlamak, modelin araç çağrısı yanıtını ayrıştırmak, fonksiyonu çalıştırmak ve sonucu geri beslemek ve modelin hiçbir araca gerek olmadığına karar verdiği durumu ele almak.
Araç tanımlarınızın kalitesi, yeni başlayanların beklediğinden çok daha önemlidir; bu, 3. Ay'da tekrar karşınıza çıkacak bir temadır.
Yapı hedefin: get_weather, calculate ve search_notes gibi üç aracı olan küçük bir asistan; burada search_notes yalnızca sabit kodlanmış bir sözlüğe bakar.
Hepsini birbirine bağla ve modelin ne sorduğuna bağlı olarak hangisini arayacağına karar vermesini izle.
Kendi başına doğru aracı seçtiğini gördüğün an, kavram kalıcı olarak yerleşir.
Konuşma durumu ve akış
Ayı tamamlayan iki daha küçük ama önemli beceri.
Modellerin çağrılar arasında hafızası yoktur. Bir konuşma, her istekle birlikte tüm mesaj geçmişini göndererek yönettiğin bir şeydir.
Bunu anlamak temeldir ve neredeyse herkesi ilk başta şaşırtır.
Benim seçimim OpenAI ve Anthropic'in mesaj belgeleridir.
Mesaj dizisinin nasıl yapılandırıldığına, neden hem kullanıcının mesajlarını hem de modelin yanıtlarını eklediğine, bağlam penceresini aştığında ne olduğuna ve eski mesajları kırpmak için temel stratejilere odaklan.
Geçmişi tutan ve bir sıfırlama komutuna sahip basit, çok turlu bir terminal sohbet robotu oluştur. Küçüktür ve konsepti tamamen öğretir.
Akış, modelin çıktısını üretilirken, kelime kelime göstermek, kullanıcının tamamını beklemesini sağlamak yerine anlamına gelir.
Uygulamaları çok daha hızlı hissettirir.
Benim seçimim, her iki sağlayıcıdan da resmi akış belgeleri ve Simon Willison'ın akışın altında nasıl çalıştığına dair net yazısıdır.
Akış seçeneğini ayarlamaya, parçalar üzerinde yineleme yapmaya ve tam yanıtı parçalardan birleştirmeye odaklan.
Gerçek bir kişinin kullanacağı herhangi bir şey için akış neredeyse her zaman doğru seçimdir.
Kimse on saniye boyunca bir döndürücüye bakmak istemez.
Maliyet, başarısızlık ve bir güvenlik fikri
Bir hobi projesini kullanıcıların önüne koyacağın bir şeyden ayıran üç şey.
Maliyet ve token'lar: modeller, kabaca bir kelimenin dörtte üçü olan token başına ücretlendirir.
Giriş ve çıkış token'ları farklı fiyatlandırılır.
Bir isteğin göndermeden önce ne kadara mal olacağını tahmin etmeyi öğren, sağlayıcı fiyatlandırma sayfalarını yer imlerine ekle ve gerçek para kazandıran bir kuralı içselleştir: basit görevler için en büyük, en pahalı modeli kullanma.
Daha ucuz bir model genellikle yeterince iyidir ve ölçekteki maliyet farkı çok büyüktür.
Başarısızlık yönetimi: API'ler başarısız olur.
Hız sınırlarına takılır, istekler zaman aşımına uğrar, model hatalı çıktı döndürür.
Bunu zarif bir şekilde ele almak, bir şeyi üretime hazır hale getirir.
Hız sınırı hatalarını yakalamayı ve denemeler arasında artan bir gecikmeyle yeniden denemeyi öğren; buna üstel geri çekilme denir.
Python'daki Tenacity kütüphanesi bunu tek bir dekoratörle yapar.
Modelin çıktısını ona güvenmeden önce doğrulamayı öğren ve beklenmedik bir yanıtın tüm uygulamanı çökertmesine asla izin verme.
Kısaca istem enjeksiyonu: Bu, LLM uygulamalarındaki en büyük güvenlik riskidir.
Güvenilmeyen kullanıcı girdisi, talimatlarınızla birleştirildiğinde olur ve kullanıcının sisteminizin yaptıklarını geçersiz kılmasına veya ele geçirmesine izin verir.
Bu ay bir güvenlik uzmanı olmana gerek yok, ancak bir şey göndermeden önce bunun var olduğunu bilmen gerekiyor.
OWASP kılavuzu bu konuda yetkili referanstır.
Temel savunmalar: doğrulanmamış model çıktısına, sonuç doğuran eylemleri otomatik olarak gerçekleştirmesi için güvenme ve araçlarına işlerini yapmak için ihtiyaç duydukları en az erişimi ver.
2. Ay kilometre taşı
Ayın sonunda, belirli bir görev için güvenilir çıktı üreten istemler yazabilmeli, Pydantic ve Instructor ile bir modelden yapılandırılmış JSON alabilmeli, modelin Python fonksiyonlarını çalıştırabilmesi için araç çağırmayı kurabilmelisin, bir yanıtı gerçek zamanlı olarak akışla iletebilmeli, çok turlu konuşma geçmişini yönetebilmeli, bir isteğin token maliyetini göndermeden önce tahmin edebilmeli, API hatalarını ve kötü çıktıyı çökmeden ele alabilmeli ve istem enjeksiyonunun ne olduğunu açıklayabilmelisin.
Bu başlı başına gerçek, işe yarar bir beceri setidir.
Üretimdeki birçok ücretli AI özelliği tam olarak bunu yapar ve daha fazlasını yapmaz.
Ancak bir sonraki ay, seni gerçekten işe aldıracak şeyi inşa ettiğin aydır.
3. Ay: RAG ve ajanlar, seni işe aldıracak beceriler
Bu ayki hedefin: modellerin yalnızca eğitim verilerinden değil, belgelerinden de yanıt vermesini sağlayan sistemler ve kendi başlarına birden çok adım atan sistemler inşa etmek.
Bu iki beceri, getirme ve ajanlar, şu anda AI mühendisliğinde en çok talep gören pratik yeteneklerdir.
Destek robotlarından dahili bilgi araçlarına ve belge analizine kadar neredeyse her gerçek şirket kullanım durumu bunların üzerine inşa edilmiştir.
Birçok yol haritasının iki aya yaydığı şeyi bir aya sıkıştırdım, çünkü işe girebilmek için her gelişmiş varyasyonda uzmanlaşmana gerek yok.
Sağlam bir getirme sistemi ve sağlam bir ajan inşa etmen, her parçanın neden orada olduğunu anlaman ve bozulduklarında hata ayıklayabilmen gerekiyor.
Çıta bu. Hadi tuttur.
Önce sade Türkçe ile RAG
RAG, getirme artırımlı üretim anlamına gelir.
Jargonu çıkarınca basit: modele, içinde arama yapabileceği bir kütüphane verirsin, böylece her şeyi ezberlemesi gerekmez ve belirli belgelerinle ilgili soruları yanıtlayabilir.
Akış şöyledir: belgelerini al, parçalara ayır, her parçayı anlamını yakalayan bir sayı listesine dönüştür ve bunları sakla.
Bir kullanıcı soru sorduğunda, sorusunu aynı şekilde sayılara dönüştür, sayıları en yakın olan parçaları bul ve bu parçaları soruyla birlikte modele ver.
Model, verdiğin şeyi kullanarak yanıtlar. İşte RAG bu. Geri kalan her şey iyileştirmedir.
Parçaları oluşturalım.
Gömme (Embedding)
Bir gömme, anlamını temsil eden uzun bir sayı listesine dönüştürülmüş bir metin parçasıdır.
Kullanışlı özellik: benzer anlama gelen metinler, bu sayı-uzayında birbirine yakın, benzer sayılarla sonuçlanır.
Bu yakınlık, RAG'ın altındaki motor olan anlam bazlı aramayı mümkün kılar.
Sezgisel anlayışı oluşturmak için seçimim: matematiğe değil zihinsel modele odaklanan Stack Overflow blogunun metin gömmelerine sezgisel girişi ve koddan üretmeye hazır olduğunda OpenAI'in gömme kılavuzu.
Kavramsal olarak bir vektörün ne olduğunu, neden benzer metnin benzer vektörler ürettiğini ve kabaca ikisi arasındaki mesafeyi nasıl ölçtüğünü anlamaya odaklan.
Gömmelerin nasıl üretildiğinin matematiğine ihtiyacın yok. Onları nasıl kullanacağını bilmen gerekiyor.
Bunu tamamen öğreten küçük bir yapı: ilgili konularda 20 cümle al, her birini bir gömmeye dönüştür ve yeni bir cümle verildiğinde, kümenizden en benzer üçünü döndüren küçük bir fonksiyon yaz.
Bu, minyatürde RAG'dır. Bunu inşa ettiğinde, tam sürüm aynı fikrin ölçekteki halidir.
Parçalama (Chunking)
Belgelerin bütün olarak gömmek için çok büyük, bu yüzden gömmeden önce onları parçalara ayırırsın.
Nasıl parçaladığın, sisteminin doğru bilgiyi ne kadar iyi bulduğunu doğrudan kontrol eder.
Alttaki parçalar kötüyse, mükemmel bir getirme kurulumu bile başarısız olur.
Benim seçimim: LangChain'in RecursiveCharacterTextSplitter'ı ile başla, parça boyutu yaklaşık 500 karakter ve bindirme yaklaşık 50 olsun.
Bu bindirme önemlidir, çünkü bir parçanın bittiği ve diğerinin başladığı sınırdaki anlamı kaybetmeni engeller.
Bu, çalışan bir temel çizgi veren mantıklı varsayılandır.
Aklında tutman gereken temel ödünleşim: çok büyük parçalar kesinliği kaybettirir, çok küçük parçalar bağlamı kaybettirir.
Varsayılanla başla, ardından getirmenin gerçekte neyi yanlış yaptığına göre ayarla.
Vektör veritabanları
Gömmelere sahip olduğunda, bunları hızlı bir şekilde depolayacak ve arayacak bir yere ihtiyacın var. Bir vektör veritabanının yaptığı şey budur.
Öğrenmek için seçimim: Chroma. Kurulum için altyapı gerektirmeden yerel olarak çalışır; öğrenirken tam olarak istediğin şey budur.
Henüz yönetilen bulut ölçeğine ihtiyacın yok ve erken eklemek sana yalnızca yapılandıracak ve bozacak daha fazla şey verir.
Chroma, kavramlara odaklanmanı sağlar.
docs.trychroma.com adresinde bulabilirsin.
Bir koleksiyon oluşturmayı, kaynak ve bölüm gibi meta verilerle birlikte gömmeler eklemeyi, en iyi eşleşmeleri almak için benzerliğe göre sorgulamayı ve sorgu zamanında meta verilere göre filtrelemeyi öğren.
Alttaki indeksleme algoritmalarını anlamana gerek yok. Onları kullanman gerekiyor.
Sonunda üretim ölçeğine ihtiyacın olduğunda, uygulaman zaten bir Postgres veritabanı kullanıyorsa pgvector doğal bir sonraki adımdır ve başka birinin çalıştırmasını istediğinde yönetilen seçenekler vardır.
Ancak bu 4. Ay veya iş başında bir endişedir. Şimdilik, yerel olarak Chroma yeterlidir.
Getirmeyi gerçekten iyi hale getirmek
Temel benzerlik araması sana bir demo kazandırır.
Birkaç iyileştirme, güvenilir bir şekilde çalışan bir şey kazandırır ve bunları bilmek, bir eğitimden kopyalayan insanları sistemi anlayan insanlardan ayıran şeydir.
Meta veri filtreleme: her parçayı saklarken kaynak dosya, tarih, bölüm veya kategori gibi yararlı bilgilerle etiketle.
Ardından sorgu zamanında bunlara göre filtrele. Bu, bir oyuncak ile kullanıcının "bana yalnızca Q4 raporundan sonuçları göster" deyip gerçekten alabildiği bir sistem arasındaki farktır.
Yeniden sıralama (Reranking): ilk araman hızlıdır ancak yaklaşıktır.
Bir yeniden sıralayıcı, en iyi birkaç sonucu alır ve soruyla gerçek ilgi için onları yeniden puanlar; bu, küçük bir hız maliyeti karşılığında kaliteyi gözle görülür şekilde artırır.
Desen şudur: geniş bir kümeyi hızlıca al, ardından en iyi birkaçına indirgemek için yeniden sırala. Cohere'in yeniden sıralama belgeleri bunu öğrenmek için en temiz yerdir ve genellikle eklemek için bir satırdır.
Getirmede hata ayıklama, çünkü çoğu RAG hatası model hatası değil, getirme hatasıdır.
Sistemin kötü bir cevap verdiğinde, model genellikle sorun değildir.
Getirme ona yanlış parçaları vermiştir.
Yaygın başarısızlık modlarını öğren: soru ve ilgili parça, bilgi orada olsa bile sayı-uzayında eşleşmez (sorguyu yeniden yazarak düzeltilebilir), ilgili bilgi iki parçaya bölünmüştür (daha fazla bindirme ile düzeltilebilir) veya doğru parça mevcuttur ancak en iyi sonuçlara girememiştir (daha fazla alıp ardından yeniden sıralayarak düzeltilebilir).
Bir cevap yanlış olduğunda, modeli suçlamadan önce neyin alındığını kontrol et. Bu tek alışkanlık sana çok büyük bir hayal kırıklığı kazandıracak.
Temellendirme ve alıntılar: iyi bir RAG sistemi yalnızca cevap vermekle kalmaz, aynı zamanda cevabın nereden geldiğini de söyler; bu güven oluşturur ve hata ayıklamayı çok daha kolaylaştırır.
Her parça için kaynak bilgisini istemine ilet ve modelin onu alıntılamasını söyle.
İşte üçüncü yapıtın, bir RAG sistemini dürüst tutan temellendirme istemi.
Bu, diğerlerinin üzerinde yer imlerine eklemen gereken istemdir, çünkü bir şeyler uyduran bir sistemle güvenebileceğin bir sistem arasındaki farktır.
İstem: Temellendirilmiş RAG yanıtlama
(Çerçeve: FAG Temellendirme, AI Rehberleri tarafından)
1Görevin: kullanıcının sorusunu yalnızca sağlanan bağlamı kullanarak yanıtlamak.23Ne yapmalısın:4- Aşağıdaki bağlam parçalarını oku. Her birinin bir kaynak etiketi var.5- Soruyu yalnızca bağlamda bulunan bilgileri kullanarak yanıtla.6- Her iddiadan sonra, geldiği kaynak etiketini belirt, örneğin [kaynak: dosya adı, s.3].7- Bağlam cevabı içermiyorsa, aynen şunu söyle:8 "Sağlanan belgelerde bu soruyu yanıtlayacak yeterli bilgiye sahip değilim."910Kurallar:11- Sağlanan bağlamın dışındaki bilgileri asla kullanma.12- Asla tahmin etme. Kulağa mantıklı gelen şeylerle boşlukları asla doldurma.13- Bağlam soruyu kısmen yanıtlıyorsa, o kısmı yanıtla ve neyin eksik olduğunu açıkça söyle.1415Bağlam:16[KAYNAK ETİKETLERİYLE ALINAN PARÇALARI BURAYA YAPIŞTIRIN]1718Soru:19[KULLANICI SORUSU BURAYA]
Bu "bilmediğinde aynen bunu söyle" talimatı çok iş yapıyor. Bir getirme sisteminde halüsinasyonları kesmenin en etkili tek yoludur, çünkü modele yardımsever görünmek için bir cevap uydurmak yerine cehaletini kabul etmesi için onaylanmış bir yol verir.
RAG yapın
Bunu bir araya getirmek için her parçayı sıfırdan inşa etmek yerine bir çerçeve kullan.
İlk RAG sistemi için seçimim LlamaIndex, arama-ilk olarak inşa edilmiştir ve kısa bir kodla çalışan bir boru hattı elde etmeni sağlar.
LangChain diğer büyük seçenektir ve yakında gelecek çok adımlı ajan çalışmaları için daha parlaktır, bu yüzden onunla birazdan tanışacaksın.
Yapı hedefin ve bu gerçek bir portföy parçası: "belgelerinle sohbet et" uygulaması.
10 ila 20 PDF veya metin dosyası al (kendi notların veya bir dizi ürün belgesi iyi çalışır), bir soru alan, yeniden sıralama ile en alakalı parçaları alan ve alıntılanmış bir cevap döndüren bir şey inşa et.
Üzerine basit bir arayüz koy.
Bu, işe alım yöneticilerinin seni ciddiye almasını sağlayacak projedir, çünkü şu anda şirketlerin inşa ettirmek için para ödediği türden bir şeydir.
Ajanlar
Ayın yarısında, ajanlara geç.
Bir ajan sihir gibi gelir ve bir kez gördüğünde gerçekten basittir: modelin bir sonraki adıma tekrar tekrar karar verdiği, bir araç kullanarak adımı attığı, sonuca baktığı ve görev tamamlanana kadar tekrar karar verdiği bir döngüdür.
Zihinsel model: bir ajan, dallanma kararlarını veren bir modelle birlikte bir while döngüsüdür.
Düşünme istemde gerçekleşir. Dallanma, modelin hangi aracı kullanacağını seçmesidir. Yapma, kodunun o aracı çalıştırmasıdır.
Geri kalan her şey tesisattır. Bu oturduğunda, karmaşık ajan çerçeveleri bile okunabilir hale gelir.
Benim seçimim ve tek bir satır ajan kodu yazmadan önce bunu okurdum: Anthropic'in "Etkili Ajanlar İnşa Etmek" makalesi.
Modelleri inşa eden ekipten, ajanların pratikte nasıl çalıştığına dair en net yazıdır.
İnşa etmeye hazır olduğunda, ajanları orkestre etmek için en yaygın kullanılan çerçeve olan LangGraph'a giriş gibi uygulamalı bir çerçeve kursuyla eşleştir.
Odaklanman gerekenler: algıla, karar ver, eyleme geç, gözlemle döngüsü ve ne zaman duracağını nasıl bildiği.
Döngü içinde bir araç çağrısı başarısız olduğunda ne olur. Modelin gerçekten kullanabileceği araç açıklamalarının nasıl yazılacağı, çünkü belirsiz tanımlanmış bir araç yanlış çağrılır veya yok sayılır.
Ve ajan çalışırken içinden geçen paylaşılan bellek olan durumu yönetmek.
Bu ayki en değerli tek alıştırma: hiçbir çerçeve kullanmadan, yalnızca model API'sini doğrudan kullanarak sıfırdan küçük bir ajan inşa et.
Ona üç araç, bir hedef ve bir döngü ver. Bu sana çerçevelerin neyi gizlediğini öğretir ve daha sonra dokunduğun her çerçeveyi anlamlı kılar.
Bunu LangGraph'a dokunmadan önce yap.
Bir ajanın ne zaman kullanılmayacağı
Bu, alandaki en gözden kaçan becerilerden biridir ve bunu bilmek, seni gösterişli şeyin peşinden koşan biri yerine muhakeme yeteneği olan biri olarak işaretler.
Ajanlar heyecan vericidir ve aynı zamanda daha yavaş, daha pahalı, daha az öngörülebilir ve daha basit yaklaşımlardan daha zor hata ayıklanabilirler.
İşe yarayan en basit şeye uzanmak, ne yaptığını bildiğinin bir işaretidir.
Ezberlemeye değer karar çerçevesi: görev, doğru bağlamla tek bir isteme sığıyorsa tek bir model çağrısı kullan.
Adımlar öngörülebilirse, tanımladığın bir adım zinciri olan sabit bir iş akışı kullan.
Bir ajanı yalnızca adım sayısı gerçekten öngörülemez olduğunda ve modelin dinamik olarak karar vermesini gerektirdiğinde kullan.
Üç sabit çağrıdan oluşan bir zincir, üç çağrı yapabilecek bir ajandan her zaman daha hızlı, daha ucuz ve hata ayıklaması daha kolay olacaktır. Ajanları gerçekten açık uçlu görevler için sakla.
Tek bir çağrı ile tam bir ajan arasında geniş, üretken bir orta zemin vardır: iş akışları.
Zincirleme, bir çağrının çıktısının bir sonrakini beslediği yer.
Yönlendirme, girdiyi sınıflandırdığın ve özel bir işleyiciye gönderdiğin yer.
Paralelleştirme, aynı anda birkaç çağrı çalıştırdığın ve bunları birleştirdiğin yer.
Çoğu gerçek sorun, bir ajanla değil, bir iş akışıyla en iyi şekilde çözülür ve Anthropic'in ajanlar makalesi bu kalıpları iyi bir şekilde kapsar.
Değerlendirmeler (Evals), kısaca ama ciddiye
Sisteminin gerçekten çalışıp çalışmadığını bilmen gerekir, yalnızca elle denediğin iki örnekte çalıştığını değil.
Değerlendirmelerin amacı budur. Beklenen çıktıları veya bir puanlama kriteri olan 20 ila 30 temsili girdiden oluşan küçük bir set oluştur ve bir istemi değiştirdiğinde, bir modeli değiştirdiğinde veya getirmeni ayarladığında sistemini bunların tümüne karşı çalıştır.
Genel kullanım için DeepEval ve özellikle RAG için Ragas gibi araçlar bunu yönetilebilir kılar.
Araçtan daha önemli olan zihniyet: değerlendirme yapmadan yaptığın her istem değişikliği veya model değişikliği bir kumardır.
Güvenilir AI gönderen insanlar sürekli değerlendirme yapar ve bu alışkanlığa şimdi, küçük bir şekilde bile başlamak, seni zaten alanda çalışan birçok insanın önüne geçirir.
3. Ay kilometre taşı
Ayın sonunda, bir gömmenin ne olduğunu ve neden benzer metnin benzer vektörler ürettiğini açıklayabilmeli, bir belgeyi mantıklı bir şekilde parçalayabilmeli, meta veri filtreleme ile bir vektör veritabanında gömmeleri depolayabilmeli ve sorgulayabilmeli, sonuçları iyileştirmek için yeniden sıralama ekleyebilmeli, modeli suçlamak yerine bir getirme hatasında hata ayıklayabilmeli, temellendirilmiş alıntılanmış cevaplar döndüren eksiksiz bir RAG boru hattı inşa edebilmeli, sıfırdan bir ajan döngüsü uygulayabilmeli, bir görevin tek bir çağrı, bir iş akışı veya bir ajan gerektirip gerektirmediğine doğru karar verebilmeli ve çalışmanı kontrol etmek için temel bir değerlendirme çalıştırabilmelisin.
Bu, işe yarar çekirdektir.
- ila 3. Aylar sağlamsa, şirketlerin işe alım yaptığı şeyleri inşa edebilirsin.
- Ay, bunu kanıtlamak ve para kazanmakla ilgilidir.
4. Ay: Gönder, göster, işe gir
Bu ayki hedefin: inşa ettiğin her şeyi al ve gerçek yap, ardından bunu bir işe veya ücretli çalışmaya dönüştür.
Çoğu insanın takılıp kaldığı yer burasıdır.
Bir demo inşa edebilirler ancak gerçek kullanıma dayanacak bir şey gönderemezler ve becerilerini gelire dönüştüremezler.
Bu ay her ikisini de düzeltir. Yeni kavramlar açısından daha kısa ve yapmak açısından daha ağırdır, çünkü bu noktada önemli olan yapmaktır.
Tehlikeli olacak kadar dağıtım
Bir altyapı uzmanı olmana gerek yok.
Çalışan bir AI uygulamasını gerçek insanların kullanabileceği bir yere koyabilmen, devrilmeden veya seni iflas ettirmeden yapabilmen gerekir.
Asgari düzeyde uygulanabilir bilgi: uygulamanı her yerde aynı şekilde çalışacak şekilde paketlemek için yeterli Docker öğren; bu, "benim makinemde çalışıyor" sorununu ortadan kaldırır.
Bu konteyneri bir yere dağıtmayı öğren.
Ve bir hatanın bir felakete dönüşmesini engelleyen maliyet ve güvenilirlik temellerini öğren: API hesaplarında sert harcama limitleri belirle, aynı istek için iki kez ödeme yapmamak için önbelleğe alma ekle ve bir kullanıcının faturanı şişirememesi için hız sınırlaması ekle.
Docker'ın resmi başlangıç kılavuzu paketlemeyi kapsar.
AI'ya özgü maliyet tarafı için temel hamleler, aynı istekleri önbelleğe almak, yeterince iyi oldukları yerde daha ucuz modeller kullanmak ve kaçak bir döngünün bir gecede 500 dolara mal olmaması için aylık sert bir harcama sınırı belirlemektir.
Ayrıca, uygulamanın ne yaptığını görebilmek anlamına gelen süslü bir kelime olan temel gözlemlenebilirliğe de ihtiyacın var.
LLM uygulamalarının belirli bir sorunu vardır: model, aynı zamanda işe yaramaz veya yanlış olan mükemmel derecede başarılı bir yanıt döndürebilir ve normal izleme bunu yakalamaz.
Langfuse gibi bir araç, her model çağrısını izleyerek sana istemi, yanıtı, token maliyetini ve gecikmeyi gösterir; bu da hata ayıklamayı ve maliyet kontrolünü çok daha kolaylaştırır.
Bunu, modeli anlamak için bir projede kur.
Buraya aşırı yatırım yapma.
Maliyet kontrolleri ve temel izleme ile düzgün bir şekilde dağıtılmış bir uygulama, sana ihtiyacın olan her şeyi öğretir ve gösterecek gerçek bir şey verir.
Dağıtımda derinlik iş başında gelebilir.
Diğer her yol haritasının atladığı kısım: projeleri bir işe dönüştürmek.
Üç gerçek proje inşa ettin. Şimdi onları senin için çalıştır, çünkü kimsenin görmediği harika bir proje kariyerin için hiçbir şey yapmaz.
Portföyün, her biri gerçek iş yapan bir README'ye sahip, dağıtılmış üç projedir.
Ve işte neredeyse hiç kimsenin yapmadığı, seni farklı kılacak hamle: her README'ye, neyin yanlış gittiği ve neyi farklı yapacağınla ilgili bir bölüm ekle.
Çoğu portföy, her şeyin mükemmel çalıştığını varsayar; bu da ya sahtekarlık ya da yüzeysellik olarak okunur.
"İlk yaklaşımımın nerede başarısız olduğu, ne öğrendiğim, nasıl düzelttiğim" diyen bir README, işverenlerin artık aradığını söylediği muhakeme yeteneğini tam olarak işaret eder.
Girişteki dönüşümcünün avantajıdır, görünür hale getirilmiş.
Kariyer değiştiren birinin mükemmel bir projeye sahip olmasını kimse beklemez. Kendi işlerini eleştirecek kadar derinlemesine anlayan birinden etkilenirler.
Her README'yi şu şekilde yapılandır: projenin çözdüğü sorun, onu kimin kullanacağı, izlediğin yaklaşım ve neden, neyin yanlış gittiği ve ne öğrendiğin ve nasıl çalıştırılacağı.
Beş bölüm.
Bu, çoğu bilgisayar bilimi mezununun sahip olduğundan daha iyi bir portföydür.
Özgeçmiş ve profil hamlesi: yıllarca deneyimin varmış gibi yapmana gerek yok.
Ne yapabileceğini söyleyen net bir satıra ihtiyacın var.
"Üretim LLM uygulamaları inşa ediyorum: RAG sistemleri, ajanlar ve API entegrasyonları. İşte gönderdiğim üç tane." gibi bir şey.
Ardından projeleri bağla. Mevcut kariyerin bir varlıktır, saklanacak bir şey değil.
"AI sistemleri inşa eden eski [alanın]" hikayesi, "kıdemsiz geliştirici"den daha güçlüdür, çünkü saf bir kıdemsizin sahip olmadığı alan bilgisi ve muhakeme ile birlikte gelir.
Finans sektöründen geçiş yapıyorsanız, bir yapay zekanın çözebileceği finans sorunlarını anlıyorsunuz.
Sağlık sektöründen geçiş yapıyorsanız, aynı şey geçerli. Bunu avantaja çevirin.
Herkesin gözü önünde inşa etmek, iş akışınız olarak: Bu ay boyunca, ne inşa ettiğinizi ve ne öğrendiğinizi paylaşmaya devam edin.
Gördüğüm en iyi fırsatlar, görünür olan insanlara geldi, sessizce 500 ilana başvuranlara değil.
Projelerinizi yazın. Düzelttiğiniz hatayı paylaşın. Birikimin gerçek etkisi büyük ve artık paylaşacak gerçek işleriniz var, bu da 1. ayda olduğundan daha kolay.
Bir yön seçin
- aya geldiğinizde, becerilerinizi hedeflerinize uygun herhangi bir alana yönlendirebilirsiniz. Üç yön var, kendinizi çok fazla dağıtmak yerine bir tanesini seçip derinleşin.
Yapay zeka ürün mühendisi yolu, en hızlı şekilde startup işi istiyorsanız en iyisi: Gerçek kullanıcıların dokunduğu, yapay zeka destekli ürünler inşa edersiniz.
Bunun çoğuna zaten 1'den 3'e kadar olan aylarda sahipsiniz.
Tamamlanmış, cilalı uygulamalar inşa etme ve ürün tarafında, yani uygulamanın modelin hatalı olduğu durumları nasıl ele aldığı, yükleme durumlarını nasıl gösterdiği, kullanıcıların nasıl geri bildirim verdiği konularında derinleşin.
İnsanların gerçekten deneyebileceği iki veya üç şey çıkarın.
Uygulamalı ML yolu, daha derin teknik roller istiyorsanız en iyisi: API çağrılarının ötesine geçip ince ayar yapmaya, ne zaman ince ayar yapılacağına karşı sadece daha iyi bir prompt yazmaya, Ollama gibi bir araçla yerel olarak açık kaynak modelleri çalıştırmaya ve çıkarım optimizasyonuna odaklanın.
Aklınızda tutmanız gereken karar çerçevesi: Prompt yazmakla başlayın, modelin belirli verilerinize ihtiyacı varsa geri getirme (retrieval) ekleyin ve yalnızca prompt yazma ve geri getirme gerçekten ihtiyacınız olan kaliteyi tutturamadığında ince ayar yapın.
İnce ayara genellikle çok erken başvurulur.
Yapay zeka otomasyonu yolu, işletmelerden hemen para kazanmak istiyorsanız en iyisi: Gerçek iş akışlarını otomatikleştirmeye, yapay zekayı e-posta, CRM'ler, belgeler ve elektronik tablolar gibi araçlar arasında zincirlemeye odaklanın.
Görsel iş akışları için n8n gibi araçlar ve kod ağırlıklı olanlar için LangGraph.
Burada satılabilir bir yapı: Potansiyel müşterileri çeken, her birini araştırmak ve puanlamak için bir model kullanan, kişiselleştirilmiş tanıtım mesajları hazırlayan ve her şeyi kaydeden bir müşteri adayı kalifikasyon sistemi.
İşletmeler tam olarak bunun için gerçek para ödüyor.
4. ay dönüm noktası
Ayın sonunda, uygun maliyet kontrollerine sahip, yayına alınmış bir yapay zeka uygulamanız, her biri dürüst bir README dosyasına sahip üç portföy projeniz, ne inşa ettiğinize dair net bir tek satırlık tanıtım metniniz, herkesin gözü önünde görünür bir çalışma iziniz ve derinleştiğiniz seçili bir yönünüz olmalı.
Bu noktada artık "yapay zeka öğrenen biri" değilsiniz. Piyasanın para ödediği şey olan, yapay zeka sistemleri yayınlayan birisiniz.
Dürüst kısım
Başlangıçta size bir hayal satmayacağımı söylemiştim, işte para rakamlarından önceki açık versiyonu.
Dört aylık odaklanmış çalışma sizi giriş seviyesinde işe alınabilir veya serbest çalışmaya hazır hale getirir. Sizi kıdemli bir mühendis yapmaz.
Kıdemlilik, yıllar boyunca gerçek kısıtlamalar altında gerçek şeyler yayınlamaktan gelir ve hiçbir rehber bunu sıkıştıramaz.
Dört ayın size kazandırdığı şey, gerçek sorunları çözen yapay zeka sistemleri inşa etme, yayınlama ve dağıtma yeteneğidir ki bu, gerçekten değerli ve gerçekten işe alınabilir bir konumdur.
Bu, gerçek iş varsayar, haftada yaklaşık 15 ila 20 saat, fiilen inşa etmek ve sadece izlemek değil.
Haftada sadece 7 saat ayırabiliyorsanız, bu 8 aylık bir yoldur ve bu tamamen sorun değildir.
Zaman çizelgesi uzar, varış noktası değişmez. İnsanları öldüren şey yavaş tempo değildir. Durmaktır.
Tutarlılık, yoğunluğu her seferinde yener.
Ve her şey, hatalar bölümündeki tek bir davranışa dayanır: inşa edin, sadece izlemeyin.
Her ayın bir projesi var. Projeleri yapın. Dört ayda dört kaba proje inşa eden bir kişi işe alınabilir.
Dört ay boyunca mükemmel eğitimleri izleyen bir kişi değildir. Oyunun tamamı bu.
Para, kaynaklarıyla birlikte
Şimdi gerçekten istediğiniz rakamlar, tümü güncel ve kaynaklı, çünkü gevşek maaş iddiaları bu rehberlerin güvenilirliğini kaybetmesine neden olur.
Haziran 2026 itibarıyla Glassdoor, ortalama ABD yapay zeka mühendisi maaşını yaklaşık 143.500 dolar olarak gösteriyor; tipik aralık ise %25'lik dilimde yaklaşık 115.000 dolar ile %75'lik dilimde 181.000 dolar arasında ve en yüksek kazananların yaklaşık 223.000 dolara kadar çıktığı bildiriliyor.
Kıdemli yapay zeka mühendisleri ortalama 285.000 dolar civarında kazanıyor; tipik aralık yaklaşık 221.000 ila 375.000 dolar arasında, bu da gerçek deneyime sahip olduğunuzda sıçramanın ne kadar dik olduğunu gösteriyor.
Bunlar, Glassdoor'un gönderilen maaşlara dayalı rakamlarıdır.
İnsanları gerçek üretim yapay zeka işlerine yerleştiren işe alım uzmanları, anketlerden ziyade imzalanmış tekliflere dayanarak orta düzey taban maaşlarının 155.000 ila 200.000 dolar arasında kümelendiğini bildiriyor; bu da Glassdoor aralığıyla örtüşüyor ve size ikinci bir bağımsız okuma sağlıyor.
Ve başlangıçta bahsettiğim PwC'nin 2026 Barometresi'nden daha geniş pazar arka planı: Yapay zeka becerisi gerektiren işler, genel pazardan yaklaşık sekiz kat daha hızlı büyüyor, yapay zeka becerileri için %62'lik bir ücret primi var ve en hızlı düşen diploma gereksinimleri tam olarak bu rollerde.
Bunlar bir hype yazısından değil. Bir milyardan fazla iş ilanının analizinden geliyor.
Serbest çalışma ve danışmanlık rakamları, sizi yanıltmadan tam olarak belirtemeyecek kadar değişkenlik gösteriyor, bu yüzden sadece şunu söyleyeceğim: RAG uygulaması, ajan oluşturma ve LLM entegrasyonu için ücretler yüksektir ve sağlam bir şekilde yayına alınmış üç projesi ve net bir tanıtım metni olan bir geçiş yapan kişi, tam zamanlı bir rol bulmadan çok önce bu iş için ücret talep etmeye başlayabilir.
Projeler kanıttır. Onları inşa edin ve kazanç seçenekleri açılır.
Bu hafta başlayın
İşte bugün, sizin yerinizde olsam gerçekten yapacağım şey.
- ayın Python projesini, küçük komut satırı aracını seçin. Bir kod düzenleyici açın.
CS50P'nin ilk problem setine başlayın. Öğrenme ortağı (learning-partner) promptunu, yapay zekanın sizi sinir bozucu kısımlarda yönlendirmesi için ayarlayın.
Bir GitHub deposu oluşturun ve ilk çirkin dosyanızı içine koyun. Bütün ilk hafta bu.
Hazır hissedene kadar beklemeyin, çünkü hazır olma hali başladıktan sonra gelir, öncesinde değil.
Bir satır kod yazmadan önce dört ayın tamamını mükemmel ayrıntılarla haritalandırmayın, çünkü plan zaten burada ve planlama yapmak, başlamaktan kaçınmanın rahat bir yoludur.
Öğrenme ve inşa etme arasındaki boşluk, insanların bir yıl kaybettiği yerdir. Bu hafta bu boşluğu kapatın.
Dört aylık gerçek çalışma, sizin için mümkün olanı gerçekten değiştirir.
Kapı, şimdiye kadar olduğundan daha açık, kimlik bilgisi engeli düşüyor ve pazar bu becerilere teknolojideki neredeyse her şeyden daha fazla para ödüyor.
Rehbere sahipsiniz. Geriye kalan tek değişken, inşa edip etmemeniz.
Bunu kaydedin ve ilerledikçe her ay geri dönün. Araçlar ve rakamlar değiştikçe güncel tutacağım.
Güncellemeler için @free_ai_guides adresini takip edin ❤️
