Yapay zekâ sistem mühendisi: modeli, onu taşıyan daha büyük bir yazılım sisteminin bileşeni olarak ele alıyorum

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.

01 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.

02 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.

03 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.

04 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.