40 Bin İlanla Çizilen AI Mühendisi Haritası: Kod, Ajan, RAG ve Bulut

Baro iki ay boyunca her gün çalışan bir sistem kurdu ve 100 ülkede 10 binden fazla şirketten 40 binden fazla veri ve AI ilanını topladı; bunların 4 binden fazlası doğrudan AI mühendisi arıyor. Rol çok yeni ve platformlar baş döndürücü hızla değiştiği için herkesin üzerinde anlaştığı tek bir yol haritası yok, çoğu harita kişisel görüşten ibaret. Videonun mantrası net: veri olmadan herkes sadece fikri olan biridir. Bu yüzden video baştan sona gerçek ilanlar üzerinden ilerliyor ve AI mühendisinden ne beklendiğini; beceriler, araçlar, maaşlar ve günlük görevler dahil katman katman açıyor, üstüne hızla yükselen forward deployed mühendis rolünü de ekliyor.

Peki AI mühendisi kim? Videoya göre AI modellerini kullanarak uygulama kuran bir yazılım mühendisi, üstüne veriyi taşıyıp besleyen bir data mühendisliği katmanı eklenmiş hali. Kulağa sade geliyor ama ilanlara dalınca kaos başlıyor. En büyük küme AI mühendisleri, fakat aynı iş farklı etiketlerle geziyor: applied AI, gen AI, generative AI, agentic AI hepsi aynı çekirdek tanıma çıkıyor. Yanında daha küçük kümeler var: araştırmacı, mimar, ürün yöneticisi. Ve iki yıldır ismi bile olmayan forward deployed mühendis; hacmi küçük ama grafiği keskin biçimde yukarı gidiyor. İsim kalabalığı piyasanın henüz kavramı normalize edemediğini gösteriyor.

Beceri analizinin yöntemi şaşırtıcı derecede yalın. Baro ilanlardaki “aranan nitelikler” bölümünü tarıyor ve listelerin kendi iç sıralamasını ciddiye alıyor; çoğu ilan uzun bir istek listesi, kimse hepsini karşılayamaz, en üstteki satır must-have, aşağı indikçe nice-to-have. Bu yüzden sıklık kadar pozisyon da sinyal taşıyor. Videoda frekansları kümelere ayırarak okuma yapılıyor, böylece tek tek teknoloji saymak yerine desen ortaya çıkıyor. Sponsorlu eğitim bölümü bu noktada tek cümleye indiriliyor: uygulamalı Python başlangıcı ve ardından LLM, ajan, RAG ve operasyonun bir arada öğretildiği bir geliştirici parkuru örnek olarak anılıyor, ilk bölümlerin ücretsiz denenebildiği notuyla.

En çok aranan beceriler ve üçlü çekirdek

Listenin tepesinde sürpriz yok. Python açık ara birinci, neredeyse tüm iş onsuz dönmüyor; ikinci sırada büyük dil modellerini kullanabilme yetkinliği var. Videonun grupladığı programlama dilleri kümesinde Python dominant, TypeScript ve SQL’in izi marjinal kalıyor. Tavsiye de bu veriden çıkıyor: Python’da ileri seviyeye kadar ustalaş, ikinci dil gerekecekse SQL’i ekle. Mesaj net: önce mühendislik, sonra AI. Dil tartışması bir araç seçimi, tez değil. Python’un ağırlığı, AI mühendisinin model eğiten değil model kullanan mühendis olduğu teziyle de tutarlı.

AI becerileri kümesinde üçlü çekirdek ayrılıyor: en tepede LLM’ler, hemen ardından AI ajanları ve RAG. Video üçünü kısa ve işlevsel tanımlarla ayırıyor: LLM uygulamanın içindeki model, ajan modelin araçları çağırıp eylem bitirmesi, RAG şirket dokümanlarını arayıp modele ekleyerek uydurmayı kesmesi. Bu üçlüden sonra gelen başlıklar tam da yaygın yanılgıyı düzeltiyor: AI mühendisi olmak için sıfırdan model eğitmeye, doktoraya veya derin matematiğe gerek yok. Bu, data scientist’in işi. AI mühendisinin işi sistemi kurmak, bilim insanının işi modeli keşfetmek. Sınır net çizilince yol da sadeleşiyor.

Araç ve platform seçimlerinde video sadeleşmeyi öneriyor. Model tarafında tek bir güçlü LLM yeterli, GPT veya Claude fark etmez, gündelikte Baro Claude kullanıyor ama geçiş serbest; PyTorch ve TensorFlow ise model eğitimi odaklı oldukları için şimdilik kenarda bırakılabilir, ana iş değil. Çerçeve ve ekosistemde LangChain ve LangGraph, sağlayıcıda OpenAI API ve Hugging Face, veri katmanında vektör veritabanları öne çıkıyor. Bulut cephesinde AWS zirvede, ardından Azure ve Google geliyor; hepsini öğrenmek yerine birini seç, genel öneri AWS ama Avrupa’da Azure eğilimi not ediliyor. Karar, ülke pazarına göre ayarlanmalı.

Dağıtım becerileri kümesi videonun en vurgulu notu. Uygulama kodlandıktan sonra iş bitmiyor, onu hedef ortama taşımayı bilmek gerekiyor. Listede önce API’ler, sonra CI/CD ve Docker var. Baro burada adayların en büyük hatasına dikkat çekiyor: kurmayı öğrenip dağıtmayı atlamak. Evinde deneme yapan kişi ile mühendis arasındaki çizgi tam burada çiziliyor. Yerel makineden üretim ortamına taşıma, mühendisi görünür kılan halka. Bu yüzden dağıtım, sadece nice-to-have değil, seni ayrıştıran kas.

Günlük görevler, maaş ve yeni rolün anatomisi

Becerilerden sonra sıra günlük görevlerde, yani “işe girince her gün ne yapacağım” sorusunda. Yine aynı sıralı okuma var, bu kez “yapılacaklar” bölümü. Bir numara LLM uygulamasını kurmak, iki numara AI ajanları ile süreç otomasyonu; artık mesele sohbet penceresi değil, plan izleyip araç çağıran ve işi bitiren sistem kurmak. Üçüncü sırada buluta dağıt ve izle var, prod kırılırsa müdahale edecek kişi sensin. Dördüncü ve en zor başlık değerlendirme: benchmark setleri ve skorlarla güveni ölçmek. Model çağırmak kolay, sonuca güvenilir mi sorusunu yanıtlamak zor; farkı yaratan bu.

Listenin devamında rakamların yanında kalan ama günü tamamlayan işler var: ekipler arası çalışma, mevcut sistemlerle entegrasyon, backend ve API’lerin bakımı, RAG’ın ayakta tutulması, güvenlik ve uyum. Baro günü tek cümlede özetliyor: AI’yi ve çevresindeki yazılımı kur, dağıt, gözetle, güvenilirliğini ölç. Bu dört fiil, AI mühendisinin iş tanımının iskeleti. Videoda bu iskelet frekans kadar sorumlulukla da anlatılıyor; dağıt ve gözetle, sadece kur kadar muteber.

Sırada iki hassas konu var: maaş ve belge. Baro baştan uyarıyor, sayılar yalnız ABD örnekleminden ve ilanların yalnızca yaklaşık %30’u maaş yazıyor, ülkeye göre tablo dramatik değişir. Yine de his vermek için ABD ortalamaları paylaşılıyor: junior yaklaşık 150 bin, senior 200 bin, lider 235 bin dolar. Aynı kıyas data mühendisi ile yapıldığında AI mühendisi her kademede yukarıda, şirketler AI odaklı stratejileri için prim vermeye istekli. Derece tarafında ilanların yarısı diploma bile anmıyor, giriş diplomasız mümkün ama diploma şans artırır. Sertifikalar daha da silik, ilanların %3’ünden azı anıyor; koleksiyon yerine uçtan uca portföy projesi çok daha ağırlıklı, mülakatta rozet değil hikaye konuşuluyor.

Gelelim videonun vaat ettiği yakın role: forward deployed mühendis. Tanım kısa: AI için çözüm mühendisi. Şirketlerin sorunu tanıdık, yüzlerce proje hızla kuruluyor ama çekirdek sistemlere entegre olamayıp hızla çöpe gidiyor, para ve zaman yanıyor. Bu boşluğu FDE kapatıyor: müşteri gereksinimini dinleyip entegrasyona kadar adım adım eşlik ediyor, yolculuğun tüm sorumluluğu onda. Banka örneği farkı netleştiriyor: banka kendi AI mühendisini işe alıp içeride sistem kurar, Databricks, OpenAI veya Anthropic gibi platformlar ise FDE’sini müşterinin sahasına gönderir, amaç platformun o müşteride gerçekten çalışması. Trend özellikle vendor tarafında hızlanıyor.

FDE ile AI mühendisi aynı becerileri paylaşıyor, fark yaşam tarzında. Videonun kriterleri çarpıcı: FDE ilanlarının %80’inden fazlasında müşteri sistemleri görevi var, yarısı seyahat notu içeriyor ve eski çözüm mühendisleri sık aranıyor. İkisi de aynı şeyi kuruyor ama birinde ürün doğrudan şirkette, diğerinde platformla birlikte müşteri sahasında yaşıyorsun. Seçim, nerede kurmak istediğine dair bir kariyer tercihi. AI mühendisi içeride inşa eder, FDE dışarıda entegre eder.

Yol haritası artık tüm bu veriden net bir faz planına dönüşüyor. Faz bir: Python’da gerçekten ustalaş, temel değil ileri seviye dahil. Hemen ardından API mantığı ve Git ile CI/CD; AI uygulaması günün sonunda bir hizmet, diğer yazılımlar onu çağıracak ve senin sistem tepki verip yanıt üretecek. Bu temelden sonra AI çekirdeğine geçiliyor: önce LLM’leri anlamak, ne yapar ne yapmaz ve davranış nasıl kontrol edilir, sonra ajanlar; model araç çağırır, plan izler, işi bitirir. Ardından RAG: vektör veritabanı kur, şirket verisiyle besle, model uydurmasın dokümandan yanıt versin. Ve lütfen atlanmaması gereken halka: değerlendirme, kurduğun sistemin güvenilirliğini kanıtlama.

Faz üç araç ve platform kararları: LangChain veya LangGraph’tan birini seç, AI sağlayıcısı ve vektör katmanı ile birlikte düşün, bulut tercihi için genel eğilim AWS ama ülke pratiğini kontrol et. Final ise hepsinden önemli: gerçek bir kullanım senaryosuyla uçtan uca portföy projesi. Demo sohbeti veya PDF yükleyip soru sordurmanın ötesi; dokümandan yanıt ve eylem üreten RAG + ajan bütünlüğü, FastAPI önerisiyle servisleşmiş, 15 soruluk mini değerlendirme setiyle ölçülen, prompt değiştirip skor karşılaştırması yapılan, reddetme kuralları ve hız/güvenlik katmanları eklenmiş bir sistem. Kapanış adımı ise dağıtım: konteyner, değişimi test eden pipeline, bir bulut ve bir hafta canlı log izleme. Mülakatta anlatacağın hikaye rozetler değil bu uçtan uca bakım olacak. Videonun son notu dengeli: AI mühendisi en yüksek ücretli mühendislik kollarından biri, doktora şart değil, ama araçlar hızla eskidiği için en büyük risk öğrenilenin çabuk bayatlaması; haritayı diri tutmak sürekli güncelleme ister.