# Yapay zekâ sistem mühendisi: modeli, onu taşıyan daha büyük bir yazılım sisteminin bileşeni olarak ele alıyorum > Yapay zekâ modelini bir yazılım sisteminin bileşeni olarak tasarlıyor, özelleştiriyor, orkestre ediyor ve güvenle işletiyorum; mimariden güvenliğe yedi alan. - Teknolojiler: Python, TypeScript, Rust, PyTorch, CUDA, OpenAI Triton, NVIDIA Dynamo-Triton, Kubernetes, pgvector, Milvus, Chroma, Apache Kafka, TensorFlow, Model Context Protocol, Retrieval-Augmented Generation - Deneyim: 2024'den bu yana - Yazı: 7 - Proje: 16 - Güncelleme: 2026-10-25 - Kaynak: https://muhammetsafak.com/tr/uzmanlik/ai-systems/ - Dil: tr-TR - Yazar: Muhammet Şafak --- ## Bu ekosistemde ben Yapay zekâyı bağımsız bir özellik olarak değil, daha büyük bir yazılım sisteminin bileşeni olarak ele alıyorum ve özelliği modelin kendisinde değil, onu üretimde taşıyan sistemde çözüyorum. AI Systems Engineering benim için AI development, ML engineering, agentic AI ya da AI infrastructure'ın tek başına adı değil; hepsiyle ilişkili, sistem odaklı bir mühendislik yaklaşımı. LLM, RAG, MCP, agent ve fine-tuning bu disiplinin bugünkü teknik bileşenleri; model mimarileri ve protokoller değiştiğinde de mimari, entegrasyon, güvenlik ve işletme soruları yerinde kalıyor. Bu sayfa dört konuyu kendi kapsamında tutuyor: AI Systems Engineering, Retrieval-Augmented Generation, AI Agents ve Model Context Protocol. İki şeyi ayrı tutuyorum: aşağıdaki yedi alan disiplinin kapsamı, bu bölümdeki bağlantılar ise sitede görülebilen örneklerim. Ticari olduğu için burada ayrıntısı olmayan işlerim de var; onları kartlarda ve sayfanın sonundaki notta ayrıca yazdım. Dördünün sitede görülebilen örneği var. Geçit tarafı [AI gateway ürününde](/tr/portfolyo/ragmux/) ve [onun labs kaydında](/tr/labs/ragmux-lab/), RAG kararından sonra kalan iş [ayrı bir yazıda](/tr/blog/rag-karari-sonrasinda-kalan-is/), MCP tarafı [doküman sunucusu ürününde](/tr/portfolyo/contextator/) ve [proje başına sunucu yazısında](/tr/blog/proje-basina-mcp-sunucusu-kurmayi-birakmak/). Bir LLM'in geliştirme akışına girdiği yer [kod inceleme CLI'ında](/tr/portfolyo/commitbrief/) ve [AI ile self-review yazısında](/tr/blog/ai-ile-self-review-neyi-hizlandiriyor-nerede-yetmiyor/), sağlayıcı soyutlama sorusu ise [bir Sor Bakalım cevabında](/tr/sor-bakalim/ollama-dan-uretimde-bedrock-openai-a-gecerken-llm-soyutlamasi/). Agent tarafının kitap ölçeğindeki karşılığı [Güvenilir AI Agent Mühendisliği](/tr/kitaplar/engineering-reliable-ai-agents/); [Sentry hatasından düzeltme planı çıkaran skill](/tr/labs/sentryfixer-lab/) ise onay almadan dosyaya dokunmayan küçük bir örneği. AI dışı event-driven ve kuyruk deneyimimin kanıtı [ayrı bir kitapta](/tr/kitaplar/designing-reliable-event-driven-systems/). ### Disiplinin yedi alanı Yapay zekâyı bağımsız bir özellik değil, daha büyük bir yazılım sisteminin bileşeni olarak ele alıyorum; yedi alan bu bileşenin tasarımından işletmesine kadar tek bir bütün. - **AI Systems Architecture** — AI Systems Engineering'in omurgası mimaridir. AI-native ve AI-enabled sistemlerde model, uygulama ve altyapı katmanlarını ayırıyor, bileşenleri değiştirilebilir tutuyorum. Sağlayıcıya bağlanmayan bir mimaride model değişikliği uygulamaya dokunmamalı; bunu AI Gateway gibi bir geçitle, hata toleransını ve ölçeklenebilirliği gözeterek kuruyorum. - **Model Engineering & Customization** — Model seçimini ve değerlendirmesini, domain'e özel uyarlamayı ben yürütüyorum. Fine-tuning ile LoRA/PEFT gibi verimli yöntemler, TensorFlow ve PyTorch ile model eğitimi ve Machine Learning Research bu alanın içinde. Gecikmeyi ve maliyeti Inference Optimization ile düşürüyor, modeli Model Serving ile bir API arkasında sunuyorum; küçük, yerel ve açık ağırlıklı modeller de seçeneklerimin arasında. - **Agentic AI & Orchestration** — AI Agents'ı güvenilmez bir karar verici sayıp kontrol sistemlerinin içinde çalıştırıyorum: model öneriyor, kod karar veriyor. Tool Calling'de araç sözleşmesini, izni ve state'i; Human-in-the-Loop'ta insan onayının nerede duracağını tasarlıyorum. Model Context Protocol ve Agent2Agent Protocol gibi protokoller ile Multi-Agent Systems'teki orkestrasyon ve yetki sınırları da bu alanda. - **AI Integration & Data Pipelines** — Retrieval-Augmented Generation'da belgeyi ayrıştırmaktan chunk sınırlarına, Embeddings üretiminden Vector Search ile tam metin aramanın birleştirilmesine kadar hattın tamamı benim alanım. Üçüncü taraf ve kurumsal sistem entegrasyonlarını, ETL/ELT akışlarını, event-driven iş akışlarını ve kuyrukları modelin etrafındaki veri hattının parçası olarak kuruyorum. - **AI Infrastructure & Platform Engineering** — AI Gateway'leri, model yönlendirmeyi ve çoklu sağlayıcı entegrasyonunu, self-hosted sistemleri, container'lı dağıtımı ve AI teslim hatlarını kuruyorum. Inference iş yüklerinin kaynak yönetimi, GPU ve Kubernetes üzerinde Model Serving ve altyapı otomasyonu bu alanın gündelik işi. - **Reliability, Security & Observability** — Güvenilir olmayan bir AI sistemi özellik değil risktir. Guardrail'leri ve politika uygulamasını, Prompt Injection ile tool çalıştırma güvenliğini, veri gizliliğini ve erişim kontrolünü tasarlıyorum. Token, latency ve maliyeti bütçe olarak yönetiyor; LLM Observability ile istekleri izliyor, LLM Evaluation ile gerilemeyi yakalıyor, retry, timeout, fallback ve circuit breaker ile hatayı sınırlıyorum. - **Applied AI Engineering** — Yapay zekâyı gerçek bir probleme uyguluyorum: mevcut yazılım ürününü AI yetenekleriyle genişletmek, AI destekli otomasyon, geliştirici araçları ve araştırma prototipini üretim sistemine taşımak bu alanın işi. Ölçüt modelin ne kadar etkileyici olduğu değil, problemin çözülmesi ve sistemin işletilebilir kalması. ### Bir AI özelliğinde verdiğim kararlar Hangi modelin seçildiğinden önce, modelin etrafındaki bu dört karar sistemin ömrünü belirliyor. 1. **Modelin yeri** — Modeli uygulamanın içine gömmek yerine bir arayüzün arkasına koyuyorum. Bedeli bir soyutlama katmanı ve sağlayıcıya özgü özelliklerden vazgeçmek; karşılığında modeli ya da sağlayıcıyı değiştirmek yeniden yazım değil yapılandırma oluyor. 2. **Bütçe** — Token, gecikme ve maliyeti istek tasarlanırken belirliyorum, fatura geldiğinde değil. Çıktı token'ı ancak yanıt bittiğinde kesinleştiği için bütçe sınırı tek bir isteği yarıda kesemez; aşım en fazla bir istek boyu olur ve reddedilen bir sonraki istektir. 3. **Yetki** — Bir agent'a verdiğim her araç bir yetkidir. Aracı dar tanımlıyor, geri alınamaz eylemleri insan onayına bağlıyor ve modelin bağlamına giren her metni, onu yönlendirebilecek bir girdi sayıyorum. 4. **Ölçüm** — Çıktının doğruluğuna bir kez bakıp karar vermiyorum; tekrar çalıştırılabilir bir değerlendirme setiyle ölçüyorum. Model, prompt ya da retrieval değiştiğinde gerileme önce orada görünmeli, kullanıcıda değil. ### Disiplinin sınırı AI Systems Engineering yalnız AI development, yalnız ML engineering, yalnız agentic AI ya da yalnız AI infrastructure değildir; hepsinin kesiştiği, sistem odaklı mühendislik yaklaşımıdır. Bu yüzden uzmanlığı tek bir teknolojiye, sağlayıcıya ya da trende bağlamıyorum. LLM, RAG, MCP, agent ve fine-tuning bugünün teknik bileşenleri; model mimarileri ve protokoller değiştiğinde mimari, entegrasyon, güvenlik ve işletme soruları yerinde kalıyor. ## Sık sorulanlar ### Yapay zekâ sistemleriyle kaç yıldır çalışıyorsun? 2024'ten bu yana, 2 yıldır. Sitede bu alana etiketli 7 yazı var. ### Yapay zekâ sistem mühendisliği derken neyi kastediyorsun? Yapay zekâ modellerini gerçek yazılım sistemlerine entegre etmeyi, özelleştirmeyi, orkestre etmeyi ve güvenli, sürdürülebilir biçimde çalıştırmayı. Model yalnız bir bileşen; sağlayıcının, bütçenin, yetkinin, bağlamın ve değerlendirmenin nerede duracağı sistemin sorusu. ### Bu uzmanlık yalnızca LLM entegrasyonu mu? Hayır. Bir API'yi çağırmak ya da prompt yazmak disiplinin küçük bir kısmı. Yedi alan model özelleştirmeden agent orkestrasyonuna, veri hatlarından altyapıya, güvenlikten gözlemlenebilirliğe uzanıyor. ### RAG kararından sonra ne kalıyor? Retrieval'ın cevaplamadığı sorular: sağlayıcı anahtarı nerede duracak, hangi uygulama hangi modeli kullanacak, harcama nerede kesilecek, kalite nasıl ölçülecek. Bunları modelin dışındaki sistem katmanında çözüyorum. ### Bir AI agent'a neden güvenmiyorsun? Modelin bazen yanılacağını varsayıp tasarımı buna göre kuruyorum: model öneriyor, kod karar veriyor. Araçlar dar tanımlanıyor, geri alınamaz eylemler insan onayına bağlanıyor. ### MCP sunucusunu proje başına mı kurmalıyım? Çoğalması gereken sunucu sayısı değil, uç ve yetki sınırı. Bir MCP sunucusu bağlamak bir güven sınırı açmak olduğu için her proje kendi ucunu ve kendi yetkisini almalı; aynı sunucu bunu birden çok uçla taşıyabilir.