AI Mühendisi vs ML Engineer vs Data Scientist 2026: Türkiye İçin Derin Rol Karşılaştırması

Özet (TL;DR)

Tek cümlelik cevap: Data Scientist veri analizi + iş insight, ML Engineer model + production, AI Engineer LLM + agent + ürün üretim — 2026 Türkiye AI/ML/DS rolleri farklı tech stack ve kariyer yolu.

• Üç rol farklı zamanlarda ortaya çıktı: Data Scientist (2010, Harvard Business Review 'seksi iş' yazısı), ML Engineer (2015, Google + Facebook'un ML production'ı endüstrileşmesi), AI Engineer (2023, ChatGPT sonrası LLM/RAG/agent rolü). 2026'da üçü de yan yana var ama farklı işler yapar.
• Data Scientist: VERİ-ÖNCELİKLİ. SQL + Python + istatistik + iş bağlamı. Hipotez testi, A/B test, dashboard, business insight. Junior 6, Senior 10/10 SQL + iş analitiği gücü.
• ML Engineer: MODEL + PRODUCTION-ÖNCELİKLİ. PyTorch/TF + MLOps + scalable inference. Custom model eğitim, feature engineering, model deployment, monitoring. Junior 6, Senior 10/10 ML mühendislik gücü.
• AI Engineer: LLM + AGENT-ÖNCELİKLİ. LangChain/LlamaIndex + vector DB + prompt engineering + agentic workflow. Çekirdek ML yetersiz olabilir AMA LLM ekosistemi ve hızlı ürün üretim güçlü.
• TÜRKIYE 2026 MAAŞ: Data Scientist junior ₺50-80K, senior ₺120-200K. ML Engineer junior ₺60-90K, senior ₺150-250K. AI Engineer junior ₺70-100K, senior ₺180-300K. ABD: $120K-300K junior, $200K-500K+ senior.
• HANGİ ROL SİZE? Veri + iş analitiği seven: Data Scientist. ML algoritma + sistem mühendisliği seven: ML Engineer. Hızlı LLM ürün + agentic + yenilik seven: AI Engineer. Üç rolün geçişi 6-12 ayda mümkün.
• Türk pazarda fark: AI Engineer rolü 2023'ten beri PATLIYOR — Trendyol, Getir, BiTaksi, Hepsiburada, Turkcell, Vakıfbank, ING, Yapı Kredi açıyor. ABD outsourcing baskısına karşı Türk AI Engineer en güçlü konum.

Bu üç rol farklı dönemlerde ortaya çıktı, farklı problemleri çözmek için. Tarihsel arka planı anlamak kafa karışıklığını azaltır.

Üç Rolün Tarihsel Çıkışı

Rol	Çıkış Yılı	Sebep	İlk Şirketler
Data Scientist	2010-2012	Harvard Business Review Ekim 2012: 'Data Scientist: The Sexiest Job of the 21st Century'	Google, Facebook, LinkedIn
ML Engineer	2015-2017	Production ML pipelinelarının endüstrileşmesi	Uber Michelangelo, Airbnb Bighead, Google TFX
AI Engineer	2023-2024	ChatGPT lansmanı + LLM API ekosistemi	OpenAI, Anthropic startups

1.1 Data Scientist Dönemi (2010-2018)

Data Scientist'in altın çağı 2014-2018:

• LinkedIn iş ilanları %15+ yıllık büyüme
• Stanford / MIT / Harvard yeni master programları
• Bootcamp (General Assembly, Galvanize, Insight Data Science) patlaması
• Kaggle yarışmalar olgun

1.2 ML Engineer Dönemi (2015-2022)

2015-2018'de şirketler bir sorun fark etti: Data Scientist mükemmel Jupyter notebook üretiyor ama bu notebook production'a gitmiyor. Veya production'a giderse karmaşık, kırılgan, izlenmez oluyor.

Bu boşluğu doldurmak için ML Engineer rolü çıktı:

• Yazılım Mühendisliği + ML
• Model training pipeline'ları
• Feature stores (Tecton, Feast)
• Model deployment (TensorFlow Serving, TorchServe)
• Monitoring + drift detection
• A/B testing infrastructure

Uber'in Michelangelo platformu (2017), Airbnb'nin Bighead (2017), Google'ın TFX (2017), Meta'nın FBLearner Flow (2017) bu dönemin manifestolarıydı.

1.3 AI Engineer Dönemi (2023-2026)

ChatGPT Kasım 2022'de patladıktan sonra her şey değişti. OpenAI/Anthropic API ekosistemi ile yeni bir rol ortaya çıktı: AI Engineer.

AI Engineer farkı:

• ML model TRAİNİNG yok — API kullanımı (OpenAI, Anthropic, Mistral)
• RAG (Retrieval-Augmented Generation) ana paradigma
• Agentic workflow (Claude Code, LangGraph, Crew AI)
• Vector DB (Pinecone, Weaviate, pgvector)
• Prompt engineering + evaluation
• LLMOps (LangSmith, Helicone, LangFuse)

2.1 Data Scientist Günü

Data Scientist Tipik Günü

Saat	Aktivite
09:00-10:00	Slack + email + dünkü query sonuçları kontrol
10:00-11:00	Product Manager ile haftalık sync — analiz brief
11:00-12:30	SQL query yazma (Snowflake/BigQuery), dashboards (Looker/Tableau)
13:00-14:30	Python notebook (pandas, numpy, statsmodels) ile analiz
14:30-16:00	A/B test sonuçları, istatistiksel anlamlılık testleri
16:00-17:00	İçgörü + öneri PowerPoint/Notion dokümantasyonu
17:00-18:00	Stakeholder sunumu (CMO, VP Product)

Anahtar çıktılar:

• Haftalık business metrics raporu
• A/B test sonuç analizi
• Cohort analizi (kullanıcı segmentasyonu)
• Funnel optimization önerileri
• ML model "feasibility" değerlendirmesi (ne mümkün, ne değil)

2.2 ML Engineer Günü

ML Engineer Tipik Günü

Saat	Aktivite
09:00-10:00	Standup + monitoring dashboard (Datadog) - production model drift kontrol
10:00-12:00	Feature engineering (Spark/Beam pipeline) + model retraining
12:00-13:00	Code review (PR review) — diğer ML mühendisleri
13:00-15:00	Yeni model eğitimi (PyTorch/Jax + multi-GPU)
15:00-16:30	Model deployment (Docker + Kubernetes + Triton/TorchServe)
16:30-17:30	A/B test setup + canary deployment
17:30-18:00	Postmortem yazma / planning

Anahtar çıktılar:

• Production model pipeline (training + serving)
• Feature store entries
• Model registry artifacts (MLflow)
• Deployment manifests (k8s YAML)
• Performance metrics + SLA reports

2.3 AI Engineer Günü

AI Engineer Tipik Günü

Saat	Aktivite
09:00-10:00	Standup + LangSmith trace incelemesi - dünkü hatalı LLM çıktılarını analiz
10:00-12:00	RAG pipeline iyileştirme (chunking strategy, embedding modelinde A/B test)
12:00-13:00	Prompt iyileştirme + eval suite çalıştırma (Promptfoo, LangSmith)
13:00-15:00	Agentic workflow (LangGraph/Crew AI) yeni özellik geliştirme
15:00-16:00	Vector DB (Pinecone) index optimizasyonu, search relevance test
16:00-17:00	Backend integration (FastAPI/Next.js API routes)
17:00-18:00	Maliyet izleme (OpenAI dashboard) — token usage optimize

Anahtar çıktılar:

• Production RAG pipeline
• Agent workflow + tools
• Prompt library + eval framework
• Vector DB schema + indexing strategy
• Backend API (LLM çağrılarını wrap eden)

3.1 Data Scientist Stack

Data Scientist Tech Stack

Kategori	Tool
Dil	Python (pandas, numpy), R (özellikle finans + biyoistatistik), SQL (zorunlu)
Veritabanı	Snowflake, BigQuery, Redshift, PostgreSQL, Databricks
Notebook	Jupyter, JupyterLab, Google Colab, Databricks Notebooks, Hex
Visualization	Tableau, Looker, PowerBI, Plotly, matplotlib, seaborn
İstatistik	statsmodels, scipy.stats, prophet (time series)
ML (basit)	scikit-learn, XGBoost, LightGBM, prophet
A/B Test	pyABTest, statsmodels, custom Bayesian framework
Versioning	Git, dbt (data transformation)
Orchestration	Airflow, Dagster, Prefect (sınırlı kullanım)
Cloud	AWS SageMaker (sınırlı), GCP Vertex AI (sınırlı)

3.2 ML Engineer Stack

ML Engineer Tech Stack

Kategori	Tool
Dil	Python (PyTorch/TF), bazen Go/Rust (serving), C++ (CUDA/optimization)
Framework	PyTorch (lider), TensorFlow, JAX (Google), MLX (Apple)
Distributed Training	DeepSpeed, FairScale, Ray, Horovod, PyTorch FSDP/DDP
Feature Store	Feast, Tecton, AWS SageMaker Feature Store, Vertex AI Feature Store
Experiment Tracking	MLflow, Weights & Biases (W&B), Neptune.ai, Comet
Orchestration	Kubeflow, Airflow, Argo, Metaflow, ZenML
Model Serving	TorchServe, TensorFlow Serving, Triton, BentoML, Ray Serve, KServe
Containerization	Docker, Podman, Kubernetes, Helm
Monitoring	Prometheus + Grafana, Evidently, Arize, WhyLabs, Fiddler
Cloud	AWS SageMaker, GCP Vertex AI, Azure ML, Databricks
GPU/TPU	NVIDIA CUDA, AMD ROCm, Google TPU, Apple Metal
Data	Spark, Beam, Dask, Polars, DuckDB

3.3 AI Engineer Stack

AI Engineer Tech Stack (2026)

Kategori	Tool
Dil	Python (FastAPI, async), TypeScript (Next.js, Vercel AI SDK)
LLM API	OpenAI, Anthropic, Google Gemini, Mistral, Together AI, Groq, Cerebras
Framework	LangChain (en yaygın), LlamaIndex, Haystack, DSPy, Pydantic AI
Agent Framework	LangGraph, CrewAI, AutoGen, Anthropic SDK + Claude Code, OpenAI Swarm
Vector DB	Pinecone, Weaviate, Qdrant, Milvus, Chroma, pgvector (PostgreSQL), Redis
Embedding	OpenAI text-embedding-3, Cohere embed, Voyage AI, BGE, M3-Embedding
RAG	LlamaIndex, LangChain Retriever, RAGAS evaluation
Prompt Mgmt	LangSmith, Helicone, LangFuse, PromptLayer, Pezzo, Humanloop
Evaluation	Promptfoo, LangSmith Evaluation, RAGAS, OpenAI Evals
Fine-Tuning	LoRA / QLoRA, Unsloth, Together AI Fine-Tuning, OpenAI Fine-Tuning API
Observability	LangSmith, Arize Phoenix, Datadog LLM monitoring
MCP	Model Context Protocol (Anthropic) — DB, tool, server entegrasyonu
Deployment	Vercel, Modal, Replicate, RunPod, AWS Bedrock

4.1 Sınıflandırma Tablosu

Yetenek Yoğunluğu (10 üzerinden)

Yetenek	Data Scientist	ML Engineer	AI Engineer
SQL	10	6	5
Python (genel)	9	10	9
Python (PyTorch/TF)	6	10	5
İstatistik teorisi	10	7	4
Lineer cebir (lineer modeller, SVD)	8	9	5
Optimizasyon (SGD, Adam)	6	10	4
İş bağlamı / iletişim	10	6	8
Software Engineering	5	10	9
Distributed Systems	4	9	6
Docker / Kubernetes	3	10	7
Production deployment	3	10	8
LLM API kullanımı	5	6	10
Prompt engineering	4	5	10
RAG / Vector DB	3	5	10
Agentic workflow	2	5	10
Fine-tuning (LoRA)	3	8	8
A/B testing	10	7	6
Causal inference	8	5	3
Time series	8	8	5
Computer vision	4	9	6
NLP klasik (BERT, transformer)	5	9	8

4.2 Yetenek Venn Diyagramı (Metinsel)

Sadece Data Scientist: İstatistiksel hipotez testi, causal inference (DoWhy, do-calculus), Bayesian modeling, A/B test ileri tasarım, dashboarding

Sadece ML Engineer: Distributed training (DeepSpeed, FSDP), CUDA kernel optimization, model quantization, custom inference server, MLOps pipeline tasarımı

Sadece AI Engineer: Agentic workflow tasarımı, MCP server geliştirme, RAG advanced (HyDE, RankGPT), LLM evaluation framework, multi-modal pipeline

Üç rolün ORTAK: Python, Git, basic ML, basic SQL, problem solving, iletişim, dokümantasyon

DS + ML kesişimi: Feature engineering, basic model building (scikit-learn), experiment design

ML + AI kesişimi: Model serving, GPU optimization, fine-tuning, monitoring

DS + AI kesişimi: Eval design, data quality, business problem framing

5.1 Net Aylık Maaş — Seviyelere Göre

Türkiye 2026 NET Aylık Maaş (₺)

Seviye	Data Scientist	ML Engineer	AI Engineer
Junior (0-2 yıl)	50K-80K	60K-90K	70K-100K
Mid (3-5 yıl)	80K-130K	100K-160K	120K-180K
Senior (5-8 yıl)	120K-200K	150K-250K	180K-280K
Staff (8-12 yıl)	180K-280K	220K-350K	250K-400K
Principal (12+ yıl)	250K+	300K+	350K+
Engineering Manager	220K-320K	280K-400K	320K-450K
Director	350K+	400K+	450K+

5.2 Şirket Tipine Göre Sapma

Senior ML Engineer (5-8 yıl) Şirket Tipine Göre Maaş

Şirket Tipi	Net Aylık
Türk bankası (KOBİ banka)	120-160K
Türk büyük banka (İş Bankası, Garanti, Yapı Kredi)	150-220K
Türk fintech (Hepsipay, Cardtek)	140-200K
Türk e-ticaret unicorn (Trendyol, Getir, Hepsiburada)	180-280K
Türk SaaS startup	120-180K
Türk teknoloji devleri (Aselsan, Havelsan, Turkcell)	130-200K
Avrupa remote (DE, NL, UK için Türkiye'den)	€4K-7K = 130-230K
ABD remote (US şirketleri için)	$8K-15K = 280-525K
Big Tech Türkiye (Google İstanbul, Microsoft)	250-400K + RSU

5.3 Toplam Paket — Stock Options ve RSU

Büyük şirketlerde toplam paket aylık maaşın 1.5-3x'i olabilir:

• Trendyol/Getir/Hepsiburada: Stock options (pre-IPO, illiquid)
• Turkcell/Türk Telekom: Yıllık ikramiyeler (3-5 aylık)
• Big Tech Türkiye: RSU (Restricted Stock Units) — yıllık $30K-100K ek
• Yabancı şirketler remote: USD/EUR bonus + ESPP

5.4 İngilizce Etkisi

5.5 Küresel Karşılaştırma

Küresel Yıllık Toplam Paket (USD, Senior 5-8 yıl)

Ülke	Data Scientist	ML Engineer	AI Engineer
ABD San Francisco	$180-280K	$220-350K	$250-450K
ABD remote	$140-220K	$170-280K	$200-380K
ABD New York	$160-250K	$200-320K	$230-400K
İngiltere London	£70-110K	£90-130K	£100-160K
Almanya Berlin	€60-95K	€75-110K	€85-130K
Hollanda Amsterdam	€65-95K	€80-115K	€90-135K
Türkiye İstanbul (TL)	₺1.4-2.4M	₺1.8-3M	₺2.1-3.5M
Türkiye İstanbul (USD eşd.)	$45-78K	$58-97K	$68-113K

6.1 Data Scientist Tipik Background

Data Scientist Eğitim Yolu

Yol	Pratik
Akademik (en yaygın)	Üniversite: İstatistik / Matematik / Ekonometri / Endüstri Müh. Master: Data Science / Analytics / Quantitative Methods
Bootcamp	Data Science bootcamp (3-6 ay)
PhD	Fizik / Matematik / İstatistik / Biyoistatistik PhD'den geçiş
Türk yolu	Boğaziçi/ODTÜ/Bilkent/Hacettepe Endüstri Müh veya İstatistik + iş tecrübesi

6.2 ML Engineer Tipik Background

ML Engineer Eğitim Yolu

Yol	Pratik
Akademik	Bilgisayar Müh. / Yazılım Müh. / Elektrik-Elektronik. Master: AI / ML / Computer Science
Software Engineering geçişi	3+ yıl backend/SRE/DevOps + ML self-study (Coursera, fast.ai)
PhD	ML / Computer Vision / NLP PhD
Türk yolu	Boğaziçi/ODTÜ/Bilkent/İTÜ CS + 2-3 yıl yazılım + ML pivot

6.3 AI Engineer Tipik Background

AI Engineer Eğitim Yolu

Yol	Pratik
Software Engineer geçişi (en yaygın 2026)	Mevcut backend/frontend dev + 3-6 ay LLM API + LangChain
Data Scientist geçişi	Klasik ML yerine LLM/RAG/agentic odaklı
Direkt giriş	CS lisans + 6-12 ay LLM ekosistem + 3-5 portfolio proje
Bootcamp	Maven LLM bootcamp, Cohere LLM University, Anthropic skills
Türk yolu (en hızlı)	Backend dev (Node/Python) + ChatGPT API + LangChain + RAG kişisel proje + iş

7.1 Data Scientist Trajektörisi

Yıl 0-2 (Junior):

• Tek başına analiz yapabilir
• SQL ve Python akıcı
• Mentor altında karmaşık projeler

Yıl 3-5 (Mid):

• Bağımsız iş yürütür
• Stakeholder yönetimi
• Causal inference + advanced statistics

Yıl 5-8 (Senior):

• Mentorluk (junior yetiştirme)
• Strateji + roadmap
• Yatay liderlik (cross-functional)

Yıl 8+ (Staff/Principal):

• Tüm DS fonksiyonu için teknik liderlik
• Yönetici olmadan kıdemli IC (Individual Contributor)

Yıl 10+ (yönetici yolu): Manager → Director → VP of Data

7.2 ML Engineer Trajektörisi

Yıl 0-2 (Junior):

• Olgun bir ML pipeline'da feature engineering / debugging
• PyTorch/TF olgun
• Production hata acquisition

Yıl 3-5 (Mid):

• Bağımsız model deployment
• A/B test setup
• Distributed training

Yıl 5-8 (Senior):

• Sistem tasarımı
• ML platform mühendisliği
• Junior + mid mentorluk

Yıl 8+ (Staff/Principal):

• ML infra mimari
• Sektör konferans/yayın

7.3 AI Engineer Trajektörisi (Yeni)

Bu rol 2023'te ortaya çıktığı için trajektöri olgunlaşıyor:

Yıl 0-1 (Junior):

• RAG pipeline construct
• Prompt engineering
• LangChain temel

Yıl 1-3 (Mid):

• Agentic workflow tasarımı
• Maliyet optimizasyonu
• Production observability

Yıl 3-5 (Senior — 2026'da yeni emerging):

• AI ürün stratejisi
• Multi-modal pipeline
• Fine-tuning + custom model

Yıl 5+ (Staff): AI Architect / Lead AI Engineer — şirket çapında AI strateji + onboarding

8.1 Trendyol AI/ML Ekibi

Trendyol AI/ML Pozisyonları (2026 Q1 ilanlardan)

Rol	Açık Pozisyon	Tipik Sorumluluk
Data Scientist	~10	Müşteri segmentasyonu, A/B test, fiyat optimizasyonu
ML Engineer	~25	Öneri sistemi, ranking, search optimization
AI Engineer	~15	Trendyol AI Asistan (LLM), ürün açıklamaları, customer support agent
NLP Engineer	~8	Türkçe NLP fine-tuning, semantic search
Computer Vision Engineer	~5	Ürün görsel analizi, duplicate detection

8.2 Getir / Hepsiburada / Yemeksepeti

• ETA prediction (varış süresi tahmini)
• Demand forecasting
• Driver-restaurant matching
• Personalized recommendations
• Customer support chatbots (yeni — AI Engineer rolü)

8.3 Türk Bankaları (İş Bankası, Garanti, Yapı Kredi, Akbank)

• Credit scoring (klasik ML)
• Fraud detection (real-time, mission-critical)
• Customer churn prediction
• Chatbots / virtual assistants (yeni — KVKK uyumlu LLM)
• Document understanding (OCR + NLP)

8.4 Turkcell / Türk Telekom / Vodafone

• Network optimization
• Customer churn
• Personalized offer engine
• Voice AI (call center automation)
• Chatbots

8.5 BiTaksi / Şehir Geliştirme

• Surge pricing
• Driver-passenger matching
• ETA prediction
• Customer support AI

8.6 Savunma + Aerospace (Aselsan, Havelsan, TUSAŞ)

• Computer vision (sınır, hedef tespit)
• Sensor fusion
• Predictive maintenance
• Self-host LLM (KVKK + güvenlik)

9.1 7 Soruluk Hızlı Test

Hangi Rol Sana Uygun? — 7 Soru

Soru	Data Scientist (D)	ML Engineer (M)	AI Engineer (A)
SQL ve istatistik seviyorum	+++	+	+
Python derinleşmek + PyTorch	+	+++	+
LLM API + LangChain heyecan verici	+	+	+++
Backend mühendislik bilirim	+	++	+++
Distributed systems çekici	+	+++	+
İş bağlamı + paydaş iletişim seviyorum	+++	+	++
Hızlı ürün/MVP çıkarmak heyecanlı	+	+	+++

Skor toplama: Her sütunda kaç + var? En yüksek skor senin rolün.

9.2 Geçiş Stratejileri

Roller Arası Geçiş

Kaynak Rol	Hedef Rol	Süre	Anahtar Beceriler
Software Engineer	AI Engineer	3-6 ay	LangChain, RAG, Vector DB, prompt engineering
Software Engineer	ML Engineer	9-18 ay	ML temel + PyTorch + MLOps
Data Analyst	Data Scientist	6-12 ay	Python ileri + İstatistik + ML basic
Data Scientist	ML Engineer	9-18 ay	SWE pratik + PyTorch + production
Data Scientist	AI Engineer	3-6 ay	LLM ekosistemi + SWE pratik
ML Engineer	AI Engineer	3-6 ay	LLM + agentic + product mindset
AI Engineer	ML Engineer	12-24 ay	Derin ML + production scale

10.1 Data Scientist Mülakat Yapısı

Data Scientist Mülakat Aşamaları

Aşama	İçerik
1. CV + Phone screen	Geçmiş proje + motivasyon
2. SQL Test	Online SQL test (HackerRank, Stratascratch)
3. Coding (Python)	pandas + scikit-learn, basic ML
4. Case Study	1 saat, business problem → analiz + SQL + öneri
5. Statistics	Hipotez testi, A/B test, bias-variance, multiple testing
6. Business / Behavioral	Paydaş yönetim, conflict resolution, prioritization

Tipik sorular:

• "A/B test bittikten sonra p-value 0.04 — sonuçları nasıl yorumlarsın? Type 1 error nedir?"
• "Şirketin churn'ü artıyor — root cause nasıl bulursun?"
• "Bu SQL query'i optimize et"
• "Bir öneri sistemi nasıl A/B test edersin?"

10.2 ML Engineer Mülakat Yapısı

ML Engineer Mülakat Aşamaları

Aşama	İçerik
1. CV + Phone	Proje + ML background
2. Coding (LeetCode)	1-2 medium algoritma sorusu
3. ML Theory	Backprop, optimization, regularization, common architectures
4. ML System Design	1 saat — 'Recommender system tasarla' / 'Real-time fraud detection'
5. Practical ML	Jupyter notebook ile veri + model
6. Behavioral	Team + leadership

Tipik sorular:

• "Gradient descent'in vanishing gradient problemini nasıl çözeriz?"
• "1B kullanıcılı bir öneri sistemi tasarla — latency 100ms"
• "Production'da model accuracy düşüyor — debug süreci"
• "Hyperparameter tuning stratejin"

10.3 AI Engineer Mülakat Yapısı

AI Engineer Mülakat Aşamaları (2026)

Aşama	İçerik
1. CV + Phone	LLM projeleri + motivasyon
2. Coding (Python)	FastAPI + async, API tasarım
3. LLM Knowledge	RAG, prompt engineering, fine-tuning vs in-context, evaluation
4. System Design	RAG sistem tasarla, vector DB scaling, agentic workflow
5. Practical Build	2 saat - LangChain ile basit RAG + eval yaz
6. Behavioral	Product mindset, iletişim

Tipik sorular:

• "RAG accuracy düşük — debug nasıl yaparsın? (chunking, embedding, retrieval, generation)"
• "LLM hallüsinasyon kontrolü için ne yapardın?"
• "1M doc içinde semantic search nasıl optimize edersin?"
• "Agentik workflow tasarla — kullanıcı 'restoran rezervasyonu yap' deyince"
• "Token maliyetini %50 düşürmek için ne yaparsın?"

11.1 Data Scientist Sertifikaları

• AWS Certified Data Analytics — Specialty ($300)
• Microsoft Certified: Azure Data Scientist Associate (DP-100) ($165)
• Google Cloud Professional Data Engineer ($200)
• Coursera "Data Science Specialization" (Johns Hopkins)
• Coursera "IBM Data Science Professional Certificate"

11.2 ML Engineer Sertifikaları

• Google Cloud Professional Machine Learning Engineer ($200) — en değerli
• AWS Certified Machine Learning Specialty ($300)
• Azure AI Engineer Associate (AI-102) ($165)
• Coursera Andrew Ng Deep Learning Specialization
• fast.ai Practical Deep Learning

11.3 AI Engineer Sertifikaları (Yeni — 2025-2026)

• AWS AI Practitioner / Generative AI Specialty (yeni 2024)
• Anthropic Claude Engineering Cert (yeni 2025)
• DeepLearning.AI "AI Engineer Professional Certificate"
• Maven cohort-based courses (LLM, RAG)
• Hugging Face Certified ML Engineer

Soru: AI Engineer rolü "geçici trend" mi?

Soru: PhD yapmalı mıyım?

• Data Scientist: PhD avantaj ama zorunlu değil
• ML Engineer: PhD özellikle research-y şirketlerde değerli, prodüksiyon için zorunlu değil
• AI Engineer: PhD ZORUNLU DEĞİL — pratik ürün üretme önemli

Tipik 4-6 yıl PhD süresinde sektörde 3-5 yıl tecrübe + paket alabilirsin. PhD ile sektör ücreti büyük fark değil (sadece research-ML-Engineer/Research-Scientist rolleri için PhD zorunlu).

Soru: Hangi rol en hızlı iş bulur?

2026 itibariyle: AI Engineer > ML Engineer > Data Scientist. AI Engineer talep çok yüksek, junior pozisyonlar açık. Data Scientist pazar yumuşamış durumda.

Soru: Maaş artışı nasıl olur?

• Junior → Mid: %50-80 (2-3 yıl)
• Mid → Senior: %40-60 (2-3 yıl)
• Senior → Staff: %30-50 (3-5 yıl)
• Yıllık enflasyon ayarı: Türkiye 2024-2026 nominal %40-60

İş değiştirmek tipik %20-40 ek prim getirir.

Soru: Remote işler nasıl bulunur?

LinkedIn, Wellfound (eski AngelList), We Work Remotely, RemoteOK, Hacker News "Who is hiring" thread'leri. Avrupa şirketleri ($60-90K), ABD şirketleri ($120-250K). Vergi: Türk şirket kurma + ihracat KDV iadesi avantaj.

Soru: Trendyol/Getir/Hepsiburada gibi unicorn'lara nasıl girilir?

LinkedIn'den direkt apply + referral (en güçlü kanal). Junior için iyi CV + 3-5 portfolio proje + Türkçe NLP gibi specialized alanlar. Mid+ için track record (etkili projeler, A/B test sonuçları).

Soru: KOBİ vs unicorn vs banka?

• KOBİ: Hızlı öğrenme, geniş sorumluluk, az maaş
• Unicorn: Modern stack, iyi maaş + stock, baskı
• Banka: Stabil, KVKK + regulasyon, daha klasik stack

Soru: Türkçe NLP nasıl uzmanlaşılır?

Trendyol-LLM (Hugging Face), TURKCELL-LLM, Mukayese-Türkçe benchmarklar. Türkçe için fine-tune deneyim portfolyo için altın değerinde — Avrupa AI Engineer pozisyonları için fark yaratır.

Soru: AI startup mu kurum mu?

Startup: hızlı öğrenme, equity, baskı. Kurumsal: stabil, mentorluk olgun, regulasyon dünya öğrenmek. İlk 3-5 yıl kurumsal → öğrenme + altyapı, sonra startup → equity + risk.

Soru: Yurt dışına nasıl çıkılır?

(1) Remote (en kolay), (2) Sponsor visa: ABD H-1B (yıllık çekiliş), Almanya Blue Card, İngiltere Skilled Worker, Hollanda Highly Skilled Migrant. Algoritma + İngilizce + portfolio + referral şart. Türkiye'den çıkmaya hazır olanlara 6-18 ay süreç.

Soru: Junior iş bulamıyorum — strateji?

(1) Portfolio güçlendir (3-5 quality proje > 15 zayıf), (2) Open source contribute (Hugging Face, LangChain), (3) Specialized ol (Türkçe NLP, RAG, agentic), (4) Networking (meetup, Twitter, LinkedIn), (5) Cold outreach (LinkedIn DM hiring manager'a), (6) İlk işi "stretching" yap — junior CRUD'dan başla, AI'a pivot, (7) Bootcamp / sertifika ek değer (ana yol değil).

3 ana çıkarım:

1. Üç rol farklı problem alanları çözer — Data Scientist (analiz), ML Engineer (production), AI Engineer (LLM ürün). Tek "doğru" rol yok.
2. Türkiye 2026'da AI/ML/DS rolleri patlıyor — özellikle AI Engineer (junior açık, maaş ₺70K-180K junior aralık).
3. Roller arası geçiş 3-12 ay — SWE → AI Engineer en hızlı, Data Scientist → ML Engineer en zor.

Hangi rol sana uygun için 30 günlük plan:

Gün 1-7: Üç rolün günlük işlerini araştır (LinkedIn'de 20+ pozisyon oku, Glassdoor + Twitter takip) Gün 8-14: Üç rol için "Hello World" projeler:

• DS: Kaggle Titanic + visualization
• ML: PyTorch ile MNIST CNN
• AI: LangChain ile basit RAG

Gün 15-21: Kendi seçtiğin rolde 1 derin proje Gün 22-30: Portfolio dokümantasyonu + LinkedIn güncelleme + ilk başvurular

Kaynaklar

1. Harvard Business Review - Data Scientist — Davenport, Patil, HBR · 2012
2. Uber Michelangelo — Uber Engineering, Uber · 2017
3. TÜBİSAD Bilişim Sektörü Raporu — TÜBİSAD, TÜBİSAD · 2026
4. LinkedIn Workforce Report — LinkedIn, LinkedIn · 2026
5. Google ML Engineer Certification — Google Cloud, Google · 2026
6. DeepLearning.AI — Andrew Ng, DeepLearning.AI · 2026
7. Hugging Face — Hugging Face, Hugging Face · 2026
8. LangChain Documentation — LangChain, LangChain · 2026
9. fast.ai Practical Deep Learning — Jeremy Howard, fast.ai · 2026
10. Anthropic Claude Engineering — Anthropic, Anthropic · 2026