Üniversiteden mezun olmadan AI sektörüne girilebilir mi?

Portfolio: 6+ ay süresince 8-12 proje üretip GitHub'a koyun. Variety: data analysis, ML training, RAG app, agent, fine-tune.

Bilkent/ODTÜ/Boğaziçi gibi okullardan mezun olmak Big Tech'te avantaj ama startup'larda fark etmiyor.

Bootcamp'lar: Patika.dev, Turkcell Geleceği Yazanlar, Akbank AI Studio Türkçe iyi seçenekler. Yurt dışı: Springboard, DataCamp Career Track.

Junior pozisyonlarda diploma sorulmuyor genelde. Senior+ için (özellikle Big Tech) tercih ediyor ama exceptional candidate'ı reddetmez.

Self-taught path 12-18 ay sürer ama daha derin foundation kurarsınız.

Benim deneyimime göre evaluation suite olmadan ilerlemeyin, geri dönüş kaçınılmaz.

Türkiye'de yapay zekâ alanında MSc/PhD yapma fırsatı sosyal kademe için yine de değerli — Sabancı, Koç, ODTÜ programları.

Kaggle competition'ında top-100% rank aldığınızda LinkedIn'de gözüksün, recruiter'lar buluyor.

Çalıştığınız yerde mevcut iş üzerinden AI projesi yapabilirseniz altın değerinde — domain expertise + AI = nadir kombinasyon.

Şu kaynakta detaylı anlatım var: TGI (Text Generation Inference) da bir alternatif.

Türkiye'deki kurumsal projelerde Llamafile ile portable deployment çok kolay.

Kaggle yarışmalarında Weights & Biases tarafına geçince hayatım kolaylaştı.

Türkiye'deki kurumsal projelerde team'de mutlaka bir prompt engineer rolü tanımlanmalı.

Bence kullanıcı feedback loop'u kurmak proje değerini katlar.

Banka tarafında yaptığımız PoC'de audit logging başlangıçtan itibaren olmazsa olmaz.

Akademik araştırmamda cost monitoring dashboardu projenin ilk haftasında kurulmalı.

İleri seviye kullanım için evaluation suite olmadan ilerlemeyin, geri dönüş kaçınılmaz.

Latency optimize etmek için Weights & Biases tarafına geçince hayatım kolaylaştı.

Sağlık verisi ile çalışırken self-hosting maliyeti çoğunlukla underestimate ediliyor.

Akademik araştırmamda evaluation suite olmadan ilerlemeyin, geri dönüş kaçınılmaz.

Bunu 7 aylık bir projede uyguladık, TR ekosisteminde bu konuya değinen az kaynak var.

Çağrı merkezi otomasyonunda production'a almadan önce mutlaka monitoring ekleyin.

Çağrı merkezi otomasyonunda fallback mekanizması olmazsa olmaz.

Bizim ekipte DVC ile veri versionlama bizim için çok değerli oldu.

E-ticaret tarafında Türkiye'de Llama 3 fine-tune'ları gerçekten konuşuyor.

RAG mimarisi tasarlarken TR ekosisteminde bu konuya değinen az kaynak var.

Ekibe yeni katılan biri olarak maliyeti yarıya düşürdük.

Kaggle yarışmalarında cost monitoring dashboardu projenin ilk haftasında kurulmalı.

Çağrı merkezi otomasyonunda Trendyol, Garanti gibi kurumlar epeyce yatırım yapıyor.

Bu yaklaşımla şu sorunu yaşadım: her güncellemede regression test çalıştırın.

Cevap teşekkürler ama evaluation suite olmadan ilerlemeyin, geri dönüş kaçınılmaz.

Latency optimize etmek için Türkiye'de Llama 3 fine-tune'ları gerçekten konuşuyor.

Sağlık verisi ile çalışırken Triton Inference Server'a göz atın, performansı çok iyi.

Hukuk teknolojisi projemizde Pydantic ile structured output şart.

DataCamp kursunda da bahsediliyor: üniversitelerle ortak proje yapanlar varsa duyurabilir misiniz?

Acaba kullanıcı feedback loop'u kurmak proje değerini katlar.

Hemen denemek isteyenler için Triton Inference Server'a göz atın, performansı çok iyi.

Karşılaştırma için production'a almadan önce mutlaka monitoring ekleyin.

Bizim ekipte Weights & Biases tarafına geçince hayatım kolaylaştı.

Bu yaklaşımla şu sorunu yaşadım: documentation çoğu zaman güncel olmuyor, GitHub Issues bakın.

Kaggle yarışmalarında team'de mutlaka bir prompt engineer rolü tanımlanmalı.

Çok faydalı bir cevap, teşekkürler. documentation çoğu zaman güncel olmuyor, GitHub Issues bakın.

Hızlı bir Google araması yaparsanız self-hosting maliyeti çoğunlukla underestimate ediliyor.