Yapay zeka mühendisliği, teknoloji alanındaki en değerli beceri setlerinden biri haline geldi
Sorun şu ki, çoğu yeni başlayanın aslında ne çalışması gerektiğine dair net bir fikri yok
Kimi makine öğrenimi teorisiyle başlıyor
Kimi sürekli video izleyerek takılıp kalıyor
Kimi ise API'leri, backend temellerini veya gerçek ürünlerin nasıl inşa edildiğini anlamadan doğrudan prompt'lara ve ajanlara atlıyor
Sonuç genelde aynı oluyor: çok fazla kafa karışıklığı ve çok az pratik beceri
Eğer amacınız bir yapay zeka mühendisi olmaksa, yapay zekanın her alanında uzmanlaşmanıza gerek yok
Gerçek dünyada faydalı yapay zeka sistemleri kurmayı öğrenmeniz gerekiyor
Yani şunları yapmayı öğrenmelisiniz:
- LLM'lerle uçtan uca uygulamalar geliştirmek
- OpenAI ve Anthropic gibi model API'leriyle çalışmak
- Prompt'ları ve bağlamı doğru şekilde tasarlamak
- Yapılandırılmış çıktılar ve araç çağrıları kullanmak
- Gerektiğinde geri çağırma (retrieval) eklemek
- Projeleri, insanların kullanabileceği şekilde dağıtmak
Bu rehber, size 6 aylık pratik bir yol haritası sunmak için hazırlandı
Bu makale 10.000+ KELİME, bu yüzden okumak birkaç saatinizi hatta daha fazlasını alabilir
Ancak asıl değeri, öğrenmeniz gereken her beceri için kaynaklar ve ne yapmanız gerektiğine dair net açıklamalar sunması
Böylece altı ay içinde yapay zeka mühendisliği seviyesine ulaşabilir ve ilk 1-2 ay içinde kendiniz için kullanmaya başlayabilirsiniz
Bu makaleyi yazmak 40 SAAT'ten fazla sürdü ve arkadaşım @andy_ai0 ile birlikte çalıştım
Kendisi X'te kişisel markasını yeni oluşturmaya başladı, ancak yapay zekayı çok iyi anlıyor ve bu makaleye çok yardımcı oldu
Büyürken onu takip etmenizi ve desteklemenizi kesinlikle hak ettiğini düşünüyorum
Şimdi makaleyi okumaya başlayalım ⬇️
Bir AI Mühendisi Aslında Ne Yapar
Birçok kişi "yapay zeka mühendisi" ifadesini duyduğunda, sıfırdan devasa modeller eğiten birini hayal ediyor
Gerçekte, çoğu modern yapay zeka mühendisi çok daha pratik bir şey yapıyor
Mevcut modellerin üzerine ürünler ve sistemler inşa ediyorlar
Bu genellikle şunları içerir:
- LLM API'lerine bağlanmak
- Prompt ve bağlam akışları tasarlamak
- Sohbet, arama veya otomasyon sistemleri kurmak
- Araçları, veritabanlarını ve harici API'leri entegre etmek
- Yapılandırılmış çıktıları işlemek
- Güvenilirlik, maliyet ve gecikmeyi iyileştirmek
- Yapay zeka özelliklerini gerçek uygulamalara dağıtmak
Yani pratikte, bir AI mühendisi genellikle şunların arasında bir yerde durur:
- yazılım mühendisliği
- ürün mühendisliği
- otomasyon
- uygulamalı yapay zeka
Bu nedenle bu rol çok hızlı büyüyor
Şirketlerin sadece araştırmacılara ihtiyacı yok
Modelleri alıp faydalı ürünlere dönüştürebilecek insanlara ihtiyaçları var
Bu yüzden bu yol haritası ağır teoriden çok pratik uygulamaya odaklanıyor
Gerçek LLM uygulamaları, geri çağırma sistemleri, otomasyonlar ve üretime hazır iş akışları oluşturabiliyorsanız, çoğu yeni başlayandan çok daha istihdam edilebilir durumdasınız demektir
⏩------------------------------------------------------------------------⏪
1. Ay: Kodlama ve Temellerde Yeterince Sağlam Olun
Bu ayki hedefiniz: İşlevsel bir Python geliştiricisi olmak
Uzman olmanıza gerek yok, sadece temel sözdizimi için Google'a bakmayı bırakmanız ve basit programları güvenle oluşturabilmeniz gerekiyor
AI mühendisliği her şeyden önce yazılım mühendisliğidir
Sonraki aylardaki her şey, temiz Python yazabildiğinizi, terminal kullanabildiğinizi, API'leri çağırabildiğinizi ve bir kod tabanını yönetebildiğinizi varsayar. Bu ay sizin temeliniz
Ne Öğrenmeli
1. Python
Python, yapay zeka mühendisliğinin dilidir. Tartışmasız. Önümüzdeki altı ay boyunca karşılaşacağınız neredeyse her kütüphane, API ve eğitim Python'dadır
Nasıl öğrenilir:
Sizi kod yazmaya zorlayan yapılandırılmış bir kursla başlayın, sadece video izlemekle kalmayın
Yeni başlayanların en yaygın hatası, içeriği pasif bir şekilde tüketmek, okumak, başını sallamak ve asla bir kod düzenleyici açmamaktır
Bununla mücadele etmek için, ilerlerken her örneği kendiniz kodlayın
Kaynaklar:
1. Python for Everybody (Coursera, denetlemesi ücretsiz)
Bağlantı: https://www.coursera.org/specializations/python
Tamamen yeni başlayanlar için en iyi başlangıç noktası. Dr. Chuck, internetteki en yeni başlayan dostu Python eğitmenlerinden biridir
2. freeCodeCamp Python Kursu (YouTube, ücretsiz)
Bağlantı: https://www.youtube.com/watch?v=rfscVS0vtbw
Tüm temel bilgileri kapsayan kapsamlı 4 saatlik bir video
3. CS50P: Python ile Programlamaya Giriş (Harvard, ücretsiz)
Bağlantı: https://cs50.harvard.edu/python/
Daha titiz. Problem setleri ve bir final projesi içerir. Yapı arıyorsanız harika
4. Resmi Python dokümantasyonu (eğitim)
Bağlantı: https://docs.python.org/3/tutorial/
Kuru ama otoriter, referans olarak kullanın
Odaklanmanız gerekenler:
- Değişkenler, veri türleri, döngüler, koşullar, fonksiyonlar
- Listeler, sözlükler, kümeler, demetler
- Dosya G/Ç ve JSON ile çalışma
- Sınıflar ve temel OOP (okuduklarınızı anlamak için yeterli)
- try/except ile hata yönetimi
- Sanal ortamlar (venv) ve pip
- Paket yönetimi – requirements.txt'yi anlamak
Pratik projesi: Python'da basit bir CLI aracı oluşturun. JSON dosyasına okuyan/yazan kişisel bir harcama takipçisi veya genel bir API'yi (hava durumu API'si gibi) çağırıp biçimlendirilmiş sonuçları yazdıran bir betik gibi bir şey
2. Git ve GitHub
Git, profesyonel geliştiricilerin kodu kaydetme ve paylaşma şeklidir. Projelerinizi sürümlendirmek, işbirliği yapmak ve portföy çalışmalarınızı GitHub'da sergilemek için sürekli ihtiyacınız olacak
Nasıl öğrenilir:
Git başta kafa karıştırıcıdır çünkü zihinsel model belirgin değildir
Komutları ezberlemeye çalışmayın, bunun yerine Git'in hangi sorunu çözdüğünü anlayın
(değişiklikleri takip etmek, işbirliğini mümkün kılmak, hataları geri almanıza izin vermek) ve komutlar anlam kazanacaktır
Kaynaklar:
1. GitHub Skills (ücretsiz, etkileşimli)
Bağlantı: https://skills.github.com/
GitHub'ın kendi içinde oluşturulmuş resmi etkileşimli kurslar. Buradan başlayın
2. Learn Git Branching (ücretsiz, etkileşimli)
Bağlantı: https://learngitbranching.js.org/
Dalları ve birleştirmeleri anlamak için tartışmasız en iyi görsel araç
3. Pro Git Kitabı (ücretsiz çevrimiçi kitap)
Bağlantı: https://git-scm.com/book/en/v2
Kapsamlı referans. İhtiyacınız olan bölümlere atlayın
Odaklanmanız gerekenler:
- git init, add, commit, push, pull
- Dallama ve birleştirme
- .gitignore'u anlamak
- GitHub'da repo oluşturmak ve yerel projeleri göndermek
- Temel README dosyalarını okumak ve yazmak
Pratik: Şu andan itibaren, küçük betikler bile olsa, inşa ettiğiniz her proje bir GitHub reposunda bulunmalı. Bu alışkanlık kazandırır ve size bir portföy sağlar
3. CLI / Terminal Temelleri
Bir AI mühendisi olarak betikleri çalıştıracak, paketler kuracak, sunucuları yönetecek ve dosyalar arasında tamamen komut satırından gezinmiş olacaksınız
Terminalde yavaş veya korkak olmak gerçek bir engeldir
Kaynaklar:
1. En Popüler 50 Linux ve Terminal Komutu (yeni başlayanlar için tam kurs)
Bağlantı: https://www.youtube.com/watch?v=ZtqBQ68cfJc
Linux/Mac'te tamamen yeni başlayanlar için iyi
2. CS Eğitiminizin Kayıp Dönemi (MIT, ücretsiz)
Bağlantı: https://missing.csail.mit.edu/
Çoğu CS dersinin atladığı kabuk betikleme, terminal araçları ve komut satırı akıcılığını kapsar
Odaklanmanız gerekenler:
- Gezinme: cd, ls, pwd, mkdir, rm
- Dosyaları okuma: cat, less, grep
- Terminalden Python betiklerini çalıştırma
- Ortam değişkenleri
- PATH'in temel olarak anlaşılması
4. JSON, API'ler, HTTP ve Async Temelleri
- Ayın ilk gününden itibaren LLM API'lerini çağırıyor olacaksınız
Bu, OpenAI veya Anthropic'in SDK'larına dokunmadan önce web API'lerinin nasıl çalıştığını anlamanız gerektiği anlamına gelir
Kaynaklar:
1. HTTP temelleri – MDN Web Dokümanları (ücretsiz)
Bağlantı: https://developer.mozilla.org/en-US/docs/Web/HTTP/Overview
HTTP isteklerinin ve yanıtlarının nasıl çalıştığının en net açıklaması
2. REST API Eğitimi
Bağlantı: https://restfulapi.net/
Kısa ve pratik
3. Python requests kütüphanesi dokümantasyonu
Bağlantı: https://requests.readthedocs.io/en/latest/
Python'da herhangi bir web API'sini nasıl çağıracağınızı öğrenin
4. Python async/await (ücretsiz)
Bağlantı: https://realpython.com/async-io-python/
Async'i anlamak, daha sonra akan LLM yanıtlarıyla çalışmak için çok önemlidir
Odaklanmanız gerekenler:
- GET, POST istekleri – ne oldukları ve Python'da nasıl yapılacağı
- JSON okuma ve yazma
- HTTP durum kodları (200, 400, 401, 404, 500 – her birinin anlamı)
- API anahtarının ne olduğu ve temel kimlik doğrulama kalıpları
- async def ve await'in ne yaptığı ve neden var oldukları
Pratik projesi: Ücretsiz bir genel API'yi çağıran (hava durumu verileri için Open-Meteo'yu deneyin – API anahtarı gerekmez) ve sonucu temiz bir JSON çıktısı olarak biçimlendiren bir Python betiği yazın
5. Temel SQL ve Pandas
Bir veri bilimci olmanız gerekmeyecek, ancak düzenli olarak verileri incelemeniz, sorgulamanız ve işlemeniz gerekecek
Temel SQL ve Pandas bilgisi sizi sürekli olarak kurtaracak
Kaynaklar:
1. SQLBolt (ücretsiz, etkileşimli)
Bağlantı: https://sqlbolt.com/
Sıfırdan SQL öğrenmenin en hızlı yolu. Tarayıcı içi alıştırmalarla 20 kısa ders
2. Pandas resmi başlangıç kılavuzu
Bağlantı: https://pandas.pydata.org/docs/getting_started/index.html
10 Dakikada Pandas eğitimini çalışın
3. Kaggle Pandas kursu (ücretsiz)
Bağlantı: https://www.kaggle.com/learn/pandas
Uygulamalı, pratik, kısa
Odaklanmanız gerekenler:
- SQL: SELECT, WHERE, GROUP BY, JOIN, ORDER BY
- Pandas: CSV yükleme, satırları filtreleme, sütunları seçme, temel toplamalar
6. FastAPI
Kaynaklar:
1. FastAPI Resmi Eğitimi (ücretsiz)
Bağlantı: https://fastapi.tiangolo.com/tutorial/
Şimdiye kadar yazılmış en iyi framework dokümanlarından biri
Baştan sona çalışın. Yol parametrelerini, istek gövdelerini, Pydantic doğrulamasını ve bir geliştirme sunucusu çalıştırmayı kapsar
2. Python API Geliştirme (19 Saatlik Kurs, freeCodeCamp, YouTube, ücretsiz)
Bağlantı: https://www.youtube.com/watch?v=ZtqBQ68cfJc
Rotalar, serileştirme, şema doğrulama ve SQL veritabanı entegrasyonu dahil olmak üzere API tasarımının temellerini kapsar. Sıfırdan tam bir sosyal medya tarzı API oluşturur
Odaklanmanız gerekenler: GET ve POST uç noktaları oluşturma, yol ve sorgu parametreleri, Pydantic ile istek gövdeleri, uvicorn çalıştırma ve bir istemci yazmadan API'nizi test etmek için FastAPI'nin yerleşik /docs arayüzünü kullanma
1. Ay Kilometre Taşı
Bu ayın sonunda şunları yapabilmelisiniz:
- Dosyaları okuyan/yazan, API'leri çağıran ve hataları yöneten Python programları yazmak
- Kodunuzu Git ile sürümlendirmek ve projeleri GitHub'a göndermek
- Terminalde tereddüt etmeden gezinmek
- HTTP isteğinin ne olduğunu anlamak ve Python'da bir tane yapmak
- Temel SQL ile bir SQLite veritabanını sorgulamak
- Yerel olarak basit bir FastAPI uygulaması oluşturmak ve çalıştırmak
⏩------------------------------------------------------------------------⏪
2. Ay: LLM Uygulama Geliştirmede Ustalaşın
Bu ayki hedefiniz: OpenAI ve Anthropic API'lerini kullanarak gerçek, yapay zeka destekli uygulamalar oluşturmak
Ay sonunda, güvenilir bir şekilde çalışan prompt'lar yazma, modellerden yapılandırılmış veri alma, onlara fonksiyonlarınızı çağırtma ve ters gidebilecek her şeyi yönetme konusunda rahat olmalısınız
Bu, AI mühendisliğinin özüdür. Yol haritasındaki diğer her şey, burada öğrendiklerinizin üzerine inşa edilir
Ne Öğrenmeli
1. Prompt Yazma Temelleri
Prompt yazmak sadece kibarca soru sormak değildir. Temelde olasılıksal olan modellerden tutarlı, güvenilir çıktılar üreten talimatlar yazma sanatıdır
Bir AI mühendisi olarak burada şaşırtıcı derecede fazla zaman geçireceksiniz
Nasıl öğrenilir:
En uygulamalı olduğu için Anthropic'in etkileşimli eğitimiyle başlayın
Ardından OpenAI'in resmi kılavuzunu okuyun. Ondan sonra, Prompt Engineering Guide her şeyi bir araya getirir
Her üçünü de sırayla çalışın – her biri diğerini pekiştirir
Kaynaklar:
1. Anthropic'in Etkileşimli Prompt Mühendisliği Eğitimi (ücretsiz, GitHub)
Bağlantı: https://github.com/anthropics/prompt-eng-interactive-tutorial
Alıştırmalarla 9 bölüme ayrılmış, adım adım bir kurs. Prompt yazma ve sorun giderme pratiği yapmanız için birçok fırsat sunar
Claude API ile Jupyter notebook'ları olarak çalıştırın
2. Anthropic Prompt Mühendisliği Dokümanları (ücretsiz)
Bağlantı: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
Resmi referans. Temel açıklıktan XML yapılandırmasına ve ajan sistemlerine kadar her şeyi kapsar
3. OpenAI Prompt Mühendisliği Kılavuzu (ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/prompt-engineering
OpenAI'in resmi kılavuzu, modelleriyle iyi çalışan ve daha kullanışlı çıktılara yol açan prompt formatlarını kapsar
4. [PromptingGuide.ai](//PromptingGuide.ai) (ücretsiz)
Bağlantı: https://www.promptingguide.ai/
Temel prompt yazmadan ileri stratejilere, ayrıca fonksiyon çağırma, araç entegrasyonu ve ajan sistemlerine kadar temel teknikleri kapsar
Odaklanmanız gerekenler: Sistem ve kullanıcı mesajları arasındaki fark, özgüllüğün neden önemli olduğu, düşünce zinciri prompt'ları (adım adım düşün), prompt'larda örnekler kullanma (az örnekli) ve küçük kelime değişikliklerinin çıktı kalitesini nasıl çarpıcı biçimde değiştirebileceği
Pratik: Gerçek bir görev alın – bir belgeyi özetleyin, metinden önemli bilgileri çıkarın, bir geri bildirimi sınıflandırın – ve bunun için 5 farklı prompt yazın. Çıktıları karşılaştırın. Prompt tasarımının güvenilirliği ne kadar etkilediğini hemen göreceksiniz
3. Yapılandırılmış Çıktılar / JSON Şemaları
Gerçek uygulamalarda bir LLM'den neredeyse hiçbir zaman ham metin istemezsiniz, kodunuzda ayrıştırabileceğiniz, saklayabileceğiniz ve kullanabileceğiniz yapılandırılmış veriler istersiniz
Yapılandırılmış çıktılar, modeli sizin tanımladığınız bir şemaya uymaya zorlayarak bunu çözer
Kaynaklar:
1. OpenAI Yapılandırılmış Çıktılar Kılavuzu (resmi dokümanlar, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/structured-outputs
Modellerin her zaman JSON Şemanıza uygun yanıtlar üretmesini sağlayan özelliği kapsar, böylece eksik anahtarlar veya hayali değerler için endişelenmenize gerek kalmaz
2. Instructor kütüphanesi (ücretsiz, açık kaynak)
Bağlantı: https://python.useinstructor.com/
Pydantic modelleri kullanarak herhangi bir LLM sağlayıcısından yapılandırılmış çıktılar almanın en temiz yolu
OpenAI, Anthropic, Google ve 15'ten fazla sağlayıcıyla aynı kod arayüzünü kullanarak çalışır, doğrulama başarısız olduğunda otomatik yeniden denemeler yapar
Gerçek üretim AI mühendislerinin çoğunun kullandığı şey budur
3. OpenAI Cookbook: Yapılandırılmış Çıktılara Giriş (ücretsiz)
Bağlantı: https://developers.openai.com/cookbook/examples/structured_outputs_intro/
Düşünce zinciri çıktıları, yapılandırılmış veri çıkarma ve UI oluşturmayı kapsayan pratik örnekler, gerçek dünya kullanım durumlarını anlamak için iyi
Odaklanmanız gerekenler: Verileriniz için Pydantic modelleri tanımlama, API'ye şemaları iletme, yapılandırılmış çıktılar ile JSON modu arasındaki farkı anlama ve reddetmeleri zarifçe yönetme
Pratik projesi: Bir fatura veya makbuz ayrıştırıcı oluşturun. Ham metin verin (ör. "Fatura #123, 3 widget için $45.99, son ödeme 30 Mart") ve fatura_numarası, tutar, ürünler, son_ödeme_tarihi gibi alanları olan yapılandırılmış bir Python nesnesi döndürmesini sağlayın
4. Fonksiyon / Araç Çağırma
Araç çağırma, bir LLM'yi metin üretecinden eylemler gerçekleştirebilen bir şeye dönüştüren şeydir – web'de arama yapmak, veritabanını sorgulamak, API'nizi çağırmak, kod çalıştırmak. Bu kılavuzdaki en önemli becerilerden biridir
Nasıl anlaşılır: Model fonksiyonlarınızı gerçekten yürütmez
İstemi inceler ve bir araç kullanılması gerektiğine karar verdiğinde, fonksiyon adı ve argümanlarıyla birlikte yapılandırılmış bir çağrı döndürür
Kodunuz daha sonra çağrıyı yürütür ve sonucu geri gönderir
Kaynaklar:
1. OpenAI Fonksiyon Çağırma Kılavuzu (resmi dokümanlar, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/function-calling
Kesin referans. Araçları tanımlama, 5 adımlı çağrı akışı, paralel çağrılar ve en iyi uygulamaları kapsar
2. Anthropic Araç Kullanımı Dokümanları (ücretsiz)
Bağlantı: https://docs.anthropic.com/en/docs/build-with-claude/tool-use
Claude için Anthropic'in eşdeğer kılavuzu. Kavramlar aynı, sözdizimi biraz farklı
3. OpenAI Cookbook: Sohbet Modelleriyle Fonksiyonlar Nasıl Çağrılır (ücretsiz, GitHub)
Gerçek örneklerle tam araç çağırma döngüsünde size yol gösteren, çalıştırılabilir eksiksiz bir notebook
Odaklanmanız gerekenler: Fonksiyonları JSON Şemasında açıkça tanımlama, araç çağrısı yanıtlarını ayrıştırma, fonksiyonu yürütme ve sonuçları geri besleme, hiçbir araç çağrısının gerekli olmadığı durumları yönetme ve tool_choice: "auto" kavramı
Pratik projesi: Üç aracı olan basit bir asistan oluşturun: get_weather(şehir), calculate(ifade) ve search_notes(sorgu) (sadece sabit kodlanmış bir sözlükte arama yapar). Hepsini birbirine bağlayın ve modele sorduğunuza göre hangisini çağıracağına karar vermesini izleyin
5. Akan Yanıtlar (Streaming)
Akış, modelin çıktısını üretilirken göstermek anlamına gelir – kelime kelime – tam yanıtı beklemek yerine. Uygulamalarınızı çarpıcı biçimde daha hızlı ve daha canlı hissettirir
Kaynaklar:
1. OpenAI Akış Dokümanları (resmi, ücretsiz)
Bağlantı: https://platform.openai.com/docs/api-reference/streaming
İsteklere stream=True eklemek ve parçalar üzerinde yineleme yapmak için referans
2. Anthropic Akış Dokümanları (resmi, ücretsiz)
Bağlantı: https://docs.anthropic.com/en/api/messages-streaming
Anthropic'in Python örnekleriyle akan API referansı
3. Akan LLM API'leri Nasıl Çalışır – Simon Willison (ücretsiz)
Bağlantı: https://til.simonwillison.net/llms/streaming-llm-apis
OpenAI, Anthropic ve Google için Sunucu Tarafından Gönderilen Olayların (Server-Sent Events) perde arkasında nasıl çalıştığına dair net bir teknik döküm, HTTP düzeyinde gerçekte ne olduğunu anlamak için faydalı
Odaklanmanız gerekenler: stream=True ayarlama, delta parçaları üzerinde yineleme yapma, parçalardan tam yanıtı birleştirme ve StreamingResponse kullanarak akışı bir FastAPI uç noktasına bağlama
İpucu: Kullanıcıya yönelik uygulamalar için akış neredeyse her zaman doğru seçimdir. Kimse tam bir yanıtın bir anda görünmesi için 10 saniye boyunca bir yüklenme animasyonuna bakmak istemez
5. Sohbet Durumu
LLM'ler durumsuzdur – çağrılar arasında hafızaları yoktur. Sohbet geçmişi, her istekle birlikte tam mesaj listesini göndererek yönettiğiniz bir şeydir. Bunu anlamak temeldir
Kaynaklar:
1. OpenAI Sohbet Tamamlama Kılavuzu, Sohbetleri Yönetme (resmi, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/conversation-state
Mesaj dizisinin nasıl çalıştığına ve çok turlu sohbetlerin nasıl yönetileceğine dair kanonik açıklama
2. Anthropic Mesajlar API Dokümanları (resmi, ücretsiz)
Bağlantı: https://docs.anthropic.com/en/api/messages
Anthropic'in eşdeğer belgeleri. Aynı konsept, nasıl farklılaştıklarını görmek için her ikisini de okumaya değer
Odaklanmanız gerekenler: Mesaj dizisi yapısı, neden hem kullanıcı hem de asistan mesajlarını eklediğiniz, bağlam penceresi sınırları ve onları aştığınızda ne olduğu ve temel kırpma stratejileri (en eski mesajları at, geçmişi özetle)
Pratik projesi: Terminalde basit bir çok turlu sohbet robotu oluşturun. Her tur mesaj listesine eklenir. Geçmişi temizlemek için bir /reset komutu ekleyin ve her alışverişten sonra geçerli token sayısını yazdırın
6. Maliyet, Gecikme ve Token Temelleri
AI uygulamalarını maliyetleri ve token'ları anlamadan dağıtmak, sürpriz faturalar ve yavaş uygulamalarla sonuçlanmanın yoludur. Sıkıcı ama kritiktir
Kaynaklar:
1. OpenAI Fiyatlandırma Sayfası (resmi)
Bağlantı: https://openai.com/api/pricing
Model başına girdi ve çıktı token'larının maliyetini bilin. Bunu yer imlerine ekleyin ve bir model seçtiğinizde kontrol edin
2. Anthropic Fiyatlandırma Sayfası (resmi)
Bağlantı: https://www.anthropic.com/pricing
Claude modelleri için aynı
3. OpenAI Tokenleştirici Aracı (ücretsiz, etkileşimli)
Bağlantı: https://platform.openai.com/tokenizer
Herhangi bir metni yapıştırın ve tam olarak kaç token olduğunu görün. Öğrenirken bunu sürekli kullanın
4. Tiktoken (Python kütüphanesi, ücretsiz)
Bağlantı: https://github.com/openai/tiktoken
İstek göndermeden önce kodda token'ları saymak için OpenAI'in tokenleştirici kütüphanesi
Odaklanmanız gerekenler: Token'ın ne olduğu (kabaca 4 karakter / bir kelimenin 3/4'ü), girdi ve çıktı token'larının nasıl farklı fiyatlandırıldığı, bağlam penceresi boyutunun ne yapabileceğinizi nasıl etkilediği ve daha küçük hızlı modeller ile daha büyük akıllı modeller arasındaki gecikme ödünleşimi
Ayrıca: her şey için GPT-4/Opus kullanmayın – daha ucuz modeller genellikle basit görevler için yeterince iyidir
7. Hata Yönetimi
LLM API'leri başarısız olur. Hız sınırlarına takılır, yanıtlar zaman aşımına uğrar, model hatalı biçimlendirilmiş JSON döndürür. Hataları zarifçe yönetmek, bir demoyu üretim uygulamasından ayıran şeydir
Kaynaklar:
1. OpenAI Hata Kodları Referansı (resmi, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/error-codes
Karşılaşacağınız her hata türü ve bununla ilgili ne yapmanız gerektiği
2. Anthropic Hata Yönetimi Dokümanları (resmi, ücretsiz)
Bağlantı: https://docs.anthropic.com/en/api/errors
Claude için aynı
3. Tenacity (Python kütüphanesi, ücretsiz)
Bağlantı: https://tenacity.readthedocs.io/
Herhangi bir Python fonksiyonuna üstel geri çekilmeyle yeniden deneme mantığı eklemek için temiz bir kütüphane. Tek bir dekoratör ve yeniden denemeleriniz halledilir
Odaklanmanız gerekenler: Hız sınırı hataları (429) ve üstel geri çekilme, httpx/requests ile zaman aşımı yönetimi, model çıktısını kullanmadan önce doğrulama, yedek stratejiler (farklı bir modelle yeniden dene, önbelleğe alınmış bir yanıt döndür) ve LLM beklenmedik bir çıktı döndürdüğü için uygulamanızın asla çökmemesi
8. Prompt Enjeksiyonu Farkındalığı
Prompt enjeksiyonu, LLM uygulamalarındaki #1 güvenlik riskidir
Güvenilmeyen kullanıcı girdisi sistem talimatlarıyla birleştirildiğinde, bir kullanıcının prompt'a müdahale etmesine, geçersiz kılmasına veya yeni davranışlar enjekte etmesine olanak tanıdığında meydana gelir – bu da sistemin istenmeyen eylemler gerçekleştirmesine veya manipüle edilmiş çıktılar üretmesine neden olur
Bir güvenlik uzmanı olmanıza gerek yok, ancak bir şey dağıtmadan önce bunun var olduğunu bilmeniz gerekir
Kaynaklar:
1. LLM Uygulamaları için OWASP En İyi 10 – LLM01: Prompt Enjeksiyonu (ücretsiz)
İşte İngilizce metnin Türkçe çevirisi:
Bağlantı: https://genai.owasp.org/llmrisk/llm01-prompt-injection/
Doğrudan enjeksiyonları (jailbreak), belgeler veya web siteleri gibi harici içerikler aracılığıyla yapılan dolaylı enjeksiyonları ve gerçek dünya saldırı senaryolarını kapsayan yetkili sınıflandırma.
2. OWASP Prompt Enjeksiyonu Önleme Kopya Kağıdı (ücretsiz)
Bağlantı: https://cheatsheetseries.owasp.org/cheatsheets/LLM_Prompt_Injection_Prevention_Cheat_Sheet.html
Pratik savunma modelleri: girdi doğrulama, ayrıcalık kontrolü ve çıktı doğrulama.
3. Evidently AI: Prompt Enjeksiyonu Nedir (ücretsiz)
Bağlantı: https://www.evidentlyai.com/llm-guide/prompt-injection-llm
Saldırı türleri, riskler ve bunları azaltmak için tasarım kalıpları üzerine geliştirici odaklı net bir açıklama.
Odaklanmanız gerekenler: Doğrudan ve dolaylı enjeksiyon arasındaki fark, sistem istemlerinin neden gerçekten "güvenli" olmadığı, araç erişimi için en az ayrıcalık ilkesi ve önemli kararları otomatik olarak almak için doğrulanmamış LLM çıktısına asla güvenmeme.
2. Ay Kilometre Taşı
Bu ayın sonunda şunları yapabiliyor olmalısınız:
- Belirli bir görev için tutarlı ve güvenilir çıktılar üreten istemler yazmak.
- Pydantic + Instructor kullanarak herhangi bir modelden yapılandırılmış JSON verisi almak.
- Bir modelin Python fonksiyonlarınızı çağırabilmesi için araç çağrısını bağlamak.
- Bir FastAPI uç noktası aracılığıyla yanıtları gerçek zamanlı olarak akışla iletmek.
- Çok turlu konuşma geçmişini doğru şekilde yönetmek.
- Bir isteği göndermeden önce token maliyetini tahmin etmek.
- API hatalarını, zaman aşımlarını ve hatalı çıktıları çökmeden işlemek.
- Prompt enjeksiyonunun ne olduğunu açıklamak ve temel savunmaları uygulamak.
⏩------------------------------------------------------------------------⏪
3. Ay: RAG'ı Doğru Şekilde Öğrenin
Bu ayki hedefiniz: LLM'lerin, yalnızca eğitim verilerinden değil, belgelerinizden gelen soruları yanıtlamasını sağlayan sistemler oluşturmak.
Ay sonunda şunları yapabiliyor olmalısınız: belgeleri işlemek, gömmek ve depolamak, sorgu anında doğru parçaları almak ve temellendirilmiş, doğru ve kaynak gösterilebilir yanıtlar üretmek.
RAG, şu anda AI mühendisliğinde en çok talep gören pratik beceridir. Neredeyse tüm gerçek kurumsal AI kullanım durumları – müşteri destek botları, dahili bilgi tabanları, belge soru-cevap – bunun üzerine inşa edilmiştir.
Sadece bir öğreticiyi kopyalamak değil, onu derinlemesine anlamak, iyi mühendisleri harikalardan ayıran şeydir.
1. Gömmeler (Embeddings)
Bir RAG sistemi oluşturmadan önce, gömmelerin gerçekte ne olduğunu anlamanız gerekir – çünkü diğer her şeyin üzerine inşa edildiği temeldir.
Bir metin gömme, bir metin parçasının yüksek boyutlu bir vektör uzayına yansıtılmasıdır.
Bu metnin uzaydaki konumu, uzun bir sayı dizisi olarak temsil edilir.
Kritik olarak, anlamsal olarak benzer metinler bu uzayda birbirine yakın konumlanır – bu da benzerlik aramasını mümkün kılan şeydir.
Kaynaklar:
1. Stack Overflow Blog: Metin Gömmelerine Sezgisel Bir Giriş (ücretsiz)
Bağlantı: https://stackoverflow.blog/2023/11/09/an-intuitive-introduction-to-text-embeddings/
En iyi başlangıç seviyesi açıklaması. Yıllardır NLP ürünleri geliştiren bir geliştirici tarafından, matematiğe değil doğru sezgiyi oluşturmaya odaklanarak yazılmıştır.
2. Google ML Hızlandırılmış Kursu: Gömmeler (ücretsiz)
Bağlantı: https://developers.google.com/machine-learning/crash-course/embeddings
Yoğun vektör temsillerinin, one-hot kodlamanın çözemediği sorunları – özellikle öğeler arasındaki anlamsal ilişkileri yakalamayı – nasıl çözdüğünü kapsar.
3. HuggingFace: Gömmelere Başlarken (ücretsiz)
Bağlantı: https://huggingface.co/blog/getting-started-with-embeddings
Uygulamalı kılavuz. sentence-transformers kütüphanesini kullanarak gömmelerin nasıl oluşturulacağını, barındırılacağını ve gerçek bir SSS veri seti üzerinde anlamsal arama için nasıl kullanılacağını gösterir.
4. OpenAI Gömmeler Kılavuzu (resmi dokümanlar, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/embeddings
OpenAI'nin text-embedding-3-small ve text-embedding-3-large modellerini kod içinde kullanmak için referans.
Odaklanmanız gerekenler: Bir vektörün kavramsal olarak ne olduğu, benzer metinlerin neden benzer vektörler ürettiği, kosinüs benzerliğinin nasıl çalıştığı, gömme modelleri (OpenAI, HuggingFace sentence-transformers) arasındaki fark ve gömme boyutunun pratikte ne anlama geldiği.
Pratik: İlgili konularda 20 cümle alın, bunları OpenAI veya sentence-transformers kullanarak gömün ve bir sorguya en benzer 3 cümleyi döndüren basit bir en yakın komşu araması yazın. Bu, kelimenin tam anlamıyla RAG'ın minyatürdeki kalbidir.
2. Parçalama (Chunking)
Belgeleriniz, bütün olarak gömmek için çok büyüktür. Parçalama, gömmeden önce onları daha küçük parçalara ayırma işlemidir.
Belgelerinizi nasıl parçaladığınız, sisteminizin ilgili bilgileri bulma ve doğru yanıtlar verme yeteneğini doğrudan etkiler; kötü hazırlanmış veriler üzerinde arama yaparsa mükemmel bir alma sistemi bile başarısız olur.
Kaynaklar:
1. Weaviate: RAG için Parçalama Stratejileri (ücretsiz)
Bağlantı: https://weaviate.io/blog/chunking-strategies-for-rag
En pratik kılavuz. Sabit boyutlu, özyinelemeli ve anlamsal parçalamayı kapsar ve her birinin ne zaman kullanılacağına dair net rehberlik sağlar.
2. Unstructured: RAG için En İyi Parçalama Uygulamaları (ücretsiz)
Bağlantı: https://unstructured.io/blog/chunking-for-rag-best-practices
Parça boyutları, örtüşme ve gömme modelinin bağlam penceresinin nasıl katı sınırlar koyduğu üzerine teknik bir derinlemesine inceleme.
Deneyler için iyi bir başlangıç noktası, sınırlarda bağlam kaybını önlemek için ardışık parçalar arasında %10-20 örtüşme ile birleştirilmiş, yaklaşık 250 token (yaklaşık 1.000 karakter) civarında bir parça boyutudur.
3. LangChain Metin Ayırıcılar Dokümanı (resmi, ücretsiz)
Bağlantı: https://python.langchain.com/docs/concepts/text_splitters/
RecursiveCharacterTextSplitter, MarkdownTextSplitter ve anlamsal ayırıcıları kod içinde kullanmak için pratik referans.
Odaklanmanız gerekenler: Temel çizginiz olarak örtüşmeli sabit boyutlu parçalama, yapılandırılmış belgeler için özyinelemeli parçalama, daha iyi sınır tespiti için anlamsal parçalama ve temel ödünleşim: çok büyük parçalar alma hassasiyetini kaybeder; çok küçük parçalar bağlamı kaybeder.
Yeni başlayanlara ipucu: LangChain'den RecursiveCharacterTextSplitter ile chunk_size=500 ve chunk_overlap=50 kullanarak başlayın. Bu, çoğu belge için en mantıklı varsayılandır ve geliştirmek için çalışan bir temel çizgi sağlar.
3. Vektör Veritabanları
Gömmelere sahip olduğunuzda, bunları verimli bir şekilde depolamak ve aramak için bir yere ihtiyacınız vardır. Vektör veritabanlarının işlevi budur.
Doğru seçim durumunuza bağlıdır: Hızlı yerel prototipleme için Chroma, yönetilen anahtar teslim ölçek için Pinecone, güçlü hibrit arama ile açık kaynak esnekliği için Weaviate, karmaşık filtreler ve uygun maliyetli kendi kendine barındırma için Qdrant ve halihazırda PostgreSQL kullanıyorsanız ve başka bir sistem eklemekten kaçınmak istiyorsanız pgvector kullanın.
Kaynaklar:
1. Chroma Resmi Dokümanları (ücretsiz)
Bağlantı: https://docs.trychroma.com/
Chroma, geliştirme hızına ve basitliğe öncelik veren bireysel geliştiriciler ve küçük ekipler için mükemmeldir; yönetilecek bir altyapı olmadan bellekte veya yerel olarak çalışır.
2. Pinecone Öğrenim Merkezi (ücretsiz)
Bağlantı: https://www.pinecone.io/learn/
Vektör arama kavramlarını, hibrit aramayı ve RAG boru hatlarını kapsayan mükemmel ücretsiz eğitimler. Pinecone kullanmasanız bile sağlayıcıdan bağımsız iyi materyaller.
3. Qdrant Dokümantasyonu (ücretsiz)
Bağlantı: https://qdrant.tech/documentation/
Gelişmiş filtreleme ile üretim için en iyi açık kaynak seçeneği. Çok hızlı, esnek ve kendi kendine barındırma için ücretsiz.
4. pgvector (açık kaynak, ücretsiz)
Bağlantı: https://github.com/pgvector/pgvector
Halihazırda PostgreSQL kullanan bir şey oluşturuyorsanız, pgvector hiçbir yeni altyapı gerektirmeden doğrudan mevcut veritabanınıza vektör araması ekler.
Odaklanmanız gerekenler: Bir koleksiyon oluşturma, meta verilerle gömmeler ekleme, top_k ile benzerlik sorgulama ve sorgu anında meta verilere göre filtreleme.
Dizin oluşturma algoritmalarını (HNSW, IVF) anlamanıza gerek yok – sadece onları nasıl kullanacağınızı anlayın.
Pratik proje: Herhangi bir kamuya açık dokümantasyondan (örneğin Python dokümanları veya bir Wikipedia makale dökümü) 50-100 sayfayı meta verilerle (kaynak URL, bölüm başlığı) birlikte Chroma'ya dizinleyin. Herhangi bir soru için en alakalı 5 parçayı alan bir sorgu fonksiyonu yazın.
4. Meta Veri Filtreleme
Gerçek uygulamalar için ham benzerlik araması tek başına yeterli değildir. Meta veri filtreleme, almayı tarih, kaynak, belge türü, kullanıcı, kategori veya her parçanın yanında depoladığınız herhangi bir başka özniteliğe göre ilgili bir alt kümeyle sınırlamanıza olanak tanır.
Kaynaklar:
1. Pinecone: Meta Veri Filtreleme Kılavuzu (ücretsiz)
Bağlantı: https://docs.pinecone.io/guides/data/filter-with-metadata
Benzerlik aramasından önce veya sırasında vektörleri meta veri alanlarına göre filtrelemeye ilişkin kod örnekleriyle net açıklama.
2. LlamaIndex: Meta Veri Filtreleri Kılavuzu (resmi dokümanlar, ücretsiz)
Bağlantı: https://docs.llamaindex.ai/en/stable/module_guides/querying/node_postprocessors/node_postprocessors/
LlamaIndex boru hatlarında sorgu anında filtrelerin nasıl uygulanacağını açıklar.
Odaklanmanız gerekenler: Her parçayı alma zamanında ilgili meta verilerle (kaynak dosya adı, sayfa numarası, bölüm, tarih, kategori) etiketlemek ve sorgu anında sonuçları filtrelemek için bu alanları kullanmak. Bu, bir oyuncak demosu ile kullanıcıların "bana yalnızca 2025 Q4 - 2026 Q1 raporlarından sonuçları göster" diyebildiği bir üretim sistemi arasındaki farktır.
5. Yeniden Sıralama (Reranking)
Yeniden sıralama, herhangi bir anahtar kelime veya vektör arama sisteminin arama kalitesine anlamsal bir destek ekleyen bir tekniktir.
İlk aşama alımı bir aday kümesi döndürdükten sonra, bir yeniden sıralayıcı bu sonuçları, yalnızca vektör yakınlığına değil, sorguyla gerçek bağlamsal alaka düzeyine göre yeniden puanlar.
İki aşamalı desen şudur: göm ve ara (hızlı, yaklaşık) → top-k'yı yeniden sırala (daha yavaş, daha doğru). Sonuç, yalnızca mütevazı bir gecikme maliyetiyle önemli ölçüde daha iyi alma kalitesidir.
Kaynaklar:
1. Cohere Yeniden Sıralama Dokümanları (resmi, ücretsiz)
Bağlantı: https://docs.cohere.com/docs/reranking-with-cohere
Başlamak için en iyi yer. E-postalar ve JSON belgeleri gibi yarı yapılandırılmış veriler de dahil olmak üzere tam yeniden sıralama iş akışını kapsar. Mevcut bir alma boru hattına eklemek için yalnızca tek bir satır kod gerektirir.
2. LangChain: Cohere Yeniden Sıralayıcı Entegrasyonu (resmi dokümanlar, ücretsiz)
Bağlantı: https://python.langchain.com/docs/integrations/retrievers/cohere-reranker/
ContextualCompressionRetriever kullanarak Cohere yeniden sıralamasının bir LangChain alıcısına nasıl bağlanacağını açıklar.
Odaklanmanız gerekenler: Al-sonra-yeniden-sırala şeklindeki iki aşamalı desen, bir çift kodlayıcı (ilk aşama gömme araması için kullanılır) ile bir çapraz kodlayıcı (yeniden sıralama için kullanılır) arasındaki fark ve ilk 20 sonucu yeniden sıralamak ile ilk 5 sonucu yeniden sıralamak arasındaki pratik gecikme/kalite ödünleşimi.
6. Alma Kalitesi Sorunları
Çoğu RAG hatası model hatası değil, alma hatasıdır. Almanın yanlış gidebileceği yolları anlamak, gerçek sistemlerde hata ayıklamak için çok önemlidir.
Öğrenilmesi gereken yaygın sorunlar:
- Anlamsal kayma: Bilgi orada olmasına rağmen sorgu gömme, ilgili parça gömme ile eşleşmez. Çözüm: sorgu yeniden yazmayı veya HyDE'yi (Varsayımsal Belge Gömmeleri) deneyin.
- Parça sınırı sorunları: İlgili bilgi iki parçaya bölünmüştür. Çözüm: örtüşmeyi artırın veya anlamsal parçalama kullanın.
- Eksik meta veri bağlamı: Parçalar sorguya anlamsal olarak benzerdir ancak yanlış belgeye, tarihe veya kullanıcıya aittir. Çözüm: meta veri filtreleme kullanın.
- Top-k çok küçük: Doğru parça mevcuttur ancak alınan ilk 5 sonuç içinde değildir. Çözüm: Almada top_k'yı artırın ve yeniden sıralamadan sonra azaltın.
Kaynaklar:
1. LangChain: Sorgu Dönüşümleri (ücretsiz)
Bağlantı: https://python.langchain.com/docs/how_to/#query-analysis
Sorgu yeniden yazma, adım geri istemleme ve HyDE'yi kapsar.
2. Pinecone: Alma Kalitesini İyileştirme (ücretsiz)
Bağlantı: https://www.pinecone.io/learn/retrieval-augmented-generation/#retrieval-quality
Düzeltmelerle birlikte yaygın hata modlarının pratik anlatımı.
7. Halüsinasyon Azaltma
RAG, sade bir LLM'ye kıyasla halüsinasyonları önemli ölçüde azaltır, ancak tamamen ortadan kaldırmaz.
Modele çalışma zamanında alınan gerçekleri sağlayarak, RAG yanıtlarını yalnızca eğitim verilerine güvenmek yerine gerçek kaynaklara dayandırır ve modelin çıktısı bu kaynaklara atıfta bile bulunarak şeffaflığı ve güveni artırabilir.
Ancak alma hataları, kötü parçalar ve çelişkili bilgiler yine de modelin uydurma şeyler yapmasına neden olabilir.
Kaynaklar:
1. Zep: LLM Halüsinasyonlarını Azaltma – Bir Geliştirici Kılavuzu (ücretsiz)
Bağlantı: https://www.getzep.com/ai-agents/reducing-llm-hallucinations/
İstem temellendirme stratejileri, olgusal görevler için düşünce zinciri ve çıktı doğrulama kalıplarını kapsayan pratik, geliştirici odaklı kılavuz.
2. Voiceflow: LLM Halüsinasyonlarını Azaltmanın 5 Yolu (ücretsiz)
Bağlantı: https://www.voiceflow.com/blog/prevent-llm-hallucinations
Birleşik stratejiye ilişkin iyi bir genel bakış: RAG + düşünce zinciri + korkuluklar birlikte tek bir yaklaşımdan daha iyi performans gösterir.
Odaklanmanız gerekenler: Modele yalnızca sağlanan bağlamdan yanıt vermesi (ve cevap olmadığında "Bilmiyorum" demesi) için talimat vermek, yanıtları yüzeye çıkarmadan önce bir güven eşiği eklemek ve LLM'yi suçlamadan önce her zaman alma kalitesini doğrulamak.
8. Alıntılar ve Temellendirme
Temellendirilmiş bir RAG sistemi sadece cevap vermez – cevabın nereden geldiğini de söyler. Bu, kullanıcı güveni ve hata ayıklama için kritiktir.
Kaynaklar:
1. Anthropic: Claude'a Kaynak Verme (dokümanlar, ücretsiz)
Bağlantı: https://docs.anthropic.com/en/docs/build-with-claude/citations
Claude'a kaynak referanslarıyla birlikte alıntı yapılmış yanıtlar üretmesi için nasıl talimat verileceğini açıklar.
2. LangChain: Kaynaklarla RAG (ücretsiz)
Bağlantı: https://python.langchain.com/docs/how_to/qa_sources/
Bir LangChain RAG boru hattında yanıtların yanında kaynak belgelerin nasıl döndürüleceğini açıklar.
Odaklanmanız gerekenler: Parça meta verilerini (kaynak dosya adı, sayfa numarası, URL) istem bağlamınıza aktarmak, modele yanıtında kaynaklara atıfta bulunması talimatını vermek ve bu kaynakları kullanıcı arayüzünüzde veya API yanıtınızda görüntülemek.
9. RAG Çerçeveniz: LangChain veya LlamaIndex
Bir RAG boru hattını sıfırdan oluşturmanıza gerek yok. Bu alana iki çerçeve hakimdir ve bunları bilmeye değer:
LlamaIndex, aramayı ve indekslemeyi ön plana koymak için optimize edilmiştir – alım, parçalama, gömme ve sorgulamayı birkaç satır kodla soyutlayarak bir öğleden sonra çalışan bir prototip oluşturmanıza olanak tanır.
LangChain, uygulamanız bir orkestrasyon motoruna benzediğinde parlar – çoklu ajan iş akışları, araç çağrısı ve bir yanıt oluşturmadan önce birden çok LLM veya harici API'yi sorgulayan koşullu zincirlerle üstün performans gösterir.
- Ay için RAG'da LlamaIndex ile başlayın. 4. Ay'ın ajan çalışmalarına ulaştığınızda LangChain'e geçin.
Kaynaklar:
1. LlamaIndex: RAG'a Giriş (resmi dokümanlar, ücretsiz)
Bağlantı: https://developers.llamaindex.ai/python/framework/understanding/rag/
RAG'ın beş temel aşamasını kapsar: yükleme, indeksleme, depolama, sorgulama ve değerlendirme – ve LlamaIndex'in her birini nasıl ele aldığı.
2. LlamaIndex Başlangıç Eğitimi (resmi dokümanlar, ücretsiz)
Bağlantı: https://developers.llamaindex.ai/python/framework/getting_started/starter_example/
Resmi hızlı başlangıç. 30 satırın altında çalışan bir RAG sistemi oluşturun.
3. LangChain: Bir RAG Ajanı Oluşturun (resmi dokümanlar, ücretsiz)
Bağlantı: https://docs.langchain.com/oss/python/langchain/rag
40 satırlık minimal bir sürümden yeniden sıralamalı tam bir alma boru hattına kadar, yapılandırılmamış metin üzerinden bir RAG ajanı kullanarak nasıl bir Soru-Cevap uygulaması oluşturulacağını gösterir.
Pratik proje: Bir "belgelerinizle sohbet edin" uygulaması oluşturun. 10-20 PDF veya metin dosyasını işleyin (kendi notlarınız, bir ders kitabı bölümü, ürün dokümantasyonu – herhangi bir şey). Bir soruyu kabul eden, yeniden sıralama ile en alakalı 5 parçayı alan ve Claude veya OpenAI'den alıntı yapılmış bir yanıt döndüren bir FastAPI uç noktası oluşturun. Bu gerçek bir portföy parçasıdır.
3. Ay Kilometre Taşı
Bu ayın sonunda şunları yapabiliyor olmalısınız:
- Bir gömmenin ne olduğunu ve benzer metinlerin neden benzer vektörler ürettiğini açıklamak.
- Herhangi bir belgeyi uygun stratejiler kullanarak akıllıca parçalamak.
- Meta veri filtreleme ile bir vektör veritabanında gömmeleri depolamak ve sorgulamak.
- Alma kalitesini artırmak için bir yeniden sıralama adımı eklemek.
- Yaygın alma hatalarını sistematik olarak ayıklamak.
- Belgeleri işleyen, ilgili parçaları alan ve temellendirilmiş, alıntı yapılmış yanıtlar döndüren, LlamaIndex veya LangChain kullanan eksiksiz bir uçtan uca RAG boru hattı oluşturmak.
⏩------------------------------------------------------------------------⏪
4. Ay: Ajanlar, Araçlar, İş Akışları ve Değerlendirmeler
Bu ayki hedefiniz: Otonom olarak bir dizi eylem gerçekleştirebilen, çok adımlı iş akışlarını birbirine bağlayan ve çalışıp çalışmadıklarını eleştirel olarak değerlendirebilen AI sistemleri oluşturmak.
Ay sonunda şunları yapabiliyor olmalısınız: sıfırdan gerçek bir ajan oluşturmak, ajanların ne zaman yanlış seçim olduğunu anlamak ve oluşturduğunuz her şeyin performansını ölçmek.
AI mühendisliğinin gerçekten karmaşık hale geldiği yer burasıdır. 4. Ay'daki beceriler, kıdemsiz AI mühendislerini, uçtan uca bir AI özelliğine sahip olabilen kişilerden ayıran şeydir.
1. Ajan Döngüleri
Bir ajan sihir değildir; şaşırtıcı derecede basit bir kalıptır.
Ajanları, sürekli olarak gözlemleme, akıl yürütme ve harekete geçme döngüsünde olan, hedef odaklı sistemler olarak düşünün.
Bu döngü, basit sorular ve cevapların ötesine geçen görevlerin üstesinden gelmelerine, gerçek otomasyona, araç kullanımına ve anında uyum sağlamaya geçmelerine olanak tanır.
"Düşünme" istemde gerçekleşir, "dallanma" ajanın mevcut araçlar arasında seçim yapmasıdır ve "yapma" harici fonksiyonları çağırdığımızda gerçekleşir. Diğer her şey sadece tesisattır.
Bunu içselleştirdiğinizde, en karmaşık ajan çerçeveleri bile okunabilir hale gelir.
Kaynaklar:
1. Anthropic: Etkili Ajanlar Oluşturma (resmi, ücretsiz)
Bağlantı: https://www.anthropic.com/research/building-effective-agents
Üretimdeki ajanlar hakkında yazılmış en iyi tek yazı. Tek bir satır ajan kodu yazmadan önce bunu okuyun.
2. OpenAI: Ajan Oluşturmak İçin Pratik Bir Kılavuz (resmi PDF, ücretsiz)
Bağlantı: https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
OpenAI'nin üretimdeki ajan kalıplarını, korkulukları ve güvenlik kalıplarını kapsayan tamamlayıcı kılavuzu.
3. freeCodeCamp: Açık Kaynak LLM Ajan El Kitabı (ücretsiz)
Bağlantı: https://www.freecodecamp.org/news/the-open-source-llm-agent-handbook/
Ajan döngüsü, LangGraph, CrewAI, planlama, bellek ve araç kullanımını kapsayan kapsamlı bir pratik kılavuz. Hızlı bir şekilde uygulamalı olmak için iyi.
4. LangChain Akademisi: LangGraph'a Giriş (ücretsiz kurs)
Bağlantı: https://academy.langchain.com/courses/intro-to-langgraph
En yaygın kullanılan ajan orkestrasyon çerçevesi olan LangGraph için resmi ücretsiz kurs. Durum, bellek, insanın döngüde olması ve daha fazlasını kapsar.
Odaklanmanız gerekenler: Algıla → planla → harekete geç → gözlemle döngüsü, ajan döngüsünün nasıl sonlandığı, bir döngü içinde bir araç çağrısı başarısız olduğunda ne olduğu ve ajanların, dallanma kararlarını veren bir LLM ile sadece while döngüleri olduğu.
Pratik: Herhangi bir çerçeve olmadan – sadece doğrudan OpenAI veya Anthropic API'sini kullanarak – sıfırdan bir ajan oluşturun. 3 araç, bir hedef ve bir döngü verin. Bu, çerçevelerin neyi soyutladığını gerçekten anlamak için yapabileceğiniz en değerli şeydir.
2. Araç Seçimi
İyi araçlar yazmak işin yarısıdır. Araçlarınız ve parametreleri için açıklamalar, LLM için kullanım kılavuzudur. Kılavuz belirsizse, LLM aracı yanlış kullanır. Acı verici, amansız bir şekilde açık olun.
Kötü tanımlanmış bir araç yanlış çağrılır, yanlış zamanda çağrılır veya tamamen yok sayılır. İyi tanımlanmış bir araç tahmin edilebilir şekilde davranır ve çok çeşitli girdiler arasında doğru şekilde seçilir.
Kaynaklar:
1. OpenAI: Fonksiyon Çağrısı En İyi Uygulamaları (resmi dokümanlar, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/function-calling/best-practices
Güvenilir şekilde çalışan araç açıklamaları yazmak için adlandırma kuralları ve parametre dokümantasyon kalıpları ile birlikte kanonik kılavuz.
2. Anthropic: Araç Kullanımı En İyi Uygulamaları (resmi dokümanlar, ücretsiz)
Anthropic'in eşdeğeri. Modelin seçmesine izin vermek ile belirli bir aracı zorlamak arasındaki seçime ilişkin rehberliğe özellikle dikkat edin.
Odaklanmanız gerekenler: Kendi kendini açıklayan fiiller olan araç adları yazmak, aracın ne zaman çağrılacağını açıklayan (sadece ne yaptığını değil) açıklamalar yazmak, parametreleri minimumda ve iyi tipte tutmak ve arayan olarak LLM ile araçlar tasarlamak.
Yeni başlayanlara ipucu: Her araç açıklamasını kendinize şu soruyu sorarak test edin: "Hiç dokümantasyonum olmasaydı ve sadece bu JSON şemasına sahip olsaydım, bunu tam olarak ne zaman ve nasıl arayacağımı bilir miydim?" Cevap hayırsa, daha fazla çalışma gerekiyor.
3. Durum Yönetimi
LangGraph'te durum, grafik boyunca akan paylaşılan bir bellek nesnesidir. İlgili tüm bilgileri – mesajlar, değişkenler, ara sonuçlar ve karar geçmişi – depolar ve yürütme boyunca otomatik olarak yönetilir.
Durumu anlamak, çok turlu görevleri yerine getirebilen, hatalardan kurtulabilen ve bileşenler arasında temiz bir şekilde geçiş yapabilen ajanlar oluşturmanın anahtarıdır.
Kaynaklar:
1. LangGraph Resmi Dokümanları: Durum Yönetimi (ücretsiz)
Bağlantı: https://langchain-ai.github.io/langgraph/concepts/low_level/#state
Kesin referans. State şemalarını, redüzerleri ve state'in düğümler ve kenarlar arasında nasıl aktığını kapsar
2. DataCamp: LangGraph Ajanları Eğitimi (ücretsiz)
Bağlantı: https://www.datacamp.com/tutorial/langgraph-agents
State, düğümler ve kenarların temellerini uygulamalı kodla anlatır; oturumlar arasında kalıcı belleğe sahip state'li ajanlar oluşturmaya kadar gider
3. Real Python: Python'da LangGraph (ücretsiz)
Bağlantı: https://realpython.com/langgraph-python/
Eksiksiz bir state'li LangGraph ajanı oluşturan kapsamlı bir eğitim; state grafiği ve koşullu kenarlar hakkında ayrıntılı açıklamalar içerir
Odaklanmanız gerekenler: TypedDict ile state şemalarını tanımlamak, paralel güncellemeleri birleştirmek için redüzerlerin nasıl çalıştığı, bellek içi state ile kalıcı kontrol noktası arasındaki fark ve yürütme sırasında state'i inceleyip değiştirerek insanın araya girdiği duraklamaların nasıl çalıştığı
4. Ajanlarda Yeniden Denemeler ve Hata Yönetimi
Ajanlar, normal LLM çağrılarından farklı şekilde başarısız olur. Döngü sırasında yanlış bir araç çağrısı state'i bozabilir, sonsuz döngülere neden olabilir veya sessizce yanlış cevaplar üretebilir. Tüm bunlar için açık stratejilere ihtiyacınız var
Kaynaklar:
1. LangGraph: Hata Yönetimi ve Yeniden Denemeler (resmi dokümantasyon, ücretsiz)
Bağlantı: https://langchain-ai.github.io/langgraph/how-tos/autofill-tool-errors/
LangGraph'te araç düğümü seviyesinde otomatik hata yönetimi ve yeniden deneme mantığının nasıl ekleneceğini açıklar
2. OpenAI Pratik Ajanlar Rehberi: Korkuluklar bölümü (ücretsiz)
Bağlantı: https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
Korkulukları katmanlı bir savunma olarak ele alır; LLM tabanlı kontrolleri, regex gibi kural tabanlı filtreleri ve moderasyon API'lerini birleştirerek ajan döngüsünün her aşamasında hem girdileri hem de çıktıları inceler
Odaklanmanız gerekenler: Sonsuz döngüleri önlemek için maksimum yineleme sınırları, üstel geri çekilmeli araç başına yeniden deneme, ajanı çökertmeden araç yürütme katmanındaki istisnaları yakalayıp günlüğe kaydetme ve bir hatanın kullanıcıya ne zaman bildirileceği ile sessizce yeniden deneneceği arasındaki fark
5. Ajanların NE ZAMAN Kullanılmayacağı
Bu, AI mühendisliğindeki en önemli ve en çok gözden kaçırılan becerilerden biridir. Ajanlar heyecan vericidir ancak aynı zamanda yavaş, pahalı, öngörülemez ve hata ayıklaması zordur. Daha basit bir şeye ne zaman yönelmeniz gerektiğini bilmek, iyi bir muhakeme göstergesidir
Anthropic, mümkün olan en basit çözümü bulmayı ve yalnızca gerektiğinde karmaşıklığı artırmayı önerir – bu, aslında hiç ajan sistemi kurmamak anlamına gelebilir
Ajan sistemleri, daha iyi görev performansı için gecikme ve maliyetten ödün verir ve bu takasın ne zaman anlamlı olduğunu dikkatlice değerlendirmelisiniz
Karar çerçevesi şudur:
- Görev, doğru bağlamla tek bir promptta çözülebiliyorsa tek bir LLM çağrısı kullanın
- Adımlar sabit ve öngörülebilirse bir iş akışı kullanın
- Yalnızca adım sayısı gerçekten öngörülemezse ve dinamik karar alma gerektiriyorsa bir ajan kullanın
Kaynaklar:
1. Anthropic: Etkili ajanlar oluşturma, ne zaman ajan kullanılmalı (resmi, ücretsiz)
Bağlantı: https://www.anthropic.com/research/building-effective-agents
Bu soruya en yetkili yanıt, doğrudan modelleri oluşturan ekipten geliyor
2. Simon Willison: Ajan Döngüleri Tasarlamak (ücretsiz)
Bağlantı: https://simonwillison.net/2025/Sep/30/designing-agentic-loops/
Kıdemli bir mühendisten, ajan karmaşıklığının ne zaman haklı olduğu ve ajan döngü tasarımı hakkında nasıl düşünülmesi gerektiği konusunda pratik bir bakış açısı
Ezberlemeniz gereken: 3 sabit LLM çağrısından oluşan bir zincir, 3 çağrı yapabilen bir ajandan her zaman daha hızlı, daha ucuz ve hata ayıklaması daha kolay olacaktır. Ajanları gerçekten açık uçlu görevler için saklayın
6. Çok Adımlı İş Akışları
"Tek prompt" ile "tam ajan" arasında geniş ve verimli bir orta alan vardır: iş akışları. İş akışları, görev temiz bir şekilde sabit alt görevlere ayrılabildiğinde idealdir – her bir LLM çağrısını daha kolay ve daha odaklı bir görev haline getirerek daha yüksek doğruluk için gecikmeden ödün verir
Yaygın kalıplar arasında prompt zincirleme (bir çağrının çıktısı bir sonrakinin girdisi olur), yönlendirme (girdiyi sınıflandırma ve uzman işleyicilere gönderme), paralelleştirme (birden çok çağrıyı aynı anda çalıştırma ve toplama) ve düzenleyici-alt ajan (bir LLM planlar, diğerleri yürütür) bulunur
Kaynaklar:
1. Anthropic: İş Akışı Kalıpları (resmi, ücretsiz)
Bağlantı: https://www.anthropic.com/research/building-effective-agents#workflow-patterns
Tüm ana kalıpları diyagramlar ve kod örnekleriyle kapsar. Paralelleştirme ve düzenleme bölümleri özellikle faydalıdır
2. LangGraph: Çok Ajanlı Ağlar (resmi dokümantasyon, ücretsiz)
Bağlantı: https://langchain-ai.github.io/langgraph/concepts/multi_agent/
Birden çok ajanın bir ağ olarak nasıl birbirine bağlanacağını, denetleyici ve devir teslim kalıplarıyla açıklar
Uygulama projesi: 3 adımlı bir içerik hattı oluşturun:
- Adım – bir LLM, bir makaleden temel gerçekleri çıkarır
- Adım – başka bir LLM çağrısı, bu gerçekleri kullanarak aynı anda bir tweet, bir LinkedIn gönderisi ve bir özet oluşturur
- Adım – son bir LLM çağrısı, üçünü de kalite açısından puanlar ve en iyisini seçer
Ajan gerekmez, saf iş akışı
7. Değerlendirme Düzenekleri
Değerlendirmeler, AI sisteminizin gerçekten çalışıp çalışmadığını anlamanızı sağlar – yalnızca elle test ettiğiniz örneklerde değil, yüzlerce girdi üzerinde sistematik olarak
AI ajanları güçlüdür ancak konuşlandırılması karmaşıktır çünkü olasılıksal, çok adımlı davranışları birçok hata noktası ortaya çıkarır
Bir ajanın farklı bölümleri – LLM'ler, araçlar, alıcılar ve iş akışları – her biri kendi değerlendirme yaklaşımını gerektirir
Kaynaklar:
1. DeepEval (açık kaynak, ücretsiz)
Bağlantı: https://deepeval.com/docs/getting-started
pytest'ten ilham alan, açık kaynaklı bir LLM değerlendirme çerçevesidir. Girdiler ve beklenen çıktılarla test senaryoları yazın, halüsinasyon, cevap alaka düzeyi ve gerçek tutarlılık dahil 50'den fazla yerleşik metrikle çalıştırın ve sürümler arasındaki regresyonları yakalayın
2. Promptfoo (açık kaynak, ücretsiz)
Bağlantı: https://github.com/promptfoo/promptfoo
Otomatik test paketleriyle LLM uygulamalarını test etmek ve değerlendirmek için bir CLI ve kütüphane. Birden çok modelde birden çok promptun yan yana karşılaştırılmasını, CI/CD entegrasyonunu ve güvenlik açıkları için kırmızı takım çalışmasını destekler
3. LangSmith (ücretsiz katman)
Bağlantı: https://smith.langchain.com/
LangChain ve LangGraph uygulamaları için izleme, hata ayıklama ve değerlendirme. Ücretsiz katmanı cömerttir ve izleme arayüzü, ajan döngülerinde hata ayıklamayı önemli ölçüde kolaylaştırır
4. Ragas (açık kaynak, ücretsiz)
Bağlantı: https://docs.ragas.io/
RAG hatları için özelleştirilmiş değerlendirme çerçevesi. Sadakat, cevap alaka düzeyi, bağlam kesinliği ve bağlam hatırlamasını ölçer. 3. Aydan itibaren RAG sistemlerini değerlendiriyorsanız gereklidir
Odaklanmanız gerekenler: Beklenen çıktılara veya rubriklere sahip 20-50 temsili girdiden oluşan bir altın test seti oluşturmak, çıktıları deterministik olarak (string eşleştirme, JSON şema doğrulama) veya LLM-jüri ile puanlayan değerlendirme fonksiyonları yazmak ve bir promptu değiştirdiğinizde veya bir modeli değiştirdiğinizde değerlendirmeleri otomatik olarak çalıştırmak
Kritik zihniyet: Değerlendirmeler isteğe bağlı bir cila değildir. Değerlendirme çalıştırmadan yaptığınız her prompt değişikliği, model değişikliği veya getirme ayarı bir kumardır. Güvenilir AI ürünleri teslim eden mühendisler sürekli olarak değerlendirme çalıştırır
8. Görev Başarı Metrikleri
Otomatik değerlendirmelerin ötesinde, ajanınızın gerçek hedefine ulaşıp ulaşmadığını size söyleyen metrikler gerekir
Kaynaklar:
1. Hamel Husain: AI Ürününüzün Değerlendirmelere İhtiyacı Var (ücretsiz)
Bağlantı: https://hamel.dev/blog/posts/evals/
Gerçek üretim AI sistemleri için değerlendirme hatları oluşturma üzerine yazılmış en pratik yazılardan biri, bunu ölçekte yapmış biri tarafından
2. OpenAI Evals Çerçevesi (açık kaynak, ücretsiz)
Bağlantı: https://github.com/openai/evals
OpenAI'ın kendi değerlendirme çerçevesi, uyarlayabileceğiniz geniş bir topluluk katkılı değerlendirme kalıpları kütüphanesine sahiptir
Odaklanmanız gerekenler: Süreç metrikleri (ajan doğru aracı çağırdı mı?) ile sonuç metrikleri (görev başarılı oldu mu?) arasındaki fark, herhangi bir şey oluşturmadan önce net başarı kriterleri tanımlamak ve tam eşleştirmeye dirençli çıktıları (uzun biçimli cevaplar veya çok adımlı akıl yürütme izleri gibi) değerlendirmek için LLM-jüri kullanmak
Uygulama projesi: 3. Aydaki RAG hattınızı alın ve etrafına uygun bir değerlendirme düzeneği kurun. Belgelerinizden 30 soru-cevap çifti oluşturun, bunları hattınızdan geçirin ve her cevabı DeepEval kullanarak alaka düzeyi, sadakat ve bütünlük açısından puanlayın. Ardından bir şeyi değiştirin (parça boyutu, model, top-k) ve iyileşip iyileşmediğini görmek için yeniden çalıştırın
4. Ayın Kilometre Taşı
Bu ayın sonunda şunları yapabilmelisiniz:
- Bir ajan döngüsünün ne olduğunu açıklamak ve bir çerçeve olmadan sıfırdan bir tane uygulamak
- Doğru ve güvenilir bir şekilde seçilen araç açıklamaları yazmak
- LangGraph veya eşdeğerini kullanarak ajan state'ini doğru bir şekilde yönetmek
- Ajan döngüleri içindeki hataları çökmeden ele almak
- Bir görevin bir ajana, bir iş akışına veya tek bir prompta ihtiyacı olup olmadığına güvenle karar vermek
- LLM çağrılarını zincirleyen, yönlendiren ve paralelleştiren çok adımlı iş akışları oluşturmak
- Promptları veya modelleri değiştirdiğinizde regresyonları yakalayan otomatik değerlendirmeler yazmak
- Oluşturduğunuz herhangi bir AI sistemi için görev başarı metriklerini tanımlamak ve ölçmek
⏩------------------------------------------------------------------------⏪
5. Ay: Konuşlandırma, Ürün Düşüncesi ve Güvenilirlik
Bu ayki hedefiniz: Oluşturduğunuz her şeyi alıp üretime hazır hale getirmek
Ay sonunda, gerçek kullanıcıları, gerçek trafiği ve gerçek arızaları saat 2'de dağılmadan kaldırabilecek bir AI uygulaması konuşlandırabilmelisiniz
Çoğu AI mühendisinin takıldığı yer burasıdır. Harika bir demo oluşturabilirler ancak gerçek dünyayla temas halinde hayatta kalacak bir ürün teslim edemezler
Buradaki beceriler, şirketlerin aslında para ödediği şeylerdir: güvenilirlik, güvenlik, maliyet kontrolü ve kaçınılmaz olarak bir şey bozulduğunda işleri çalışır durumda tutma yeteneği
1. FastAPI Üretim Kalıpları
- Aydan itibaren nasıl bir FastAPI uygulaması oluşturulacağını zaten biliyorsunuz. Şimdi onu üretim trafiğine dayanacak hale getirmeniz gerekiyor
Geliştirme ve üretim arasındaki fark acımasızdır. --reload ile tek bir uvicorn işlemi geliştirme için iyidir. Üretimde, gerçek trafik geldiği anda darboğaz haline gelir
Gerçekten ihtiyacınız olan: çok işçili ASGI yapılandırması, uygun hata yönetimi ara katmanı, sağlık kontrol uç noktaları ve CORS politikaları
Kaynaklar:
1. FastAPI Dağıtım Belgeleri (resmi, ücretsiz)
Bağlantı: https://fastapi.tiangolo.com/deployment/
Uvicorn işçileri, Gunicorn ve Docker dağıtımını kapsayan resmi rehber. Her şeyden önce buradan başlayın
2. FastAPI Üretim Dağıtım Rehberi (CYS Dokümantasyonu, ücretsiz)
Bağlantı: https://craftyourstartup.com/cys-docs/fastapi-production-deployment/
Kapsamlı üretim kalıpları: Gunicorn yapılandırması, Nginx ters proxy, sağlık kontrolleri, hız sınırlama. Uyarlayabileceğiniz gerçek yapılandırma dosyalarını içerir
3. Üretim İçin FastAPI En İyi Uygulamaları (FastLaunchAPI, ücretsiz)
Bağlantı: https://fastlaunchapi.dev/blog/fastapi-best-practices-production-2026
Zamansız veritabanı havuzlamayı, Redis önbelleğe almayı, JWT kimlik doğrulamayı ve arka plan görevlerini kapsar. 100'den fazla geliştirici tarafından kullanılan gerçek bir şablondan üretimde test edilmiş kalıplar
Odaklanmanız gerekenler: Çıplak Uvicorn yerine Gunicorn'u Uvicorn işçileriyle çalıştırmak, sağlık kontrol uç noktaları kurmak, CORS ara katmanı eklemek, uygun async veritabanı oturumları uygulamak ve yanıtı engellemesi gerekmeyen her şey için arka plan görevlerini kullanmak
2. Docker
Docker, "benim makinemde çalışıyor" demeyi bırakıp tutarlı dağıtımlar göndermeye başlamanızı sağlar
AI uygulamaları oluşturuyorsanız, Docker bağımlılık çatışmalarını çözer, tutarlı ortamlar sağlar ve ölçeklendirmeyi basitleştirir
Docker uzmanı olmanıza gerek yok. FastAPI + LLM uygulamanızı konteynerize edebilmeli ve her yere konuşlandırabilmelisiniz
Kaynaklar:
1. Docker Resmi Başlangıç Rehberi (ücretsiz)
Bağlantı: https://docs.docker.com/get-started/
Temel başlangıç noktası. İmajları, konteynerları, Dockerfile'ları ve Docker Compose'u kapsar
2. freeCodeCamp: Python ve Docker ile Çok Ajanlı Bir AI Sistemi Nasıl Oluşturulur ve Dağıtılır (ücretsiz)
Bağlantı: https://www.freecodecamp.org/news/build-and-deploy-multi-agent-ai-with-python-and-docker/
Docker Compose ile gerçek bir çok ajanlı hat oluşturan uçtan uca pratik eğitim. Endişe ayrımını, cron zamanlamasını ve güvenlik hususlarını kapsar
3. DataCamp: Docker Kullanarak LLM Uygulamalarını Dağıtın (ücretsiz)
Bağlantı: https://www.datacamp.com/tutorial/deploy-llm-applications-using-docker
Özellikle RAG hatlarına sahip LLM uygulamaları için adım adım rehber. Dockerfile oluşturma, ortam yönetimi ve dağıtımı kapsar
4. LLM Uygulamaları için Docker Konteynerizasyonu (ApXML, ücretsiz)
Temel imaj seçimini, bağımlılık yönetimini, çok aşamalı derlemeleri ve çok hizmetli LLM dağıtımları için Docker Compose'u kapsar
Odaklanmanız gerekenler: Python/FastAPI uygulaması için Dockerfile yazmak, imajları küçük tutmak için çok aşamalı derlemeler kullanmak, çok hizmetli kurulumlar için Docker Compose (uygulama + veritabanı + Redis), sırlar için ortam değişkenleri ve hassas dosyaların sızmasını önlemek için .dockerignore
Uygulama projesi: 3. Aydaki RAG uygulamanızı konteynerize edin. FastAPI uygulamanızı, bir vektör veritabanını (Chroma veya Qdrant) ve önbelleğe alma için Redis'i çalıştıran bir docker-compose.yml oluşturun. docker compose up'ın her şeyi başlatacağı şekilde dağıtın
3. Arka Plan İşleri ve Kuyruklar
LLM çağrıları yavaştır. Bir kullanıcı uygulamanızdan bir belgeyi işlemesini isterse ve onu 30 saniye bekletirseniz, gider
Arka plan işleri, isteği hemen kabul etmenize, asenkron olarak işlemenize ve işlem bittiğinde kullanıcıyı bilgilendirmenize olanak tanır
Kaynaklar:
1. Celery Resmi Başlangıç Rehberi (ücretsiz)
Bağlantı: https://docs.celeryq.dev/en/stable/getting-started/introduction.html
Standart Python görev kuyruğu. Temel kurulumu, görev tanımını ve işçi yönetimini kapsar
2. FastAPI Arka Plan Görevleri Belgeleri (resmi, ücretsiz)
Bağlantı: https://fastapi.tiangolo.com/tutorial/background-tasks/
Basit kullanım durumları için yerleşik hafif arka plan görevleri. Hızlı, unut ve çalıştır görevleri için bunu, daha ağır işler için Celery'yi kullanın
Odaklanmanız gerekenler: FastAPI'nin yerleşik BackgroundTasks'i ile Celery gibi uygun bir görev kuyruğu arasında ne zaman seçim yapılacağını anlamak, Redis'i mesaj aracısı olarak kurmak, görev hatalarını ve yeniden denemeleri yönetmek ve iş durumunu kullanıcıya döndürmek
4. Kimlik Doğrulama ve API Anahtarı Güvenliği
AI uygulamanızın bir API'si varsa, kimlik doğrulamaya ihtiyacı vardır. Olmadan, herkes uç noktalarınızı kullanabilir, LLM kredilerinizi tüketebilir ve 5.000 dolarlık bir faturayla uyanırsınız
Kaynaklar:
1. FastAPI Güvenlik Belgeleri (resmi, ücretsiz)
Bağlantı: https://fastapi.tiangolo.com/tutorial/security/
OAuth2, JWT tokenları, API anahtarları ve bağımlılık tabanlı kimlik doğrulama kalıplarını kapsar. Resmi referanstır, tüm eğitimi tamamlayın
2. OWASP API Güvenlik İlk 10 (ücretsiz)
Bağlantı: https://owasp.org/API-Security/
API güvenlik risklerinin yetkili listesi. Bir şey göndermeden önce bozuk kimlik doğrulamayı, enjeksiyonu ve toplu atamayı anlayın
3. Auth0: API Kimlik Doğrulama En İyi Uygulamaları (ücretsiz)
Bağlantı: https://auth0.com/docs/get-started/authentication-and-authorization
API'lerde kimlik doğrulama ve yetkilendirme uygulama konusunda pratik rehber
Odaklanmanız gerekenler: Kullanıcı kimlik doğrulaması için JWT tokenları, hizmetten hizmete iletişim için API anahtarı yönetimi, kullanıcı/anahtar başına hız sınırlama, sırları asla kodda saklamamak (ortam değişkenleri kullanın) ve kimlik doğrulama (siz kimsiniz) ile yetkilendirme (ne yapabilirsiniz) arasındaki farkı anlamak
5. Günlüğe Kaydetme ve Gözlemlenebilirlik
Üretimde, neler olduğunu göremezseniz, bozuk olanı düzeltemezsiniz
LLM uygulamalarının benzersiz bir zorluğu vardır: model 200 durum kodu döndürebilir ve yine de işe yaramaz veya halüsinasyonlu bir cevap üretebilir. Geleneksel izleme bunu yakalamaz. LLM'e özgü gözlemlenebilirliğe ihtiyacınız var
Kaynaklar:
1. Langfuse (açık kaynak, ücretsiz katman)
Bağlantı: https://langfuse.com/docs/observability/overview
Açık kaynaklı LLM gözlemlenebilirlik platformu. Her isteği izler: gönderilen prompt, alınan yanıt, token kullanımı, gecikme, araç çağrıları. Prompt sürümlemeyi, değerlendirmeyi ve LLM-jüri puanlamasını destekler. OpenAI, Anthropic, LangChain, LlamaIndex ile entegredir
2. LangSmith (ücretsiz katman)
Bağlantı: https://smith.langchain.com/
LangChain ekibinden. LangChain/LangGraph kullanıyorsanız, kurulum bir ortam değişkenidir. İzleme, hata ayıklama, izleme panoları ve çevrimiçi değerlendirmeler. Ücretsiz katman, geliştirme ve küçük ölçekli üretim için cömerttir
3. Python Structlog (ücretsiz)
Bağlantı: https://www.structlog.org/
Python için yapılandırılmış günlüğe kaydetme. Aranabilir ve ayrıştırılabilir JSON günlükleri üretir. Üretim uygulamaları için print() veya temel günlüğe kaydetmeden çok daha iyidir
Odaklanmanız gerekenler: Her LLM çağrısını izlemek (girdi promptu, çıktı, tokenlar, gecikme, maliyet), JSON çıktılı yapılandırılmış günlüğe kaydetme, istek hacmini, hata oranlarını ve günlük maliyeti gösteren panolar kurmak ve bir şey bozulduğunda veya maliyetler arttığında uyarı göndermek
6. Prompt ve Sürüm Yönetimi
Üretimde, promptlarınız koddur. Sürüm kontrolüne, test etmeye ve geri alma yeteneğine ihtiyaçları vardır
Üretimde neyi değiştirdiğinizi takip etmeden bir promptu değiştirmek, bir şeyleri kırmanın ve nedenini bulamamanın yoludur
Kaynaklar:
1. Langfuse Prompt Yönetimi (ücretsiz)
Bağlantı: https://langfuse.com/docs/prompts
Test etmek için yerleşik bir oyun alanıyla merkezi prompt sürümleme. Promptlarınızı uygulama kodunuzdan ayrı olarak sürüm kontrolüne alın. Uygulamanızı yeniden dağıtmadan prompt değişikliklerini dağıtın
2. Anthropic Prompt Yönetimi En İyi Uygulamaları (ücretsiz)
Bağlantı: https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview
Promptları ölçekte organize etmek, yinelemek ve yönetmek için en iyi uygulamalar
Odaklanmanız gerekenler: Promptları uygulama kodunuzun dışında depolamak, her prompt değişikliğini sürümlemek, üretimde prompt varyantlarını A/B test etmek ve yeni bir prompt daha kötü performans gösterdiğinde bir geri alma stratejisine sahip olmak
7. Maliyet İzleme ve Hız Sınırları
LLM API'leri token başına ücret alır. Maliyet kontrolleri olmadan, bir trafik artışı veya promptunuzdaki bir hata dakikalar içinde yüzlerce doları yakabilir
Kaynaklar:
1. OpenAI Kullanım Panosu (resmi)
Bağlantı: https://platform.openai.com/usage
Harcamaları modele, güne göre takip edin ve kullanım sınırları belirleyin
2. Anthropic Kullanım Panosu (resmi)
Bağlantı: https://console.anthropic.com/Same Claude API kullanımı için
3. Helicone (ücretsiz katman)
Bağlantı: https://www.helicone.ai/
Otomatik maliyet takibi ile her LLM çağrısını yakalayan proxy tabanlı gözlemlenebilirlik. Kurulum için tek bir kod satırı: sadece temel URL'nizi değiştirin
4. LiteLLM (açık kaynak, ücretsiz)
Bağlantı: https://github.com/BerriAI/litellm
100'den fazla LLM sağlayıcısı için birleşik arayüz. Sağlayıcılar arasında bütçe yönetimi, hız sınırlama ve harcama takibini içerir
Odaklanmanız gerekenler: Günlük/aylık sert harcama limitleri belirlemek, API'nizde kullanıcı başına hız sınırları uygulamak, basit görevler için daha ucuz modeller kullanmak (her şey için GPT-4/Opus kullanmayın), tekrarlanan aynı istekleri Redis ile önbelleğe almak ve maliyetli promptları erken yakalamak için istek başına maliyeti izlemek
8. Önbelleğe Alma
Kullanıcılarınızın %20'si benzer sorular soruyorsa, aynı LLM çağrısı için 20 kez ödeme yapıyorsunuzdur
Önbelleğe alma, maliyeti ve gecikmeyi aynı anda azaltmanın en basit yoludur
Kaynaklar:
1. Redis Resmi Belgeleri (ücretsiz)
Bağlantı: https://redis.io/docs/
Standart bellek içi veri deposu. Hızlı, basit ve LLM yanıtlarını önbelleğe almak için mükemmel çalışır
2. GPTCache (açık kaynak, ücretsiz)
Bağlantı: https://github.com/zilliztech/GPTCache
Özellikle LLM uygulamaları için tasarlanmış anlamsal önbellekleme. Anlamsal olarak benzer (yalnızca aynı değil) sorgular için önbelleğe alınmış yanıtları bulmak üzere yerleştirme benzerliğini kullanır
Odaklanmanız gerekenler: Aynı promptlar için tam eşleşme önbellekleme, benzer sorgular için anlamsal önbellekleme, önbellek geçersiz kılma stratejileri (TTL tabanlı en basitidir) ve gerçek maliyet tasarruflarını anlamak için önbellek isabet oranlarını ölçmek
5. Ayın Kilometre Taşı
Bu ayın sonunda şunları yapabilmelisiniz:
- FastAPI + LLM uygulamasını Docker'da uygun üretim yapılandırmasıyla dağıtmak
- Uzun süren görevleri arka plan işleri ve kuyruklarla yönetmek
- API'nizi kimlik doğrulama, hız limitleri ve API anahtarı yönetimi ile güvence altına almak
- Langfuse veya LangSmith kullanarak LLM çağrılarını izlemek ve hata ayıklamak
- Promptları sürüm kontrolü ve geri alma yeteneği ile yönetmek
- Maliyetleri gerçek zamanlı olarak izlemek ve harcama limitleri belirlemek
- Gecikmeyi ve maliyeti azaltmak için LLM yanıtlarını önbelleğe almak
⏩------------------------------------------------------------------------⏪
6. Ay: Uzmanlaşın ve İşe Alınabilir Hale Gelirin
Bu kazanılan bilgi ve beceriler üç yönde uygulanabilir (elbette bunlar sadece benim gördüklerim)
Bunlardan birini seçmeniz ve pratiğe odaklanmanız gerekiyor
Yukarıda bahsedilen her şey de en iyi yalnızca pratik yoluyla öğrenilse de
Yön 1: AI Ürün Mühendisi
Hızlı bir şekilde startup işi istiyorsanız en iyisi
Bu en yaygın yoldur. Gerçek kullanıcıların etkileşime girdiği AI destekli ürünler oluşturursunuz
1-5. Aylardan itibaren becerilerin çoğuna zaten sahipsiniz. Şimdi ürün tarafında daha derine inin
Odaklanmanız gerekenler:
- LLM uygulamaları
- RAG
- ajanlar
- dağıtım
- ürün UX'i
Bu ay öğrenecekleriniz:
1. Uçtan Uca Ürün Oluşturma
Eğitimler oluşturmayı bırakın. İnsanların kullanabileceği ürünler oluşturun
Kaynaklar:
1. Vercel AI SDK (ücretsiz)
Bağlantı: https://sdk.vercel.ai/docs
Akış desteğiyle AI destekli arayüzler oluşturmanın en hızlı yolu. Yerleşik akışlı UI bileşenleriyle React, Next.js ve Vue entegrasyonları
2. Streamlit (ücretsiz)
Bağlantı: https://docs.streamlit.io/
Saf Python ile veri uygulamaları ve AI demoları oluşturun. Dahili araçlar ve MVP'ler için idealdir, üretim ölçekli arayüzler için değil
3. Gradio (ücretsiz)
Bağlantı: https://www.gradio.app/docsQuick ML/AI arayüzleri minimum kodla. Özellikle modelleri demo yapmak ve prototipler oluşturmak için iyi.
Bu ay odaklanılacaklar: Demo yapabileceğin 2-3 tam proje oluşturmak. "Dokümanlarınla sohbet" uygulaması, AI destekli bir dahili araç veya gerçek bir iş akışını otomatikleştiren bir ajan. Bunları yayınla. GitHub'a koy. İnsanların deneyebileceği bir yere dağıt.
2. AI için Ürün Kullanıcı Deneyimi (UX)
AI ürünleri, UX modelin sınırlamalarını hesaba katmadığında başarısız olur.
Kaynaklar:
1. Google: People + AI Guidebook (ücretsiz)
Bağlantı: https://pair.withgoogle.com/guidebook/
İnsan-AI etkileşimini tasarlamak için en iyi kaynak. Beklentileri belirleme, hataları ele alma ve güven oluşturmayı kapsar.
2. Nielsen Norman Group: AI UX Guidelines (ücretsiz)
Bağlantı: https://www.nngroup.com/topic/artificial-intelligence/
AI arayüzleri için araştırma destekli yönergeler.
Odaklanılacaklar: Yayın akışı (streaming) ile yükleme durumlarının nasıl ele alınacağı, model yanlış olduğunda ne gösterileceği, kullanıcıların geri bildirim vermesine nasıl izin verileceği ve AI çıktısının olasılıksal olduğu gerçeği için tasarım yapmak – bazen yanlış olacaktır.
Yön 2: Uygulamalı ML / LLM Mühendisi
Daha derin teknik roller istiyorsan en iyisi.
Bu yön, API çağrılarının ötesine geçip perde arkasında neler olduğunu anlamak isteyen mühendisler içindir.
Odaklanılacaklar:
- ince ayar (fine-tuning)
- ne zaman ince ayar yapılacağı ve ne zaman prompt mühendisliği kullanılacağı
- değerlendirme
- çıkarım optimizasyonu
- açık kaynak modeller
- eğitim hatları (training pipelines)
Bu ay ne öğrenilmeli:
1. Ne Zaman İnce Ayar (Fine-tune) Yapılmalı ve Ne Zaman Prompt Mühendisliği Kullanılmalı
Uygulamalı ML'deki en önemli karar: modeli değiştirmen mi gerekiyor, yoksa sadece onunla konuşma şeklini mi değiştirmen gerekiyor?
Kaynaklar:
1. Google ML Crash Course: Fine-tuning, Distillation, and Prompt Engineering (ücretsiz)
Bağlantı: https://developers.google.com/machine-learning/crash-course/llm/tuning
Üç yaklaşımın ve her birinin ne zaman kullanılacağının en net açıklaması.
2. Codecademy: Prompt Engineering vs Fine-Tuning (ücretsiz)
Bağlantı: https://www.codecademy.com/article/prompt-engineering-vs-fine-tuning
Her yaklaşım için net kullanım senaryolarıyla pratik bir karar çerçevesi.
3. IBM: RAG vs Fine-Tuning vs Prompt Engineering (ücretsiz)
Bağlantı: https://www.ibm.com/think/topics/rag-vs-fine-tuning-vs-prompt-engineering
Yaklaşımları birleştirmenin ne zaman gerekli olduğu da dahil olmak üzere eksiksiz karar alanını kapsar.
Ezberlenmesi gereken karar çerçevesi: Prompt mühendisliği ile başla (en ucuz, en hızlı). Modelin belirli verilere erişmesi gerekiyorsa RAG ekle. Yalnızca prompt mühendisliği + RAG gerekli kaliteyi, tutarlılığı veya gecikmeyi sağlayamadığında ince ayar yap.
2. Pratikte İnce Ayar (Fine-tuning)
İnce ayar yapman gerektiğinde, işte nasıl yapılacağı.
Kaynaklar:
1. OpenAI Fine-tuning Guide (resmi, ücretsiz)
Bağlantı: https://platform.openai.com/docs/guides/fine-tuning
İnce ayara başlamanın en kolay yolu. Bir JSONL veri seti yükle, bir iş çalıştır ve özel bir model al. Daha sonra açık kaynak modellere geçsen bile iş akışını öğrenmek için iyi.
2. HuggingFace Transformers Fine-tuning Tutorial (ücretsiz)
Bağlantı: https://huggingface.co/docs/transformers/training
Açık kaynak modellerle çalışmak için standart kütüphane. Eğitim, değerlendirme ve model kaydetmeyi kapsar.
3. Unsloth (açık kaynak, ücretsiz)
Bağlantı: https://github.com/unslothai/unsloth
%80 daha az bellek ile 2 kat daha hızlı ince ayar. Kutudan çıktığı gibi LoRA ve QLoRA'yı destekler. Tüketici donanımında açık kaynak modellere ince ayar yapmanın en hızlı yolu.
4. LLaMA-Factory (açık kaynak, ücretsiz)
Bağlantı: https://github.com/hiyouga/LLaMA-Factory
100'den fazla LLM'ye ince ayar yapmak için birleşik çerçeve. Kod gerektirmeyen ince ayar için bir web arayüzü içerir. LoRA, QLoRA, tam ince ayar, RLHF ve DPO'yu destekler.
Odaklanılacaklar: Eğitim veri setleri hazırlamak (JSONL formatı), LoRA ve QLoRA'yı (parametre-verimli ince ayar) anlamak, OpenAI'de veya HuggingFace ile bir ince ayar işi çalıştırmak, ince ayarlanmış modeli temel modelle karşılaştırarak değerlendirmek ve ince ayarın maliyete değmediği zamanları bilmek.
3. Açık Kaynak Modeller
Her şeyin OpenAI veya Anthropic üzerinden geçmesi gerekmez. Açık kaynak modeller size tam kontrol, API maliyeti yok ve yerel olarak çalıştırma yeteneği verir.
Kaynaklar:
1. Ollama (ücretsiz)
Bağlantı: https://ollama.ai/
Açık kaynak LLM'leri tek bir komutla yerel olarak çalıştırın. Llama, Mistral, Gemma ve düzinelercesini destekler. Açık kaynak modelleri denemenin en hızlı yolu.
2. HuggingFace Model Hub (ücretsiz)
Bağlantı: https://huggingface.co/models
Açık kaynak modellerin en büyük deposu. Herhangi bir görev için modellere göz atın, indirin ve dağıtın.
3. vLLM (açık kaynak, ücretsiz)
Bağlantı: https://github.com/vllm-project/vllm
Yüksek verimli LLM çıkarım motoru. Basit HuggingFace sunumundan 2-4 kat daha hızlı. Açık kaynak modellerin üretimde sunulması için standart.
Odaklanılacaklar: Modelleri test için Ollama ile yerel olarak çalıştırmak, niceleme (GGUF, GPTQ, AWQ) ve bunun dağıtım için neden önemli olduğunu anlamak, kullanım durumunuz için açık kaynak modelleri API modellerine karşı kıyaslamak ve modelleri üretimde vLLM ile sunmak.
4. Çıkarım Optimizasyonu
Modellerin üretimde daha hızlı ve daha ucuz çalışmasını sağlamak.
Kaynaklar:
1. HuggingFace: Optimizing LLM Inference (ücretsiz)
Bağlantı: https://huggingface.co/docs/transformers/llm_optims
KV-önbellek optimizasyonu, niceleme ve toplu işleme (batching) stratejilerini kapsar.
2. NVIDIA TensorRT-LLM (ücretsiz)
Bağlantı: https://github.com/NVIDIA/TensorRT-LLM
NVIDIA GPU'larında maksimum çıkarım performansı. Ölçekli üretim LLM sunumunda çoğunlukla kullanılır.
Odaklanılacaklar: Verim için toplu işleme stratejileri, bellek ve maliyeti azaltmak için niceleme, daha hızlı oluşturma için KV-önbellek optimizasyonu ve çıkarım iş yükünüz için doğru donanımı seçmek.
Yön 3: AI Otomasyon Mühendisi
Hemen işletmeler için bir şeyler inşa etmek istiyorsan en iyisi.
Bu yön, gerçek iş akışlarını AI ile otomatikleştirmekle ilgilidir. Ürün oluşturmaktan çok, operasyonel sorunları çözmeye odaklanır.
Odaklanılacaklar:
- iş akışı orkestrasyonu
- iş süreci otomasyonu
- çoklu araç sistemleri
- CRM, dokümanlar, e-posta, destek, operasyon kullanım senaryoları
Bu ay ne öğrenilmeli:
1. İş Akışı Orkestrasyonu
Gerçek iş otomasyonu neredeyse hiçbir zaman tek bir LLM çağrısı değildir. Birden çok sistem arasında eylem zincirleridir.
Kaynaklar:
1. n8n (açık kaynak, kendi kendine barındırmak ücretsiz)
Bağlantı: https://docs.n8n.io/
AI düğümleri ile görsel iş akışı otomasyonu. LLM'leri 400'den fazla entegrasyona (Slack, Gmail, Notion, CRM'ler vb.) bağlayın. AI otomasyonu için en iyi kodsuz/düşük kod seçeneği.
2. LangGraph: Multi-Agent Workflows (ücretsiz)
Bağlantı: https://langchain-ai.github.io/langgraph/concepts/multi_agent/
Karmaşık çoklu ajan sistemleri için kod-ilk orkestrasyon. n8n'in yeterli olmadığı ve tam programatik kontrole ihtiyaç duyduğunuz durumlar için.
3. Temporal (açık kaynak, ücretsiz)
Bağlantı: https://docs.temporal.io/
Uzun süreli, hataya dayanıklı süreçler için dayanıklı iş akışı motoru. Otomasyonunuzun çökmelerden, yeniden denemelerden ve zaman aşımlarından kurtulması gerektiğinde.
Odaklanılacaklar: Hataları zarifçe ele alan iş akışları tasarlamak, AI'yı gerçek iş araçlarına (e-posta, CRM, veritabanları, elektronik tablolar) bağlamak, insan-in-the-loop onay adımları oluşturmak ve denetim izleri için otomatikleştirilmiş her eylemi günlüğe kaydetmek.
2. İş Süreci Otomasyonu
AI otomasyonunda para, belirli ve pahalı iş sorunlarını çözmekte yatar.
Kaynaklar:
1. Zapier AI Actions (ücretsiz katman)
Bağlantı: https://zapier.com/ai
AI'yı kod olmadan 6.000'den fazla uygulamaya bağlayın. Özel çözümler oluşturmadan önce otomasyonları prototiplemek için iyi.
2. Make (Integromat) (ücretsiz katman)
Bağlantı: https://www.make.com/
Gelişmiş mantık ve AI entegrasyonlarına sahip görsel otomasyon platformu. Karmaşık iş akışları için Zapier'dan daha güçlüdür.
Odaklanılacaklar: En yüksek ROI'li otomasyon hedeflerini belirlemek (genellikle tekrarlayan, zaman alıcı ve kurallara dayalı görevler), insanları değiştirmekten ziyade onları güçlendiren otomasyonlar oluşturmak ve gerçekte tasarruf edilen zaman ve parayı ölçmek.
3. CRM, Doküman, E-posta, Destek Otomasyonu
En yaygın ve en değerli AI otomasyon kullanım senaryoları.
Kaynaklar:
1. OpenAI Cookbook: AI-Powered Email Processing (ücretsiz)
Bağlantı: https://github.com/openai/openai-cookbook
E-postaları AI ile sınıflandırma, yönlendirme ve yanıtlama kalıpları.
2. LangChain: Document Processing Pipelines (ücretsiz)
Bağlantı: https://python.langchain.com/docs/how_to/#document-loaders
80'den fazla kaynaktan belgeleri alma ve işleme.
Odaklanılacaklar: AI destekli bir e-posta sınıflandırıcı ve otomatik yanıtlayıcı oluşturmak, yapılandırılmış veri çıkaran bir belge işleme hattı oluşturmak, bilgi tabanınız üzerinde RAG kullanan bir destek sohbet robotu oluşturmak ve AI'yı mevcut CRM iş akışlarına (HubSpot, Salesforce vb.) entegre etmek.
Yön 3 için pratik proje: Uçtan uca bir potansiyel müşteri kalifikasyon sistemi oluşturun. Şunları yapmalıdır:
Bir kaynaktan (CSV, API veya form) potansiyel müşterileri kazıyın veya içe aktarın
Her bir potansiyel müşteriyi araştırmak için bir LLM kullanın (şirket bilgisi, uyum değerlendirmesi)
İdeal Müşteri Profilinize (ICP) göre potansiyel müşterileri puanlayın ve sıralayın
Kişiselleştirilmiş tanıtım mesajları taslağı oluşturun
Her şeyi bir e-tabloya veya CRM'e kaydedin Bu, işletmelerin gerçekten para ödediği, satılabilir, gerçek bir otomasyondur.
⏩------------------------------------------------------------------------⏪
SONUÇ
Bu 6 aydan sonra ne bekleyebilirsiniz???
Size karşı dürüst olacağım, bazı para dağları olmadan
Bu yol haritası sizi 6 ayda kıdemli bir AI mühendisi yapmayacak
Ancak sizi gerçek sorunları çözen gerçek AI sistemlerini inşa edebilen, yayınlayabilen ve dağıtabilen biri yapacak
Ve şu anda, piyasanın tam olarak ödediği şey bu
AI mühendislerine olan talep yavaşlamıyor. İş ilanları yıllık %25 arttı
PwC, AI becerileri gerektiren roller için aynı roller olmadan %56 ücret primi buldu
Şirketlerin yalnızca %1'i "AI olgunu" olarak kabul ediliyor, bu da %99'unun hala yardıma ihtiyacı olduğu anlamına geliyor. ABD Çalışma İstatistikleri Bürosu, 2034 yılına kadar %26 iş büyümesi öngörüyor
Bunlar abartılı rakamlar değil. Bunlar analitiğe dayalı gerçek rakamlar (Claude'dan aldım kek)
ABD'de tam zamanlı çalışırsanız:
Junior AI mühendisleri 90.000$ - 130.000$ arası başlar
Orta seviye (3-5 yıl) 155.000$ - 200.000$ arasıdır
Kıdemli roller 195.000$ - 350.000$+ arası gider
Glassdoor'a göre (Mart 2026), ortalama 184.757$
Orta seviye aralık, yıllık %9,2 ile en hızlı büyüyor çünkü şirketler sürekli gözetim olmadan üretim AI'sını teslim edebilecek insanlara çaresizce ihtiyaç duyuyor
Serbest çalışma daha çok tarzınsa:
AI ajan geliştirme 175$-300$/saat arası gidiyor
RAG uygulaması 150$-250$/saat
LLM entegrasyonu 125$-200$/saat
Reddit'teki bir geliştirici, bir hukuk firması için iki haftada bir belge özetleme aracı oluşturdu ve 8.000$ kazandı. 150$/saat üzerinden haftada 25 saat fatura kesen bir serbest çalışan yılda 195.000$ çekiyor
Ve daha önceki yazımda bahsettiğim danışmanlık yoluna gidersen, şunları talep edebilirsin:
Bir işletme için AI ajanı kurmak 300$-5.000$
AI içerik yönetimi için aylık 500$-2.000$
Müşteri desteğini otomatikleştirmek için 1.000$-4.000$
Soğuk tanıtım (cold outreach) kurulumu için 500$-2.000$
Hizmet yelpazesi daha da geniş ancak bu yol haritasındaki becerilerde bir kez ustalaştığında, 2026'da zaten aranan bir uzmansın
Bunlar gerçek işler yapan gerçek insanlardan gelen gerçek rakamlar
Şimdi tüm bunlardan aslında ne çıkarmanı istiyorum:
Her aydan bir proje seç ve onu inşa et. Onun hakkında okuma. Bir eğitim izleme. İnşa et, kır, düzelt, dağıt, GitHub'a koy. İşe alınan mühendisler, ne okuduklarını değil, ne inşa ettiklerini gösterenlerdir.
Öğrendiklerini paylaşmaya başla. X'te, LinkedIn'de, herhangi bir yerde bunun hakkında yaz. Öğretmek öğrenmenin en hızlı yoludur ve aynı anda itibarını inşa eder. Gördüğüm en iyi fırsatlar, görünür olan insanlardan geldi, 500 iş ilanına başvuranlardan değil.
Ve lütfen hazır hissedene kadar bekleme. Asla hazır hissetmeyeceksin. "Öğreniyorum" ve "İnşa ediyorum" arasındaki boşluk, çoğu insanın sonsuza kadar takılıp kaldığı yerdir.
Çalışan projelerin olduğu an başvurmaya, serbest çalışmaya, hizmet sunmaya başla. Mükemmel olmasalar bile. Piyasa mükemmelliği ödüllendirmez. Teslimat yapabilen insanları ödüllendirir.
6 ay, gerçekten çalışırsan her şeyi değiştirmek için yeterlidir.
Ve bunu okuyan her birinizin bunu yapabileceğine gerçekten inanıyorum.
Sadece asla inşa etmeyi ve asla öğrenmeyi bırakma.
Umarım bu sizin için faydalı olmuştur ailem ❤️
