The Data Labeling Engineer Career Map: From Annotator to Head of Data Operations
Career levels in data labeling, daily workflow, skill matrix, global and Turkey salary ranges, career pivots, and which skills to develop in which order.
Şükrü Yusuf KAYA
22 min read
Beginner
🎯 Bu derste
Veri etiketleme alanındaki rollerin haritasını, her seviyenin günlük işini ve maaş aralıklarını netleştireceğiz. Sonunda kendi konumunu ve 6 ay/2 yıl/5 yıllık kariyer planını netleştirebileceksin.
Önce Şunu Anlayalım: Bu Alan Yeni Bir Meslek Mi?#
Hayır — ve evet. Etiketleyicilik (annotation) çok eski: 2007'de ImageNet için Stanford öğrencileri Mechanical Turk'te insan etiketleyici olarak çalışıyordu. Ama veri etiketleme mühendisliği — yani bu işi sistemleştirip ürün haline getiren disiplin — son 5 yılda olgunlaştı.
Şöyle bir geçmiş yolu var:
2010-2015: "Annotator" → Crowdsource çalışanı, saat ücretli 2016-2019: "Data Operations Lead" → Vendor yönetimi başlıyor 2020-2022: "Annotation Engineer" → Tool yazan kişiler ortaya çıkıyor 2023+ : "RLHF Data Engineer" / "LabelOps Engineer" → Sub-specialty
Bugün, 2026 Mayıs'ında, alanda en az 8 farklı rol var — her birinin maaşı, beceri seti, kariyer ufku farklı. Önce hepsini görelim, sonra senin için doğru olanı seç.
Sekiz Rol, Tek Disiplin#
| # | Rol | Türkçe Karşılık | Tipik Seviye | Odak |
|---|---|---|---|---|
| 1 | Annotator | Etiketleyici | Entry | Manuel etiket üretimi |
| 2 | Senior Annotator / Reviewer | Kıdemli Etiketleyici | Entry-Mid | QA, edge case adjudication |
| 3 | Annotation Lead | Etiketleme Lideri | Mid | 5-20 kişilik ekip yönetimi |
| 4 | Annotation Project Manager | Etiketleme PM'i | Mid-Senior | Bütçe, zaman, vendor |
| 5 | Annotation Engineer / LabelOps | Etiketleme Mühendisi | Mid-Senior | Tool, pipeline, otomasyon |
| 6 | RLHF Data Engineer | RLHF Veri Mühendisi | Senior | LLM SFT/preference data |
| 7 | Data Quality Scientist | Veri Kalite Bilimcisi | Senior-Staff | IAA, noise model, slice analysis |
| 8 | Head of Data Operations | Veri Operasyonları Müdürü | Staff-Director | Strateji, vendor, KPI |
İlk üçü operasyonel roller (etiketle, kontrol et, yönet). 4-5 karma (yönetim + teknik). 6-8 mühendislik + bilim rolleri (kod yaz, istatistik kullan, strateji yap).
Bu kursun ana hedef kitlesi 5-7 arası. Yani sen bittiğinde 5-7 arasından birine geçebilecek seviyede olacaksın.
1) Annotator (Etiketleyici)#
Tipik gün: 6-8 saat etiketleme platformunda örnek inceler. Sınıflandırma, BBox, polygon, span gibi tek tür görev yapar. Quality gate'lerden geçer (gold question'lar).
Yetkinlikler:
- ✅ Kılavuzu okuma, anlayıp uygulama
- ✅ Detaylara dikkat, tekrarlı işe sabır
- ✅ Domain bilgisi (medikal annotator için anatomi, hukuki için terimler)
- ✅ Temel computer literacy
Tipik maaş (2026):
- Türkiye: 25.000-45.000 ₺/ay (full-time, in-house). Freelance ~50-150 ₺/saat.
- Küresel crowdsource: $3-15/saat (vendor üzerinden).
- Premium vendor (Scale AI, Surge): $15-30/saat (uzman annotator).
Kariyer ufku: Senior Annotator → Reviewer → Lead. Ya da yatay pivot: domain'e (medikal radyolog desteği) ya da tekniğe (annotation engineer).
Uyarı: Crowdsource çalışmak (MTurk, Toloka) hızlı para gibi görünür ama uzun vadeli kariyer ufku düşüktür. Vendor'a girmek veya in-house'a geçmek çok daha iyi.
2) Senior Annotator / Reviewer#
Tipik gün: Junior annotator'ların işini kontrol eder. Tartışmalı örnekleri çözer (adjudication). Kılavuza yeni edge case ekler. Onboarding'de mentor olur.
Yetkinlikler:
- ✅ Annotator yetkinlikleri +
- ✅ Edge case'leri sistematik kategorize etme
- ✅ Geri bildirim verebilme (yapıcı, net)
- ✅ Excel/spreadsheet ile basic veri analizi
Tipik maaş (2026):
- Türkiye: 40.000-65.000 ₺/ay (in-house).
- Küresel: $20-40/saat veya $45-75K/yıl (vendor).
Kariyer ufku: Annotation Lead. Ya da uzmanlık (medikal QA, hukuki QA).
3) Annotation Lead (Etiketleme Lideri)#
Tipik gün: 5-20 kişilik ekibin günlük performansını yönetir. Kılavuz revizyonu yapar. Haftalık 1-on-1 yapar. ML ekiple metric'leri paylaşır. Kalibrasyon oturumları kurar. Annotator işe alımına katılır.
Yetkinlikler:
- ✅ Senior Annotator +
- ✅ Ekip yönetimi (motivasyon, çatışma çözme)
- ✅ Süreç tasarımı
- ✅ Basic metrik raporlama (throughput, accuracy, IAA)
- ✅ Tool platform kullanımı (Label Studio, Encord vb.) — admin seviyesi
Tipik maaş (2026):
- Türkiye: 70.000-110.000 ₺/ay.
- Küresel: $70-110K/yıl.
Kariyer ufku: PM yoluna gider (Annotation Project Manager) ya da bir alt-disiplinde uzmanlaşır.
4) Annotation Project Manager#
Tipik gün: Bir veya birkaç etiketleme projesinin sahibi. Bütçe planlar ($50K, $500K, $5M). Vendor seçer, RFP yapar. Zaman çizelgesi tutar. Risk yönetir. ML ekibinin "veri ne zaman hazır?" sorusunu cevaplar.
Yetkinlikler:
- ✅ Project Management (Agile/Kanban)
- ✅ Vendor negotiation
- ✅ Bütçe & zaman tahmini
- ✅ Risk yönetimi
- ✅ ML/AI projesinin fonksiyonel anlayışı (kod yazmıyor ama anlıyor)
Tipik maaş (2026):
- Türkiye: 110.000-180.000 ₺/ay.
- Küresel: $110-160K/yıl.
Kariyer ufku: Head of Data Operations yoluna gider. Veya AI Product Manager pivotu.
5) Annotation Engineer / LabelOps Engineer ⭐ (Bu kursun ana hedefi)#
Tipik gün: Kod yazar. Etiketleme tool'unu (Label Studio, CVAT vb.) deploy eder, customize eder. ML backend yazar (preannotation için model serve). Webhook'larla otomasyon kurar. Aktif öğrenme döngüsü kurar. Annotation data'sını DVC ile versiyonlar. CI/CD pipeline'ı kurar. Quality metrics (IAA, label noise) hesaplayıp dashboard'a koyar.
Yetkinlikler:
- ✅ Python (pandas, numpy, scikit-learn)
- ✅ Docker, Kubernetes basics
- ✅ PostgreSQL, S3, MinIO
- ✅ FastAPI veya Flask ile microservice
- ✅ Label Studio / CVAT / Argilla → admin + ML backend
- ✅ Active learning kütüphaneleri (modAL, baal)
- ✅ Snorkel veya benzeri weak supervision
- ✅ Workflow orchestration (Prefect, Airflow)
- ✅ Git, CI/CD (GitHub Actions, GitLab)
- ✅ IAA istatistik (Cohen κ, Krippendorff α)
Tipik maaş (2026):
- Türkiye: 130.000-220.000 ₺/ay (in-house). Freelance/contract $50-80/saat.
- Küresel: $120-200K/yıl. ABD'de senior $180-260K.
- Remote (Türkiye'den AB/ABD): $70-130K/yıl yaygın.
Kariyer ufku: Senior LabelOps → Staff Engineer → Architect. Veya RLHF Data Engineer pivotu (özellikle LLM ekiplerine).
Önemli not: Bu rol Türkiye'de hâlâ "yeni" — şirketlerin çoğu doğru iş tanımını bile bilmez. Sen "ben bu pozisyonu sizin için kurarım" diyerek pazarlık şansın yüksek. Maaş bandının üst tarafı oradan geliyor.
6) RLHF Data Engineer ⭐ (En sıcak rol — LLM ekipleri burada acıkıyor)#
Tipik gün: SFT dataset üretir. Preference annotation pipeline'ı kurar (Argilla, Surge, custom). Helpfulness/harmlessness rubric'i yazar. Red-teaming protokolü uygular. Annotator wellbeing programları kurar. LLM-as-judge sistemi yazar. Sentetik veri üretim pipeline'ı (Self-Instruct, Evol-Instruct, Magpie) kurar.
Yetkinlikler:
- ✅ Annotation Engineer +
- ✅ LLM fine-tuning basics (LoRA, full FT, DPO loss anlama)
- ✅ Prompt engineering ileri seviye
- ✅ Hugging Face ecosystem (datasets, trl, peft)
- ✅ Argilla 2.x veya Surge custom workflows
- ✅ Sentetik veri üretim teknikleri
- ✅ Reward model & DPO/PPO için data pipeline
Tipik maaş (2026):
- Türkiye: 180.000-300.000 ₺/ay (yerli LLM ekiplerinde — KOC AI, Trendyol, Getir AI gibi).
- Küresel: $160-280K/yıl baz + equity. Frontier labs (OpenAI, Anthropic, Mistral) $300K+ baz mümkün.
- Remote: $120-200K + equity yaygın.
Kariyer ufku: Senior RLHF Lead → Head of Alignment Data → ML Researcher pivotu da mümkün.
7) Data Quality Scientist#
Tipik gün: Annotation pipeline'ında bilim kısmı. Annotator confusion matrix modelleri kurar (Dawid-Skene, MACE). Slice analysis yapar. Label noise tipolojisi araştırır. cleanlab'in benzerini kurar. IAA istatistikleri raporlar. Paper okur, paper yazabilir.
Yetkinlikler:
- ✅ Annotation Engineer +
- ✅ Bayesian inference, EM algoritmaları
- ✅ Causal inference basics
- ✅ Active learning teorisi
- ✅ Veri vizüalizasyonu (Plotly, Bokeh)
- ✅ Research mindset
Tipik maaş (2026):
- Türkiye: 200.000-320.000 ₺/ay.
- Küresel: $170-300K + equity.
Kariyer ufku: Staff Scientist → Principal → Director of ML Quality.
8) Head of Data Operations#
Tipik gün: Stratejik. Yıllık $1M-$50M bütçeyi yönetir. Vendor portföyü, ekip ölçeği (50-500 kişi), KPI dashboard. Şirket içi C-level'la "yıllık veri stratejisi" sunar. KVKK/GDPR audit'lerini imzalar.
Yetkinlikler:
- ✅ PM + Annotation Engineer arka planı
- ✅ Executive iletişim
- ✅ Finansal planlama
- ✅ Hukuk + uyumluluk
- ✅ İş geliştirme
Tipik maaş (2026):
- Türkiye: 350.000-700.000 ₺/ay (büyük şirketler — Trendyol, Hepsiburada, Turkcell, Yapı Kredi AI).
- Küresel: $250-500K + equity. Frontier labs $500K-$1M+ paket.
Kariyer ufku: VP/SVP of Data → Chief Data Officer.
💰 Maaş gerçekçiliği notu
Yukarıdaki sayılar Türkiye için 2026 başı pazar verilerine dayanıyor (LinkedIn Salary Insights, Levels.fyi, yerel HR raporları, Tech Career Türkiye anketleri). Yüksek tarafa yakın olmak için: (1) LLM/RLHF deneyimi, (2) İngilizce profesyonel seviye, (3) Açık kaynak katkı veya yazı portföyü, (4) Remote/contract opsiyonu kabul. Türkiye'de in-house yeni mezun annotation engineer için 110.000 ₺ pazarın gerçekçi orta noktası — başlangıçta 80-90.000 ₺'ye razı olmak yaygın.
Annotation Engineer'ın Bir Günü — Saat Saat#
Senin hedef rolün muhtemelen bu. Bir Salı sabahı nasıl geçer? Örnek senaryo (bir Türk e-ticaret AI ekibinde):
08:30 ☕ Kahve. Dün gece çalışan pre-annotation cron job'unun loglarına bak. 300 yeni ürün listing'i pseudo-label çıkmış, hata yok. 09:00 📊 Daily standup. ML Engineer "modelin son F1 düştü" diyor. Slice analysis kontrolü için kod yazmaya karar veriyorsun. 09:30 💻 Notebook aç. Son 1000 yanlış tahmin'i kategoriye dağıt. Fark ettin: yeni eklenen "ev-aletleri" sınıfında %30 etiket hatası var. Annotation Lead'e DM at, kalibrasyon oturumu öner. 11:00 🔧 Label Studio config dosyasını güncelle. "Ev aletleri" için altsınıflar netleştir. PR aç. 12:30 🍽️ Öğle yemeği. 13:30 🧪 Active learning notebook'u. modAL ile uncertainty sampling. 5000 unlabeled örnekten 100'ünü annotation kuyruğuna ekle. Beklenen F1 kazancı: +%2.3 (model simulation). 15:00 📞 Vendor toplantısı (Surge AI). 500 RLHF preference pair için fiyat görüşmesi. $3.50/pair → $2.90/pair indirim aldın. Müzakere! 16:00 📊 Dawid-Skene yeniden çalıştır. Yeni gelen 1500 annotation üzerinde annotator confusion matrix. Annotator #14 dikkat çekti — kalibrasyon gerekiyor. 17:00 📝 Hafta sonu çalışacak cron job'u yaz. Pazar gece auto-label + Pazartesi sabah annotator kuyruğu. 17:30 📈 Slack #data-quality kanalında günlük rapor. "Bugün IAA Cohen κ: 0.78 (hedef 0.80, gap kapanıyor)." 17:45 ✅ Git push. Day done.
Gördün mü? Bu kod, müzakere, istatistik, ekip yönetimi karışımı. Sıkıcı değil.
Yetkinlik Yol Haritası — Bu Kursun Modülleri ile Eşleştirme#
İşte bir hedef olarak: "Annotation Engineer" rolüne ulaşmak için gereken tüm yetenekleri bu kurs nereden veriyor?
| Yetkinlik | Bu Kurstaki Modül |
|---|---|
| Schema tasarımı | Modül 3, 4 |
| IAA istatistiği (κ, α) | Modül 7 |
| Dawid-Skene & annotator modelling | Modül 8 |
| Label Studio production-grade | Modül 10 |
| CVAT + SAM | Modül 11 |
| Argilla 2.x (LLM data) | Modül 12, 23 |
| Custom UI (React + Fabric.js) | Modül 14 |
| NER & span annotation | Modül 15 |
| Image segmentation | Modül 16 |
| Active learning | Modül 20 |
| Weak supervision (Snorkel) | Modül 21 |
| SFT / RLHF dataset | Modül 22, 23 |
| Red teaming | Modül 24 |
| cleanlab + label noise | Modül 26 |
| KVKK & PII redaction | Modül 28, 29 |
| DVC + dataset versioning | Modül 31 |
| Annotation as code | Modül 32 |
| Datasheets | Modül 33 |
| Capstone projeler (CV var) | Modül 34 |
Yani bu kursu baştan sona bitirirsen, bir Annotation Engineer iş ilanının tüm gereksinimlerini karşılarsın. 90 ders + 4 capstone, ~50 saat. Haftada 4 saat ayırsan 12 hafta.
💡 Kariyer ipucu
Eğer şu an annotator veya senior annotator'sın, Annotation Engineer'a 6-12 ayda geçebilirsin. Eğer ML Engineer veya Data Scientist'sın, 3-6 ayda direkt LabelOps veya RLHF Data Engineer rolüne pivot edebilirsin. Eğer yeni başlıyorsan, Modül 0-2'yi bitirip Junior Annotator'lık'a başvur, paralel kurs takip et — 18 ayda Engineer rolüne ulaşırsın.
Yaygın Kariyer Hataları#
Görüşmelerde, mentorluklarda, Twitter DM'lerinde sürekli aynı hataları görüyorum. Lütfen bunlardan birini yapma:
❌ Hata 1: "Ben sadece etiketleyici olmak istiyorum"#
Annotator işi entry-level. 1-2 yılda büyümezsen sıkışırsın. Senior Annotator veya Reviewer'a hemen ulaşmaya çalış.
❌ Hata 2: "Mühendis olmak istiyorum ama Python öğrenmek istemiyorum"#
LabelOps/RLHF Engineer'sın? Python lazım. Tartışma kapalı.
❌ Hata 3: "Sadece tool kullanmayı öğreneyim, gerisi gelir"#
Label Studio çok güzel, ama 1 yıl sonra Argilla'ya geçeceksin. Tool değişir, kavramlar (IAA, schema, active learning) kalır. Kavrama yatırım yap.
❌ Hata 4: "Crowdsource'ta uzun yıllar kalalım, para iyi"#
MTurk/Toloka'da çok kalmak kariyer ufkunu daraltır. Vendor'a (Scale, Surge, Sama, Appen) geç ya da in-house'a.
❌ Hata 5: "İstatistik bilmiyorum, sorun olmaz"#
Cohen κ'yı bilmiyorsan, "datasetimiz kaliteli mi?" sorusuna mantıklı cevap veremezsin. Modül 7'yi atlama.
❌ Hata 6: "İngilizce gerek yok"#
Bu alanın literatürünün %95'i İngilizce. Paper okuyamaz, tool docs anlayamazsan, üst seviyeye çıkmak imkansız. Türkçe pratisyen ol, ama İngilizce profesyonel seviye olsun.
Türkiye Özel: 2026 Görünümü#
Türkiye'de veri etiketleme gizli bir patlama yaşıyor. Sebepler:
- Türkçe LLM yarışı: Trendyol, Getir, KoçDigital, BTK, KOÇ AI, Cosmos, Vngrs gibi ekipler kendi Türkçe modellerini eğitiyor. Her biri SFT + RLHF data ekibi kuruyor.
- AB GDPR'a karşı KVKK avantajı: Türk vendor'lar AB veri sahipliğinde rekabet edebiliyor.
- Yetenek arzı kıt: 2026'da Türkiye'de "RLHF Data Engineer" iş ilanı 200+, kalifiye adays sayısı tahmini 30-50.
- Remote pazara erişim: Bu kurs sonunda İngilizce ve teknik bilgin var ise, ABD/AB şirketlerinden remote pozisyon almak mümkün — Türkiye maaşının 3-5 katı.
Sıradaki derste (0.3) Türkiye'deki vendor ekosistemini, freelance pazarını, KVKK uyumluluğunu detaylı işleyeceğiz. Şimdi sen kendi kariyerini düşün:
🎯 Pratik egzersiz: Bu dersin sonunda kendine 3 soru sor:
- Şu an bu 8 rolden hangisindeyim (veya hangisine en yakın)?
- 12 ay sonra hangisi olmak istiyorum?
- Aradaki 3 yetkinlik açığı neler?
Cevapları bir not defterine yaz. Bu kursun her modülü sonunda dön bak — ilerleme görüyor musun?
🎬 Sıradaki Ders
0.3 — Türkiye'deki Veri Etiketleme Ekosistemi: yerli vendor'lar, freelance pazarı, ücret bandları, KVKK avantajı, Türkçe veri kıtlığı sorunu ve nasıl çözeceğimiz.
Frequently Asked Questions
2026 başı pazarında Türkiye'de in-house Annotation Engineer maaşları 130.000-220.000 ₺/ay aralığında. Junior 80-110K, mid 130-180K, senior 180-250K. Freelance/contract \$50-80/saat. Remote pozisyonlarda (AB/ABD şirketleri) \$70-130K/yıl yaygın.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
Related Content
Module 0: Introduction & Framework
The Data-Centric AI Manifesto: Why You Should Invest in Data More Than Models
Start LearningModule 0: Introduction & Framework
Turkey's Data Labeling Ecosystem: Vendors, Freelance Market, KVKK and the Turkish Data Scarcity
Start LearningModule 0: Introduction & Framework