1.1 AI Engineer Nedir — ve Sen Bu Platform İçin Uygun musun?¶
TL;DR: "AI Engineer" 2026'da en sık aranan iş ilanı tanımını öğrenirsin · Sayfa sonunda bu yola uygun olup olmadığına net cevap veriyorsun.
Yabancı kelime mi gördün?
Bu sayfadaki italik-altı çizili ifadelerin (AI Engineer, LLM, API, prompt, agent, RAG gibi) üstüne mouse'unu getir — kısa tanım çıkar. Mobilde dokun. Bilmediğin her terim platform boyunca bu şekilde açıklanır. Bu sayfada İngilizce terim gördüğünde yanında mutlaka Türkçe açıklaması var — terimin kendisi ezberlenecek, "ama onu da öğrenemem" korkusu yok.
Neden bu sayfa?¶
"AI Engineer" 2026'da LinkedIn ilanlarında birbirleriyle çelişen anlamlarda dolaşıyor — biri PhD'li araştırmacı kastediyor, biri prompt yazan web geliştiricisi. Bu sayfa sana iş ilanlarında en sık aranan tanımı verir (platform bu tanıma göre tasarlandı), kendi konumunu (kod/İngilizce eksiğin dahil) "komut satırını ilk kez görecek yetişkin"den "backend'den AI tarafına kayan mühendis"e kadar uzanan yelpazede somut yere oturtur, ve bu yola uygun olup olmadığına net cevap verdirir. Üç soru, hiçbirinin cevabı belirsiz kalmasın.
AI Engineer nedir — üç paragraf, 2026 tanımı¶
AI Engineer: Önceden eğitilmiş yapay zekâ modellerini (Claude, GPT, Gemini, Llama gibi) gerçek bir ürüne — bir web sitesine, bir chatbot'a, bir otomasyon sistemine — entegre eden yazılımcı. "Modelin içini eğiten" değil, dışında çalışan ama modelin dilini bilen kişi. Terimi 2023 sonunda ChatGPT API'si yaygınlaşınca ortaya çıktı; 2026'da iş ilanlarında en çok talep edilen yazılım rollerinden biri.
Günlük iş dört katmandan oluşur. (1) Prompt yazmak — modele ne soracağını, nasıl cevap vermesini istediğini doğru çerçeveleyerek yazmak. (2) API entegrasyonu — modelin çağrıldığı kodu yazmak (genellikle Python), hataları yakalamak, maliyeti izlemek. (3) RAG ve agent kurmak — modele dışarıdan belge okutmak, işlem yaptırmak, başka sistemlere bağlamak. (4) Deploy etmek — kurduğun sistemi bir sunucuya yerleştirmek, canlı URL çıkarmak, her şeyi çalışır tutmak. Bu platformun 11 bölümü tam bu dörtlüyü sırasıyla öğretir.
AI Engineer'ın olmadığı şeyler: yeni model eğiten araştırmacı (o ML Research Engineer), GPU farmı işleten altyapı mühendisi (ML Infrastructure), veri temizleyen analist (Data Engineer / ML Engineer). Bu roller PhD, çok özel matematik, veya pahalı donanım gerektirebilir. AI Engineer'ın ihtiyacı bir laptop + internet + aylık 20 dolar bütçedir. Platform başarı kriteri de tam bu — elinde yalnız bu üçü olan biri bitirince AI Engineer pozisyonuna başvurabilsin.
Bu sayfanın ekosistemi — kim kime bağlı¶
flowchart LR
AE["👤 AI Engineer\n(sen, 6 ay sonra)"]
PR["✍️ Prompt\nClaude'a talimat"]
API["🌐 API\nAnthropic / OpenAI / vb."]
COD["💻 Python kodu\nSDK + iş mantığı"]
RAG["📚 RAG\nbelge + vektör DB"]
AGT["🤖 Agent\nmodel iş yapar"]
DEP["☁️ Deploy\ncanlı URL"]
USR["👥 Son kullanıcı\nbir tarayıcıda"]
MON["📊 Monitoring\nmaliyet + log"]
AE --> PR
AE --> COD
COD --> API
PR --> API
COD --> RAG
COD --> AGT
AGT --> API
COD --> DEP
DEP --> USR
USR --> COD
DEP -.-> MON
MON -.-> AE
classDef you fill:#ddd6fe,stroke:#7c3aed,color:#111
classDef text fill:#fef3c7,stroke:#ca8a04,color:#111
classDef code fill:#dbeafe,stroke:#2563eb,color:#111
classDef deploy fill:#fef3c7,stroke:#ca8a04,color:#111
classDef user fill:#fed7aa,stroke:#ea580c,color:#111
class AE you
class PR,RAG text
class COD,API,AGT code
class DEP,MON deploy
class USR user| Parça | Ne iş yapıyor | Platformda nerede |
|---|---|---|
| ✍️ Prompt | Claude'a "şu işi şöyle yap" diye yazmak | Bölüm 2 (prompt temelleri) |
| 🌐 API | Claude ile senin kodun arasındaki köprü | Bölüm 2 (ilk çağrı) |
| 💻 Python kodu | Her şeyi birleştiren yapıştırıcı | Bölüm 0 + 2 + 9 |
| 📚 RAG | Claude'a kendi belgelerini okutmak | Bölüm 3 + 4 |
| 🤖 Agent | Claude'un bir iş yapması (mail atması, dosya işlemesi) | Bölüm 6 |
| ☁️ Deploy | Sistemin internetten erişilir olması | Bölüm 9 |
| 📊 Monitoring | Maliyet + hata takibi | Bölüm 8 + 9 |
| 👥 Son kullanıcı | Sisteminden faydalanan kişi | Portföy projelerin |
SSS — korkma, rakamı görünce geçer¶
"Kod bilmiyorum. Bu platform benim için mi?"¶
Evet, ama gerçekçi bir taahhütle. Bu platform Python + Linux komutlarını sıfırdan anlatır (Bölüm 0, 5 sayfa, ~2 saat). Ama kod "refleksi" kazanmak 2 saatte olmaz — tahminimiz 8-12 hafta, günde 45-60 dakika. Bu süreçte Claude senin kod tutorunmuş gibi çalışır: kod yazarken takıldığın her satırı ona soruyorsun, açıklıyor. Kod öğrenme süren 3 ayda değil 3 günde iş ilanına başvurursun diyorsak yalan söyleriz. 3 gün diyen videoları kapat. Bu platform yalan söylemez.
Gerçekçi teminat: 6 ay boyunca haftada 4-5 saat verirsen (günde 40-45 dk × 6 gün), Bölüm 10'a geldiğinde GitHub'da 2-3 canlı portföy projeniz, LinkedIn'inizde somut anlatılabilir bir hikâyeniz, ve AI Engineer pozisyonlarına başvururken cevapsız kalmayacak bir CV'niz olur.
"İngilizcem yetersiz. Anthropic docs tamamen İngilizce, ben nasıl anlayacağım?"¶
Üç katmanlı yardım var. (1) Bu platformun tüm sayfaları Türkçe — Bölüm 0'dan 10'a her konu ana dilinde. (2) Her İngilizce teknik terim Türkçe açıklamasıyla birlikte verilir ("tool calling" = "araç çağırma", "fine-tuning" = "ince ayar"). (3) Anthropic docs'u okuman gerektiğinde Claude tam da bunu yapmak için var: sayfayı yapıştırırsın, "Türkçe özetle" dersin, anlarsın.
Altın ipucu: Claude'un kendisi Türkçe konuşuyor. Kendi öğrendiğini test ederken "Sonnet 4.6 bana 'RAG'i Türkçe anlat' dedim — anlattı" kadar basit. Sen ilerleme aracıyla öğreniyorsun.
"Yaşım geç mi? 35+/40+/50+ hayır değil mi?"¶
Hayır. AI Engineer 2023 sonrası ortaya çıkan bir rol. 2026'da bu alandaki herkes ya 3 yıl önce başladı ya da şimdi başlıyor. Yaş farkı yok. Ne var: sürekli öğrenme alışkanlığı. Kimya mühendisiyseniz, muhasebeciyseniz, öğretmenseniz — alan bilginiz AI Engineer olarak size avantajdır, dezavantaj değil. İş ilanlarında "domain expertise" (alan uzmanlığı) açıkça değerlidir.
"Matematikte zayıfım. AI matematiği ile mi ilgili?"¶
AI Engineer rolü matematikle DOĞRUDAN ilgili değildir. ML Engineer veya Research Engineer matematik yoğunluklu (lineer cebir, olasılık, optimizasyon). AI Engineer modeli kullanır, icat etmez. Okulda gördüğün dört işlem + yüzdeler + basit grafik okuma yeter. Platformda matematik gerektiğinde (çok nadir) Türkçe sezgiyle anlatılır, formül ezberletilmez.
"Günde kaç saat ayırırsam ne kadar sürer?"¶
| Günlük | Haftalık | 11 bölüm tahmini süre |
|---|---|---|
| 30 dk | 3.5 saat | 10-12 ay |
| 45 dk | 5 saat | 6-8 ay |
| 60 dk | 7 saat | 4-6 ay |
| 90 dk | 10 saat | 3-4 ay |
| 2 saat + hafta sonu | 15 saat+ | 2-3 ay |
Tavsiye: Günde 45 dakika, hafta 6 gün, pazar dinlen. Bu tempoda hem öğrenilir hem tükenmezsin. "3 günde AI Engineer" pazarlayan kurslar yalan.
AI Engineer vs ML Engineer — tek paragraf özet¶
ML Engineer model eğitir: veri toplar, temizler, algoritma seçer, GPU'da eğitir, değerlendirme yapar, hatalı model çıkmışsa tekrar eğitir. Araç seti: PyTorch, TensorFlow, NumPy, pandas, CUDA, Weights & Biases. Matematik yoğun. AI Engineer önceden eğitilmiş modeli kullanır: Claude/GPT/Gemini API'sini çağırır, prompt yazar, RAG kurar, agent yapar, canlıya alır. Araç seti: Python SDK, FastAPI, Qdrant, Docker, GitHub Actions. Matematik hafif, mühendislik ağır.
Özet tablo:
| Boyut | ML Engineer | AI Engineer |
|---|---|---|
| Ana iş | Model eğitmek | Model entegre etmek |
| Matematik | Yoğun | Hafif |
| Donanım | GPU gerekir | Laptop yeter |
| Başlangıç maliyeti | ~$500+ (cloud GPU) | ~$20/ay (API) |
| Eğitim süresi (sıfırdan iş) | 2-3 yıl | 6-12 ay |
| 2026 iş ilanı sayısı (LinkedIn global) | ~35K | ~80K |
| Maaş aralığı (tecrübe orta) | Daha yüksek (~%20) | Rekabetçi |
1.2 sayfasında bu ayrımı somut örneklerle açacağız — bir müşteri chatbot'u iki rol arasında nasıl bölünür, hangi adım kime düşer. Ama "hangisi bana göre" sorusunun kaba cevabı: matematik seviyorsan ML, yapı kurmayı seviyorsan AI.
2026'da AI Engineer piyasası — gerçekçi rakamlar¶
İş ilanı trendi: LinkedIn'de "AI Engineer" aramalarında ilan sayısı 2023'ten 2026'ya ~8× arttı. 2026 Q1 itibarıyla global ~80.000 açık AI Engineer ilanı, Türkiye'de ~2.500. Remote (uzaktan) çalışma oranı AI Engineer rollerinde %60+ — yerel işveren kısıtı en düşük yazılım rollerinden biri. Bu bir avantaj: İstanbul'da yaşarken Berlin/Amsterdam/Londra'daki bir ilana başvurabiliyorsun.
Aranılan 5 yetkinlik (iş ilanı taramasından):
- Python (SDK + REST API entegrasyonu) — ilanların %95'i bekler
- LLM prompt engineering (en az bir büyük model provider deneyimi) — %88
- RAG / vector database (Qdrant, Pinecone, Weaviate, pgvector) — %62
- Deployment (Docker + cloud/VPS) — %58
- Git + CI/CD — %72
Bu platform beş maddenin hepsini öğretir. Bonus olarak Anthropic'in MCP (Model Context Protocol) protokolünü içerir — 2026'da iş ilanlarında hızla tırmanan bir yetkinlik, yakında zorunlu hale gelecek.
Portföyünde olması gereken 3 kanıt:
- Bir canlı URL — tarayıcıda açılabilen, AI-destekli bir web uygulaması (Bölüm 9.4 RAG Chatbot)
- Bir agent / otomasyon projesi — bir iş yapan AI sistemi (Bölüm 9.5 Agent)
- Bir GitHub repo — temiz kod, test, README, ekran görüntüsü (Bölüm 9.7)
Bu üçü elinde olmadan görüşmeye gitmek zor. Bu platform "başlangıçta yoktu, sonda üçü de var" sözü verir.
Günlük iş — tipik bir AI Engineer sabahı¶
Saat 09:00. Laptop açık. Kahve yanında. Sırayla şunlar olabilir:
- Slack mesajına bak (10 dk): Slack (ekip içi mesajlaşma) → "Geçen hafta RAG chatbot'un verdiği cevaplar bazen yanlış kaynak gösteriyor." Jira'da (görev takip aracı) bir destek kaydı (ticket) açılmış.
- Log incele (20 dk): Son 100 başarısız cevabı filtrele, Anthropic Console'da token kullanımına bak. Sorunu bul: parçalar (chunk'lar) çok büyük, getirme (retrieval) 5 yerine 3 sonuç döndürüyor. (Bu terimleri Bölüm 4'te ayrıntıyla göreceksin — şimdilik "büyük belgeyi parçalara böl, sorguya yakın olanı bul" diye düşün.)
- Düzeltmeyi kodla (45 dk):
rag.py'de parça boyutunu 800 token'dan 600'e indir, getirilen sonuç sayısını (top_k) 3'ten 5'e çıkar. Testleri çalıştır. - PR aç, inceleme bekle (arada): GitHub'a gönder (push), otomatik testler (CI) yeşil, ekip üyesinden inceleme (review) gelsin.
- Yayına al (20 dk): Birleştirme (merge) sonrası GitHub Actions otomatik yayına alır. Canlıda 5 test sorusu dene, cevaplar artık doğru.
- Belgele (15 dk): Notion / Confluence (ekip içi belgeleme araçları) → "Parça boyutunu neden 600 yaptık" notunu yaz.
Toplam yarım iş günü. Bu ritim sana "rahat" geliyorsa AI Engineer yolculuğun iş tarafı iyi gidecek. Teknik detayları platform öğretir.
CTO tuzakları — yola çıkmadan bil¶
| # | Tuzak | Sonuç | Doğru yol |
|---|---|---|---|
| 1 | "3 günde AI Engineer" kurslarına kapılmak | 3 hafta sonra kaybolmuş hissetmek | Günde 45 dk × 6 ay minimum |
| 2 | Önce tüm Python'u öğrenmek, sonra AI'ya geçmek | Hiç geçememek | Bölüm 0 → Bölüm 2 minimum Python + hemen AI |
| 3 | Kursu bitirip portföy yapmamak | Görüşmede elde bir şey yok | Her bölümde 1 proje disiplini |
| 4 | Sadece OpenAI/ChatGPT ile çalışmak | İş ilanlarının yarısı Claude'u da ister | Anthropic-first pedagoji (bu platform) |
| 5 | "Önce derin matematik" takıntısı | AI Engineer için gereksiz | Matematik sonra gelir, mühendislik önce |
| 6 | LinkedIn'de içerik üretmemek | Görünmez kalmak | Haftada 1 proje/öğrenme postu |
| 7 | GitHub'da aktivite yok | Başvurularda "hayalet" gibi | Günlük küçük commit, public repo |
| 8 | Fiyat/maliyet izlememek | Ay sonu $300 fatura şoku | Console'da aylık budget alert |
Anthropic ekosistemi — neden Claude-first¶
🤖 Anthropic-öz: bu platform neden OpenAI değil Claude merkezli?
Üç neden:
- MCP (Model Context Protocol — Model Bağlam Protokolü) — Anthropic 2024 Kasım'da çıkardı, 2025'te OpenAI ve Google da kabul etti, Aralık 2025'te Linux Foundation'a bağışlanarak satıcı-bağımsız (vendor-neutral) ortak standart hâline geldi. Claude ekosistemi bu protokolü merkeze aldı; öğrenen öğrenci 2026 iş piyasasında bir adım önde başlıyor.
- Uzun bağlam + dürüstlük refleksi — Claude Opus 4.7 ve Sonnet 4.6 1 milyon token bağlam kabul eder (yaklaşık 2.500 sayfa); Haiku 4.5 ise 200K token (~500 sayfa). "Emin değilim" demekte görece iyidir. RAG ve agent projelerinde halüsinasyon (uydurma cevap verme) riski daha düşük — öğrenci için daha güvenli öğrenme ortamı.
- Öğrenme araçları — Anthropic Academy ücretsiz; AI Fluency, Claude with the API, Tool Use, MCP, Claude Code gibi kurslar. Bu platform her bölümde ilgili Academy kursuna köprü verir; iki öğrenme kaynağı tek yolda birleşir.
Platform OpenAI'yi dışlamaz — Bölüm 1.3'te ekosistem karşılaştırmasını detaylı yapar. Ama ana dil Claude, yardımcı dil diğerleri.
Çıktı kanıtları — 3 kanıt¶
1. Tanımı kendi cümlenle yaz:
Defterine veya bir not dosyasına (max 3 cümle) yaz: "AI Engineer bir ____ dir. Günlük işi ____ ve ____ yapmaktır. Ben bu rolü ____ çünkü istiyorum."
Boşlukları doldur. Bu tanım sana ait, platformun değil. Başkasına anlatırken bu cümleleri kullanacaksın.
2. Kendi seviyeni konumlandır:
| Seviye | Açıklama | Sen neredesin? |
|---|---|---|
| A | Kod/terminal hiç görmedim | Bölüm 0 + bolca zaman |
| B | Biraz Python biliyorum | Bölüm 0 hızlı geç, Bölüm 2'ye odaklan |
| C | Python iyi, backend de biliyorum | Bölüm 0'ı atla, Bölüm 2'den başla |
| D | Başka LLM API'siyle çalıştım | Bölüm 2'yi taraklı oku, Bölüm 4'e geç |
3. Zaman taahhüdü yaz:
Kendine (başka kimseye değil) yaz: "Önümüzdeki 6 ay boyunca haftada ____ saat (günde ~____ dk) bu platforma ayıracağım. Bitince ____ projesini GitHub'da canlı göreceğim." Bu cümleyi 4. ay sonunda tekrar okumak için takvime hatırlatma koy.
Kanıt dosyası: muhendisal-notlarim/bolum-1/01-konumum.md — üç madde bu dosyada.
Görev — 30 dakika, hemen yap¶
- Yukarıdaki "Çıktı kanıtları" bölümünün üç maddesini bir dosyaya yaz (kağıda da olur, dosyaya geçer sonra).
- linkedin.com/jobs aç, "AI Engineer Türkiye" ara. İlk 10 ilanı gözden geçir. Ortak aranılan 5 yetkinliği kendi notunda listele.
- Anthropic Console hesap aç (ücretsiz). Henüz ödeme ekleme — sadece hesap. Dashboard'u gör.
- Bölüm 0'ın index sayfasını aç, üstteki "Neden bu bölüm" paragrafını oku. Hazır hissediyorsan Bölüm 0'a başla.
Başarı kriteri: 30 dakika sonra elinde (a) tanımın, (b) 5 yetkinlik listen, © Console hesabın var. Hiçbir kod yazmadın — doğru. Zemin hazırlık.
Kanıt: dosya + ekran görüntüsü (Console dashboard).
Bu yoldan gitmek istiyor muyum? — net cevap¶
Üç soruya evet diyorsan bu platform için uygunsun:
- "Hobiye dönüştürebileceğim bir uğraş ister miyim?" AI Engineer öğrenmek gerçek emek ister — haftada 5 saat, 6 ay.
- "Kod yazarken takıldığımda sabrım var mı?" Hatayla karşılaşınca "bu benim için değil" deyip kapatmak en büyük tuzak. Özel öğretmenin (Claude) yanında, ama sabır sende.
- "Gelecek 1 yıl içinde iş değiştirme/yan gelir hedefim var mı?" Hedefsiz çalışmak insanı tüketir. Hedef küçük olabilir — "yarı zamanlı uzaktan iş" bile yeter — ama olsun.
Üçüne de evet dediysen 1.2 AI Engineer vs ML Engineer sayfasına geç. İki-üç hafta sonra "hangi yoldan gideceğim" netleşsin diye 1.4 Hangi Yolu Seçmeli sayfasına atlamak da mantıklı — orası sana 6 haftalık somut plan çıkarır.
- **AI Engineer 2023 sonrası ortaya çıktı.** Model eğitmez; önceden eğitilmiş modeli entegre eder. Bu yüzden **6-12 ayda ulaşılabilir bir rol.**
- **Günlük iş 4 katmandan oluşur.** Prompt + API + RAG/agent + deploy — bu platform sırayla öğretir. Bu yüzden **her bölüm bir katmanı verir.**
- **ML Engineer'dan farkı nettir.** ML eğitir, AI kullanır; matematik hafif, mühendislik ağır. Bu yüzden **bu platform matematik öğretmez, entegrasyon öğretir.**
- **İş ilanlarının %95'i Python + LLM prompt bekler.** RAG/deploy/Git hızla yükseliyor. Bu yüzden **platform bu beş yetkinliği sırayla verir.**
- **Portföyde 3 kanıt gerek.** Canlı URL + agent/otomasyon + temiz GitHub repo. Bu yüzden **her bölümde 1 proje disiplini şart.**
- **6 ay günde 45 dk = gerçekçi hedef.** "3 günde" yalan, "3 yılda" gereksiz. Bu yüzden **tempo düşürülse de süreklilik kesilmez.**
- **Claude-first seçimi nedeni:** MCP + uzun bağlam + Türkçe + Academy + ürün refleksi. Bu yüzden **platform Anthropic-öncelikli pedagoji ile yürür.**
Sonuç: "AI Engineer nedir" sorusunun cevabı artık belirsiz değil. Sen bu platformu okuyarak — kod ve İngilizce sıfır bile olsa — 6 ay boyunca disiplinle ilerlersen, Bölüm 10'da somut portföy elinde. Yolun başındasın, haritan var.
1.2 AI Engineer vs ML Engineer → — İki rolün somut örneklerle ayrımı; sen hangisine daha yakın olduğunu net görürsün.
← Bölüm 1 girişi | Ana sayfa | Bölüm 0'a dön
Pekiştirme: Anthropic Academy — AI Fluency (ücretsiz kurs) + Anthropic News blog + LinkedIn'de "AI Engineer" iş ilanlarından 5 tanesini tarayarak başla. Bu üç kaynağın kesişiminde rolün net resmi oluşur.