1.2 AI Engineer vs ML Engineer — İki Rol, Bir İş Arasında¶
Yabancı kelime mi gördün?
Model = eğitilmiş yapay zekâ beyni (parametre dosyası). Training (eğitim) = modele örnek göstererek öğretmek; haftalarca GPU işi. Inference (çıkarım) = eğitilmiş modele soru sorup cevap almak; milisaniye işi. Fine-tuning (ince ayar) = var olan modeli özel veriyle yeniden eğitmek. Dataset (veri seti) = eğitim için toplanan etiketli/etiketsiz örnekler. GPU = grafik işlemci; AI hesaplamaları için 50× hızlı ama pahalı donanım.
Neden bu sayfa?¶
1.1'de iki rolü tek paragrafla ayırdık. Ama iş ilanına başvururken, LinkedIn bio'nu yazarken, "hangi yola gideyim" kararı verirken kafa karışıklığı devam ediyor olabilir. Bu sayfa somut bir senaryo üzerinden iki rolün ne yaptığını dakika dakika gösterir: bir şirketin müşteri destek chatbot'u kurulurken ML Engineer hangi 5 işi yapar, AI Engineer hangi 5 işi yapar?
İkincisi: İki rol çakışır görünebilir ama kariyer yolları farklıdır. ML Engineer olmak için Yüksek lisans / doktora gerekir mi, AI Engineer olmak için bootcamp yeter mi? Gerçek cevap bu sayfada — ikisi de kadar kesin değil, ama eğilim var.
Üçüncüsü: Sen bu platformu okuyorsun. Platform AI Engineer yolunu öğretir, bu net. Ama ML'e sempati duyuyorsan, "Bölüm 5'te (RAG vs Fine-tuning) benim işim ML'ye yakın olacak mı?" sorusunun cevabı önemli. Sayfa sonunda "bu platformda bana yarayacak parçalar" hakkında sezgin olur.
Tek cümleyle ayrım¶
ML Engineer model üretir. AI Engineer modeli ürüne çevirir.
Bu cümleyi ezberle. Geri kalan her şey bu cümlenin açılımıdır.
Somut senaryo — "Müşteri destek chatbot'u" projesi¶
Diyelim ki BankaX müşteri destek maliyetini düşürmek için bir chatbot istedi. Amaç: müşteri "kartım bloke oldu" yazınca, sistem önce basit sorulara kendi cevap versin, karmaşıksa insan temsilcisine yönlendirsin. İki mühendislik rolü bu projede paralel çalışır.
flowchart TB
subgraph ML["🧪 ML Engineer işleri (hafta 1-8)"]
ML1["1. Geçmiş müşteri
yazışmalarını topla
(50K konuşma)"]
ML2["2. Veriyi etiketle
(niyet sınıfları:
bloke, borç, şifre)"]
ML3["3. Base model seç +
fine-tune et
(BERT-Turkish)"]
ML4["4. Model değerlendir
(F1, recall, confusion)"]
ML5["5. Model versiyonlama
+ teslim
(MLflow / S3)"]
end
subgraph AI["⚙️ AI Engineer işleri (hafta 6-12)"]
AI1["1. Claude API +
fine-tuned model
birlikte kullan"]
AI2["2. Prompt yaz
sistem + kullanıcı
talimatları"]
AI3["3. RAG kur:
bankacılık FAQ +
kurallar"]
AI4["4. FastAPI +
Docker + deploy"]
AI5["5. Monitoring
maliyet + log
+ fallback"]
end
USER["👥 Müşteri
'Kartım bloke'"]
PROD["🌐 Prod sistem
bot.bankax.com"]
ML1 --> ML2 --> ML3 --> ML4 --> ML5
ML5 -.teslim.-> AI1
AI1 --> AI2 --> AI3 --> AI4 --> AI5
USER --> PROD
AI5 --> PROD
classDef ml fill:#fef3c7,stroke:#ca8a04,color:#111
classDef ai fill:#dbeafe,stroke:#2563eb,color:#111
classDef usr fill:#fed7aa,stroke:#ea580c,color:#111
class ML1,ML2,ML3,ML4,ML5 ml
class AI1,AI2,AI3,AI4,AI5 ai
class USER,PROD usrİki rol farklı haftalarda çalışır. ML Engineer ilk 8 hafta veri + model ile, AI Engineer 6-12. haftalarda ürünleştirme ile meşgul. 6-8. haftalar kesişim — ML teslim eder, AI almaya başlar.
10 iş — 5 ML, 5 AI, dakika dakika¶
ML Engineer — bu 5 iş senin değil¶
-
Veri toplama + temizleme (2 hafta): 50.000 geçmiş müşteri konuşmasını anonimleştir (kişi bilgisini çıkar), CSV (virgülle ayrılmış tablo) olarak kaydet, eksik alanları temizle. Araçlar: Python + pandas + SQL + Apache Beam (büyük veri akışı kütüphanesi). Alan uzmanlığı: veri mühendisliği + gizlilik (KVKK).
-
Etiketleme + niyet sınıfı tasarımı (1.5 hafta): Her konuşma için "müşterinin asıl isteği ne?" etiketi. 12 sınıf:
bloke,borç,şifre,hesap,yatırım, vs. Karışık örneklerde ekip etiketler, anlaşamazlarsa kıdemli karar verir. Araç: Label Studio / Prodigy (etiketleme yazılımları). -
Temel model seçim + fine-tune / ince ayar (2-3 hafta): Hazır Türkçe BERT (Google'ın 2018'de çıkardığı dil modeli ailesi;
dbmdz/bert-base-turkish-uncasedTürkçe sürümü) üzerine 40.000 konuşma ile ince ayar yap. GPU gerekir (2026'da 4× A100 ≈ saatlik $6-12, tam eğitim ~8 saat ≈ $50-100). Araç: PyTorch + Hugging Face Transformers. -
Değerlendirme + hata analizi (1 hafta): Test setinde (10.000 konuşma) model nasıl gitti? Sınıf bazında F1 skoru (doğruluk + kapsama dengesinin tek sayı özeti) ne? Hangi 3 sınıf birbirine karışıyor? Karışıklık matrisini (confusion matrix) incele, gerekirse veri ekle + yeniden eğit. Araç: scikit-learn + matplotlib.
-
Model sürümleme + teslim (0.5 hafta): Model dosyası (
bertx.pt, 420 MB) S3'e (Amazon'un dosya depolama servisi) yüklenir, MLflow'da (model takip aracı) sürümlenir, "v1.2.0 — F1 0.87" notu düşülür. Çalıştırma hızı için ONNX'e (model değişim formatı, çıkarım 3 kat hızlanır) çevrilir. Teslim belgesi AI Engineer'a. Araç: MLflow + ONNX Runtime.
Süre toplam: ~8 hafta, 1-2 ML Engineer. Donanım maliyeti: ~$150-300 (GPU kiralaması). Araç seti: Python + pandas + PyTorch + HF + MLflow + S3.
AI Engineer — bu 5 iş senin¶
-
Hibrit akış tasarımı (0.5 hafta): "Önce fine-tuned niyet sınıflandırıcı çalışsın. Niyet
blokeise Claude devre dışı — hazır cevap dön. Niyet karışık veyaserbest_metinise Claude'a yönlendir." Karar ağacı yaz. Maliyeti düşürmek için bu ayrım kritik — her soruya Claude çağırmak aylık $500 oluyor. -
Prompt yazımı + sistem talimatı (1 hafta): Claude için system prompt. Banka ton, yasal sorumluluk disklaymer, "ödeme yap" gibi eylem önerisini yapma komutu. Kullanıcı mesajına yönerge: "Bu konuşma bir banka müşterisiyle; amacın bilgi vermek, işlem yapmak değil." Prompt versiyonla; A/B test hazırlığı.
-
RAG kur — BankaX kural dokümantasyonu (1.5 hafta): Bankanın 140 sayfalık iç kuralları (faiz oranı değişimi, hesap açma kuralı, kart blokesi prosedürü). PDF'i ayrıştır (parse) → 800 token'lık parçalara böl (chunk) → Voyage AI ile vektöre çevir (embedding) → Qdrant'a (vektör veritabanı) kaydet. Claude'a soru geldiğinde önce ilgili 5 parçayı getir, bağlam (context) olarak ver. (Tüm bu zinciri Bölüm 4'te ayrıntıyla göreceksin; şimdi sadece "büyük belgeyi parçalayıp soru soracaksın" diye düşün.)
-
FastAPI + Docker + yayına alma (1 hafta): Uç noktalar (endpoints):
/chat(ana),/niyet(ML modeli çağırır),/kaynaklar(RAG hata ayıklama). Docker Compose ile: uygulama + Qdrant + ML çıkarım kabı (container). Bölüm 9.3'teki otomatik yayım hattıyla GitHub'a gönder → ana dal → canlı. HTTPS + istek sınırı (rate limit) + kimlik doğrulama belirteci (auth token) BankaX kimliğiyle. -
İzleme + maliyet + yedek plan (sürekli): Her çağrının token sayısını günlüğe yaz, aylık bütçe uyarısı ($400), Claude API 500 hatası verirse yedek plan (şablon cevap). PagerDuty (kriz sırasında telefonu çaldıran çağrı sistemi) entegrasyonu. Grafana panosu (Grafana = açık kaynak izleme aracı): çağrı sayısı, ortalama gecikme, dil dağılımı, günlük maliyet.
Süre toplam: ~5-6 hafta, 1 AI Engineer. Donanım maliyeti: ~\(10/ay (VPS) + ~\)200/ay (Claude + Voyage, 100K müşteri trafiği). Araç seti: Python + Claude SDK + FastAPI + Qdrant + Docker + GitHub Actions + Caddy.
Karşılaştırma tablosu — 12 boyut¶
| Boyut | ML Engineer | AI Engineer |
|---|---|---|
| Ana fiil | Eğitmek | Entegre etmek |
| Çalışma birimi | Model versiyonu | Sistem özelliği |
| Zaman birimi | Haftalar | Günler |
| Donanım | GPU (kiralama $50-200/iş) | Laptop + VPS ($5/ay) |
| Matematik | Yoğun (lineer cebir, olasılık) | Hafif (yüzde, oran) |
| Dil | Python + CUDA | Python + YAML + Docker |
| Kütüphane | PyTorch, HF, sklearn, pandas | Claude SDK, FastAPI, Qdrant |
| Başarı ölçüsü | F1 skoru, recall (kapsama), MRR (sıralama metriği) | Canlı %99.9 ayakta kalma süresi, aylık fatura |
| Öğrenme kaynağı | Andrew Ng, Fast.ai, akademik makaleler | Anthropic Docs, Cookbook, Academy |
| Eğitim süresi (0→iş) | 2-3 yıl | 6-12 ay |
| Formal eğitim | BS + MS tavsiye, PhD rekabetçi | Diploma zorunsuz, portföy kilit |
| Ev ortamı | Cloud GPU gerekebilir | Laptop + internet yeter |
Sen hangi role daha yakınsın? — karar ağacı¶
1. Matematiksel modelleri derinlemesine anlamak mı, yoksa
çalışan bir ürün çıkarmak mı seni daha çok motive eder?
→ Model derinliği → ML Engineer yolu
→ Ürün çıkarmak → AI Engineer yolu (bu platform)
2. "Günde 6 saat veri temizleyip modelin F1'i 0.87'den 0.89'a
çıkmasını izlemek" senin için:
→ Tatmin edici → ML Engineer
→ Sıkıcı → AI Engineer
3. "Canlı sistem 3 saat nasıl ayakta kalır, uyumadım"
cümlesi senin için:
→ Kabus → ML Engineer (ofis saatleri çalışır)
→ Meydan okuma → AI Engineer (on-call rotasyonu normaldir)
4. Şu an (İngilizce) paper okumak:
→ Zevkli → ML Engineer
→ Dayanılmaz → AI Engineer (dokümantasyon yeter)
5. Bütçen:
→ Aylık $50-200 öğrenme için ayırabilirim → ML OK
→ Aylık $10-20 yeter → AI Engineer (ideal)
4+ cevap AI Engineer'a doğruysa bu platform tam sana göre. 4+ cevap ML Engineer'a doğruysa platform yine işe yarar (prompt + entegrasyon biliyor olmak ML rolünde de değerli) ama yoğunluğunu Bölüm 2 + 4 + 6'da tut; deploy sayfalarını hafif geç.
Kariyer geçiş senaryoları — 4 yaygın yol¶
Senaryo 1: Backend geliştirici → AI Engineer (en kolay)¶
- Başlangıç: 3+ yıl Python/Node backend tecrübesi, REST API yazabiliyor.
- Eksik: Prompt, RAG, vector DB, LLM ekosistemi.
- Platform rotası: Bölüm 2 → Bölüm 4 → Bölüm 6 → Bölüm 9. Bölüm 0 atla, Bölüm 8 hızlı geç.
- Süre: 3-4 ay, haftada 5-8 saat.
- Geçiş kolaylığı: ⭐⭐⭐⭐⭐ (arka planın zaten %70).
Senaryo 2: Frontend/fullstack → AI Engineer (orta)¶
- Başlangıç: React/Vue, biraz Python biliyor.
- Eksik: Python derinliği, backend refleksi, prompt.
- Platform rotası: Bölüm 0 (Python + FastAPI) → Bölüm 2 → Bölüm 4 → Bölüm 9.
- Süre: 5-6 ay.
- Geçiş kolaylığı: ⭐⭐⭐⭐ (Python köprü kurmak gerek).
Senaryo 3: Data Analyst / Data Engineer → AI Engineer (orta)¶
- Başlangıç: SQL + pandas iyi, Python orta, ML bilgisi yüzeysel.
- Eksik: Backend + deploy + API.
- Platform rotası: Bölüm 0 (FastAPI'ye odak) → Bölüm 2 → Bölüm 4 (RAG data avantajla) → Bölüm 9.
- Süre: 4-5 ay.
- Geçiş kolaylığı: ⭐⭐⭐⭐ (veri tarafı güçlü, ürün tarafı zayıf).
Senaryo 4: Sıfırdan (alan dışı) → AI Engineer (zor ama mümkün)¶
- Başlangıç: Avukat / öğretmen / kimyacı / muhasebeci. Kod hiç yok.
- Eksik: Her şey teknik tarafta.
- Platform rotası: Bölüm 0 (yavaş) → Bölüm 1 (kesin) → Bölüm 2 (sindirerek) → Bölüm 4 → Bölüm 9.
- Süre: 8-14 ay (günde 45-60 dk).
- Geçiş kolaylığı: ⭐⭐⭐ (tempo düşür ama alan bilgin büyük avantaj).
- Önemli: İlk iş olarak "AI Engineer + avukat" ikilisi sen için bire-bir uygun — legal tech startup'ları özellikle alan uzmanı + AI becerisi olan insan arıyor.
ML Engineer'dan AI Engineer'a geçiş (tersi)¶
ML Engineer'sen ve AI Engineer rolüne geçmek istiyorsan: Bölüm 2 + 6 + 9 yeter. Prompt disiplini + agent/MCP + yayına alma refleksi. 2-3 ay içinde geçebilirsin, hatta ikisini beraber yapabilirsin: MLOps Engineer (Machine Learning Operations — model üretim hattı uzmanı) rolü bu iki yolun ortak kesişimidir.
2026 maaş bantları — gerçekçi rakamlar¶
Maaş rakamları yaklaşık
Aşağıdaki rakamlar 2026 ilk çeyrek LinkedIn / Glassdoor / levels.fyi taramasından. Şehir, deneyim, şirket büyüklüğüne göre ±%30-50 değişir. Türkiye rakamları TL bazlı, enflasyon riskli. Uzaktan (remote) çalışmada yabancı şirket → 2-3× zarf. Kendini değerlendirmek için kendi bölgendeki ilanları tara — bu tablo sadece yön verir.
Türkiye (TL/ay, net)¶
| Seviye | ML Engineer | AI Engineer | Not |
|---|---|---|---|
| Junior (0-2 yıl) | 55-80K | 50-75K | AI biraz düşük çünkü alan yeni |
| Mid (2-5 yıl) | 90-140K | 90-130K | Neredeyse eşit |
| Senior (5+ yıl) | 150-250K | 140-220K | ML yüksek ama AI hızlı yakalıyor |
| Staff/Principal | 250K+ | 220K+ | Azınlık |
Remote / yurtdışı (USD/ay, brüt, fullstack remote)¶
| Seviye | ML Engineer | AI Engineer | Not |
|---|---|---|---|
| Junior | $3-5K | $3-5K | Avrupa şirketleri |
| Mid | $6-10K | $6-10K | ABD startup remote |
| Senior | $12-20K | $12-18K | FAANG benzeri |
AI Engineer'ın yükselişi: 2023'te AI Engineer maaş bandı ML'den açık ara aşağıdaydı. 2026'ya gelindiğinde neredeyse eşitlendi, hatta üst seviyelerde AI Engineer daha yüksek pozisyonlar da çıkıyor (Applied AI Lead gibi). Sebep: LLM'i kuran kaynak ML tarafında bol (hazır modeller), LLM'i kullanıma açan insan az. Arz-talep lehine.
İki rol arasındaki gri alan — MLOps¶
MLOps Engineer: ML Engineer'ın teslim ettiği modeli AI Engineer'ın sistemine taşıyan, versiyonlama + serving + monitoring yapan rol. İki rolün kesişim noktası.
- Sorumluluk: Model sunucusu (TorchServe, BentoML, Triton), model versiyonlama (MLflow), A/B test altyapısı, GPU kümesi yönetimi.
- Tecrübe profili: Backend + DevOps + biraz ML + biraz Kubernetes.
- Kariyer yolu: Backend → MLOps (12-18 ay). AI Engineer'sen MLOps'a geçmek zor değil; 6 ayda yakalar.
- Maaş: Genelde AI Engineer ve ML Engineer'ın üstünde (DevOps zarfı + AI talebi).
Bu platform MLOps'u kapsamaz (scope dışı). Ama Bölüm 9 deploy sayfaları (9.1 Docker + 9.2 Cloud + 9.3 CI/CD) MLOps'un %40'ıdır. Bölüm 9 bitince MLOps yoluna geçmek için Kubernetes + MLflow eklemek 3-4 ay.
CTO tuzakları — iki rol arasında kaybolmamak¶
| # | Tuzak | Sonuç | Doğru |
|---|---|---|---|
| 1 | Her iki rolü aynı anda öğrenmek | Hiçbirinde derin olmayan profil | Önce birini seç, 6-12 ay sonra ikincisi |
| 2 | "AI Engineer ML'den az değerli" miti | Yanlış pozisyon hedefi | 2026 rakamları neredeyse eşit |
| 3 | LinkedIn bio'ya "AI/ML Engineer" yazmak | Hiçbir iş ilanı sana uymaz | Net seç: "AI Engineer" veya "ML Engineer" |
| 4 | Matematik korkusu ML'den kaçış | Mantıklı tercih, ama sebebini söyleme | AI Engineer tercihi motivasyon üzerinden, korku üzerinden değil |
| 5 | Matematik sevgisi AI'dan ayrılma | Yanlış — AI rollerinde de matematik zorlanabilir | Bölüm 5 RAG vs FT'te matematik hafif gelir; dene |
| 6 | Kalıcı karar zannı | Bir rolü seçince geri dönüşü yok sanma | 2 yılda iki role de bakabilirsin, esneklik yüksek |
| 7 | "Hangi rol daha çok bulur" sorusu | Yüzeysel arama, doğru rol değil | "Hangi rol beni sıkmaz" sorusu daha değerli |
| 8 | Birinin diğerini küçümsemesi | LinkedIn kavgası, öğrenme kaybı | İki rol farklı, ikisi de değerli, sen biri seç |
Anthropic ekosistemi — iki rol için farklı kaynaklar¶
🤖 Anthropic-öz: Anthropic'in her iki role bakışı
- Anthropic'te ML Engineer → "Research Engineer" veya "Applied Scientist" unvanı. Claude'un kendisini geliştiren takım. PhD düzeyi matematik + sistem beklentisi. Sıfır → bu rol ~5-7 yıl.
- Anthropic'te AI Engineer → "Technical Staff" veya "Applied AI Engineer" unvanı. Claude'u API/Platform olarak sunan + müşteriye entegre eden takım. Bu rol → aktif işe alımda, bu platformun hedeflediği profil.
- Öğrenme araçları:
- AI Engineer için: Anthropic Academy — "Building with Claude on the API", "Tool Use", "MCP" kursları
- ML Engineer için: Anthropic Research — teknik makaleler, model mimarisi yayınları; Academy'de az
- Üretim ortamı için Claude: her iki rol de Claude'u farklı amaçla kullanır — ML rolünde model karşılaştırma/değerlendirme için, AI rolünde doğrudan ürün omurgası için. Bu platform ikincisinden yürür.
Çıktı kanıtları — 3 kanıt¶
1. BankaX senaryosunu birine anlat:
Bir arkadaşına (veya boş sandalyeye) 3 dakikada ML ve AI Engineer'ın BankaX chatbotunda hangi 5 işi yaptığını anlat. Sayfa açık kalmasın — kafadan. Takıldığın adım zayıf nokta, oraya tekrar dön.
2. Karar ağacı cevapları:
Yukarıdaki 5 soruya kendi cevabını yaz (dosyana). Hangi role daha yakınsın? Hangi soruda tereddüt ettin? Tereddütlü noktalar 1.4'teki persona seçimini etkiler.
3. Kendi kariyer senaryon:
4 senaryodan hangisi sen? Platformda hangi bölümlere odaklanmalısın — kendi yolunu 1-2 cümle çiz. (1.4'te detaya inilir.)
Kanıt dosyası: muhendisal-notlarim/bolum-1/02-karar.md.
Görev — 20 dakika, kendi yerini net gör¶
-
LinkedIn'de aç: iki ayrı arama yap — "ML Engineer Türkiye" + "AI Engineer Türkiye". İlk 10 ilanın istenen yetkinliklerini karşılaştır. Hangi liste sana daha yapılabilir geliyor?
-
Yukarıdaki 5-soru karar ağacını cevapla. Ağırlık hangi tarafta?
-
muhendisal-notlarim/bolum-1/02-karar.mddosyasına yaz: - Kararım: AI Engineer / ML Engineer / Henüz emin değilim
- Gerekçe: 2 cümle
-
Gelecek 3 ayda: Hangi bölümlere önceleyeceğim (1.4'te detay)
-
(İsteğe bağlı) Karar "emin değilim"se → 1.3 (Ekosistem 2026) sonrası kararı tekrar ver. İki sayfa daha okuyunca netleşecek.
Başarı kriteri: 20 dakika sonra elde 1 cümlelik kariyer yönü (pozisyon adı + gelecek 3 ay odak bölümü) var.
- **Tek cümlelik ayrım: ML model üretir, AI modeli ürüne çevirir.** Her şey bu cümleden çıkar. Bu yüzden **role özgü araç ve beceri seti ayrışır.**
- **BankaX senaryosu iki rolü somutlaştırır.** 5+5 iş dakika dakika gösterildi. Bu yüzden **soyut tanım yerine gerçek iş akışı görünür.**
- **12 boyutlu tablo karar kolaylaştırır.** Dil, donanım, matematik, maaş, formal eğitim. Bu yüzden **kendi konumunu tabloda bulabiliyorsun.**
- **Karar ağacı motivasyon tabanlıdır.** Korku değil, zevk ve ritim tercihine yaslanır. Bu yüzden **yanlış role giren kişi tükenir, doğru role giren ilerler.**
- **4 kariyer geçiş senaryosu her profile yol haritası verir.** Backend, frontend, data, sıfırdan. Bu yüzden **hangi geçmişten gelirsen gel, platforma giriş noktası net.**
- **2026 maaş bantları neredeyse eşit.** AI Engineer yükselişte; MCP + agent talebi büyüyor. Bu yüzden **maaş farkı karar kriteri olmaktan çıktı.**
- **MLOps iki rolün kesişimidir.** Bu platform Bölüm 9 ile o tarafa köprü atar. Bu yüzden **AI Engineer bitince MLOps'a geçiş 3-4 ay.**
Sonuç: "AI Engineer" ile "ML Engineer" birbirini tamamlayan iki rol. Sen birini seçtin mi — en azından şimdi — platformun geri kalanı daha anlamlı ilerler. Bir sonraki: 2026 ekosistem haritası — hangi modeller, hangi provider'lar, hangi lisanslar.
1.3 AI Ekosistemi 2026 → — Hangi model kimindir, fiyat/performans nasıl, Türkiye'den neye erişebiliyorsun.
← 1.1 AI Engineer Nedir | Bölüm 1 girişi | Ana sayfa
Pekiştirme: Andrew Ng'in AI for Everyone kursu (ücretsiz, İngilizce, Türkçe altyazı var) iki rol arasındaki farkı yöneticilere anlatır; teknik değil kavramsal. Bir cumartesi akşamı 2 saat — perspektif kazandırır.