Mülakat Hazırlığı

Yapay Zeka Mühendisi Mülakat Soruları ve Cevapları

Yapay Zeka Mühendisi mülakatlarında, yalnızca model çağırmanız değil; güvenilir, ölçülebilir ve ölçeklenebilir bir AI sistemi kurup kuramadığınız ölçülür. Prompt, RAG, değerlendirme, deployment ve maliyet optimizasyonu gibi konularda pratik yaklaşım beklenir. Bu sayfada, Türkiye iş piyasasına ve yerel beklentilere uygun, gerçekçi soru-cevap örneklerini bulacaksınız.

Written & reviewed by the CVWon Editorial Team · Updated Temmuz 2026

CV'nizi Oluşturun

Sorular ve Cevaplar

Mülakat Soruları ve Örnek Cevaplar

Sık sorulan bu sorulara ayrıntılı örnek cevaplarla hazırlanın.

Bu Sorunun Sorulma Nedeni

Mülakatçı, demo ile üretim arasındaki farkı teknik olarak kavrayıp kavramadığınızı görmek ister.

Örnek Cevap

Önce net başarı metriklerini ve bir eval seti tanımlarım; böylece kaliteyi sezgiyle değil ölçerek takip ederim. Ardından guardrail'ler, logging, monitoring, fallback senaryoları ve maliyet/latency bütçeleri kurarım. Prompt, retrieval ve model bileşenlerini versiyonlar, değişiklikleri regresyon testinden geçiririm. Demo etkileyici olsa bile asıl işin güvenilirlik ve gözlemlenebilirlik olduğunu vurgularım.

Yanıtınızda eval set, monitoring ve fallback geçsin; sadece prompt iyileştirmekten bahsetmeyin.

Bu Sorunun Sorulma Nedeni

Değerlendirme disiplini, ciddi AI Engineer ile sadece deneme yapan adayı ayırır.

Örnek Cevap

Temsil gücü olan bir değerlendirme veri seti oluşturur, beklenen davranışları tanımlarım. Otomatik metrikleri, dikkatli kullanıldığında LLM-as-judge skorlarını ve örnek insan incelemesini birlikte kullanırım. Doğruluk, hallucination oranı ve göreve özel kriterleri izler, her prompt veya model değişikliğini regresyon testi gibi çalıştırırım. Birkaç seçilmiş örneğe bakmak yerine sistematik değerlendirme yapmanın kaliteyi koruduğunu söylerim.

Versiyonlanmış eval set ve hallucination oranı gibi ölçüleri mutlaka anın.

Bu Sorunun Sorulma Nedeni

Maliyet ve latency, gerçek üründe bütçe ve kullanıcı deneyimi açısından kritik kısıtlardır.

Örnek Cevap

Önce ölçerim: en pahalı adımın nerede olduğunu, hangi isteklerin tekrar ettiğini ve hangi örneklerin daha basit modelle çözülebileceğini çıkarırım. Semantic caching, model routing, daha küçük context gönderme ve retrieval kalitesini artırma gibi yöntemler uygularım. Değişiklikten önce ve sonra eval set üzerinde kaliteyi doğrularım; çünkü maliyeti düşürürken doğruluğu bozmamak gerekir. İyi optimizasyon, tahminden çok ölçüm işidir.

Sadece hızlı yapmak değil, kaliteyi koruyarak hızlı yapmak gerektiğini söyleyin.

Bu Sorunun Sorulma Nedeni

Güvenilirlik, LLM tabanlı sistemlerin en kritik üretim sorunudur.

Örnek Cevap

Modeli güvenilir kaynaklardan alınan context ile ground eder, cevaplarda citation zorunlu tutarım. Prompt içinde modelin bilmediğinde bunu söylemesine izin veririm ve structured output için şema doğrulaması uygularım. Yüksek riskli alanlarda human-in-the-loop kullanır, tüm etkileşimleri audit için loglarım. Hallucination'ı azaltmanın yolu yalnızca daha iyi prompt değil; doğru sistem tasarımıdır.

Retrieval, citation ve insan onayı gibi savunma katmanlarını birlikte anlatın.

Bu Sorunun Sorulma Nedeni

Mülakatçı, fazla karmaşık çözüme kaçmadan pragmatik karar verip veremediğinizi ölçer.

Örnek Cevap

Ben en ucuz ve en hızlı çözüme önce bakarım: iyi prompt, doğru retrieval ve örnekleme çoğu problemi çözer. Çıktı formatı, ton veya alan davranışı çok tutarlı olmalıysa ve elimde yeterli veri varsa fine-tuning düşünürüm. Kapasite veya maliyet sınırına gelmişsem modeli değiştiririm. Teknik seçimi, sorunun gerçek ihtiyacına ve toplam maliyet profilinize göre yapmak gerekir.

Seçim mantığınızı maliyet sırasıyla anlatın: prompt -> RAG -> fine-tuning -> model değişimi.

Teknik

Yapay Zeka Mühendisi mülakatlarında hangi teknik sorular sorulur?

Mülakatınızda bu role özgü teknik sorularla karşılaşmayı bekleyin.

RAG, bir bilgi tabanından ilgili dokümanları retrieval ile bulup bunları prompt'a ekleyerek modelin güncel ve yetkili context üzerinden cevap vermesidir. Özel, büyük veya sık değişen verilerde; ayrıca modelin eğitiminde olmayan kurum içi bilgi gerektiğinde kullanılır. Hallucination riskini azaltır ve her şeyi fine-tune etmeye kıyasla daha hızlı ve düşük maliyetli bir çözümdür.

Embedding, metin veya başka verilerin anlamsal benzerliğini sayısal vektörlerle temsil eden yapıdır. Semantic search, clustering, öneri sistemleri ve RAG'in retrieval katmanı için kullanılır. Doğru embedding modeli ve chunking stratejisi, retrieval kalitesini doğrudan etkiler.

Temperature, token seçimindeki rastgeleliği kontrol eder. Düşük temperature daha deterministik ve tutarlı çıktılar üretirken, yüksek temperature daha yaratıcı ama daha değişken sonuçlar verir. Ben üretim özelliklerinde genelde düşük temperature tercih ederim; brainstorming veya çeşitlilik gereken senaryolarda yükseltirim.

Modelin aynı anda görebileceği token sayısı sınırlı olduğu için uzun dokümanları veya konuşmaları doğrudan vermek mümkün değildir. Bu nedenle retrieval ile yalnızca ilgili parçaları getirir, geçmişi özetler ve chunk'lara overlap uygularım. Ayrıca sistem prompt, context ve output için token bütçesi planlarım; aksi halde truncation kaliteyi düşürür.

Prompt injection, güvenilmeyen bir girdinin modeli talimatları yok saymaya veya gizli bilgiyi sızdırmaya zorlamasıdır. Savunmada trusted instruction ile untrusted content'i ayrı tutarım, dokümanları komut değil veri olarak ele alırım, tool yetkilerini sınırlarım ve hassas işlemlerde output doğrulaması ile insan onayı kullanırım. Tek bir önlem yeterli değildir; defense in depth gerekir.

Durumsal

Yapay Zeka Mühendisi olarak hangi durumsal mülakat sorularına hazırlanmalısınız?

Karşılaşabileceğiniz davranışsal ve durumsal senaryolar.

Önce etkiyi sınırlamak için sorunu izole ederim; ardından hatanın veri kaynağı mı, retrieval mı, prompt mu, yoksa model davranışı mı olduğunu ayırırım. Örneğin güncellenen policy dokümanları çelişiyorsa, doğru kaynağı belirler, citation zorunluluğu ekler ve eval set'i ilgili senaryolarla genişletirim. Sonra benzer hata tekrarlarını otomatik yakalayacak testler kurarım. Hızlı düzeltme kadar kalıcı önlem de önemlidir.

Önce modeli 'her şeyi bilen otomasyon' gibi değil, belirli sınırları olan bir sistem olarak konumlarım. Gerçek bir eval set üzerinden hata oranını gösterir, zor vakalarda human-in-the-loop tasarımını anlatırım. Böylece aşırı vaat vermeden iş değeri üreten, kontrollü bir çözüm sunarım. Beklenti yönetimi, ürün başarısının bir parçasıdır.

Bir sınıflandırma işi için önce pahalı ve karmaşık bir fine-tuned model düşünülüyordu. Ben önce iyi tasarlanmış prompt ve few-shot örneklerle daha küçük bir model prototiplendim ve gereksinimle karşılaştırdım. Sonuç istenen doğruluk barını daha düşük maliyetle karşıladı; fine-tuning'i ancak gerçekten zor bir sonraki aşama için sakladık. Doğru araç seçimi, gösterişli çözümden daha değerlidir.

Önce şikayetleri transcript bazında analiz ederim: kullanıcı ne istiyor, sistem nerede sapıyor, hangi intent'ler yanlış anlaşılıyor? Sonra prompt'u daha kısa ve grounded cevap verecek şekilde düzenler, gerekirse netleştirme soruları eklerim. Kullanıcı geri bildirimini temsil eden bir eval set kurar, değişiklik sonrası memnuniyet ve escalation oranlarını ölçerim. İyileştirme, geri bildirimi veriyle kapatınca kalıcı olur.

Hazırlık

Hazırlık İpuçları

Küçük ama uçtan uca bir RAG projesi hazırlayın; chunking, retrieval ve eval kararlarınızı açıklamaya hazır olun.

Değerlendirme yaklaşımınızı net anlatın: başarı metriği, golden set, regression test ve insan incelemesi nasıl birlikte çalışıyor?

Embeddings, vector search, context window, temperature ve prompt injection gibi temel kavramları örnekleriyle tekrar edin.

Maliyet ve latency optimizasyonuna dair ölçüm öncesi ve sonrası farkı anlatan somut bir hikaye hazırlayın.

Responsible AI, hallucination azaltma, güvenlik ve yüksek riskli görevlerde human-in-the-loop yaklaşımını iyi çalışın.

“Maaş beklentiniz nedir?” sorusuna nasıl yanıt verilir?

Bu rol için ücret beklentimi brüt/net TL/ay bandı üzerinden düşünürüm; çünkü piyasada kapsam, sorumluluk ve şehir farkı önemli. İstanbul ve Ankara'da, özellikle üretim sorumluluğu olan ve modelden deployment'a kadar uçtan uca sahiplik isteyen AI Engineer rollerinde ücretler genelde daha yukarı konumlanır. SGK, gelir vergisi ve yan haklar dahil toplam paket; uzaktan, hibrit ya da ofis düzenine göre de değişebilir. Lisans/yüksek lisans geçmişi olan, örneğin Boğaziçi, ODTÜ veya İTÜ mezunu adaylarda beklenti bazen daha yüksek olabilir; ancak asıl belirleyici olan somut üretim deneyimi, MLOps pratiği ve ölçülmüş etkidir. Size uygun bandı paylaşırsanız, karşılıklı olarak gerçekçi ve adil bir noktada buluşabiliriz.

SSS

Sıkça Sorulan Sorular

Hayır, çoğu pozisyonda doktora şart değildir. AI Engineering daha çok mevcut modellerle çalışan sistemler kurmaya odaklanır; güçlü yazılım mühendisliği, veri/AI pratiği ve üretim deneyimi çoğu zaman daha belirleyicidir. Araştırma geçmişi bazı özel roller için avantaj sağlayabilir ama tek başına yeterli değildir.

AI Engineer genellikle foundation model'lar üzerinde ürün ve sistem kurar; prompt, RAG, evaluation ve deployment ağırlıklıdır. Machine Learning Engineer ise daha çok özel model eğitimi, serving ve model yaşam döngüsü tarafında çalışabilir. Türkiye'de ilanlar sıkça örtüşür; bu yüzden iş tanımını dikkatle okumak gerekir.

Çoğu zaman evet. En azından temiz Python yazmanız, bir AI workflow'unu debug etmeniz veya retrieval pipeline gibi bir akışı yorumlamanız beklenebilir. Sadece teorik cevap değil, uygulanabilir mühendislik görmek isterler.

Oldukça önemlidir; çünkü güvenilir AI sistemi kurmak monitoring, versioning, eval pipeline ve maliyet kontrolü gerektirir. Yalnızca model çağrısı bilen değil, sistemi yaşatabilen aday öne çıkar. Deploy edilemeyen demo, çoğu zaman ürün sayılmaz.

En çok; ölçüm disiplini, güvenilirlik, maliyet farkındalığı ve model sınırlamalarını gerçekçi yorumlama yeteneği aranır. Mülakatçılar, yanıtlarınızda sadece parlak demo değil; test, monitoring, fallback ve sorumlu kullanım görmeyi bekler. Üretime taşınabilirlik en kritik farktır.