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

> Source: https://sukruyusufkaya.com/blog/ai-muhendisi-vs-ml-engineer-vs-data-scientist
> Updated: 2026-08-23T23:52:28.032Z
> Type: blog
> Category: yapay-zeka
**TLDR:** AI Engineer, ML Engineer, Data Scientist rollerinin derin teknik + kariyer karşılaştırması: tarihsel kökenler (2010 Data Scientist → 2015 ML Engineer → 2023 AI Engineer), günlük iş tanımı, tech stack (PyTorch/TF/scikit-learn vs LangChain/MCP/vector DB), Türkiye maaş aralıkları 2026 (₺55K-300K), küresel karşılaştırma (ABD $130K-500K), iki ana kariyer yolu (akademi vs sanayi), 7 ana farklılık, hangi rol senin için, geçiş stratejileri, mülakat soruları, kıdem seviyeleri (junior/mid/senior/staff/principal), Türk şirket örnekleri (Trendyol, Getir, Turkcell, BiTaksi), 6 Türk specialized niş.

<tldr data-summary="[&#34;Üç rol farklı zamanlarda ortaya çıktı: Data Scientist (2010, Harvard Business Review &#39;seksi iş&#39; yazısı), ML Engineer (2015, Google + Facebook&#39;un ML production&#39;ı endüstrileşmesi), AI Engineer (2023, ChatGPT sonrası LLM/RAG/agent rolü). 2026&#39;da üçü de yan yana var ama farklı işler yapar.&#34;,&#34;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.&#34;,&#34;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.&#34;,&#34;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.&#34;,&#34;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.&#34;,&#34;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.&#34;,&#34;Türk pazarda fark: AI Engineer rolü 2023&#39;ten beri PATLIYOR — Trendyol, Getir, BiTaksi, Hepsiburada, Turkcell, Vakıfbank, ING, Yapı Kredi açıyor. ABD outsourcing baskısına karşı Türk AI Engineer en güçlü konum.&#34;]" data-one-line="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."></tldr>

## 1. Üç Rolün Tarihsel Kökenleri

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

<comparison-table data-caption="Üç Rolün Tarihsel Çıkışı" data-headers="[&#34;Rol&#34;,&#34;Çıkış Yılı&#34;,&#34;Sebep&#34;,&#34;İlk Şirketler&#34;]" data-rows="[{&#34;feature&#34;:&#34;Data Scientist&#34;,&#34;values&#34;:[&#34;2010-2012&#34;,&#34;Harvard Business Review Ekim 2012: &#39;Data Scientist: The Sexiest Job of the 21st Century&#39;&#34;,&#34;Google, Facebook, LinkedIn&#34;]},{&#34;feature&#34;:&#34;ML Engineer&#34;,&#34;values&#34;:[&#34;2015-2017&#34;,&#34;Production ML pipelinelarının endüstrileşmesi&#34;,&#34;Uber Michelangelo, Airbnb Bighead, Google TFX&#34;]},{&#34;feature&#34;:&#34;AI Engineer&#34;,&#34;values&#34;:[&#34;2023-2024&#34;,&#34;ChatGPT lansmanı + LLM API ekosistemi&#34;,&#34;OpenAI, Anthropic startups&#34;]}]"></comparison-table>

### 1.1 Data Scientist Dönemi (2010-2018)

<callout-box data-variant="answer" data-title="Data Scientist neden ortaya çıktı?">

2010 öncesi şirketlerin verileri vardı ama 'analiz' iki ayrı işti: (1) Business Analyst — SQL ile rapor üreten, (2) İstatistikçi — akademik istatistik bilen ama veri/iş bilgisi yoktu. Big data + Hadoop + Python ekosistemi büyüdükçe iki rolü birleştiren Data Scientist ortaya çıktı: SQL + Python/R + istatistik + iş bağlamı. 2012 HBR makalesi mesleği popülerleştirdi.

</callout-box>

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**.

<stat-callout data-value="+%450" data-context="AI Engineer iş ilanı artışı 2023-2026" data-source="{&#34;label&#34;:&#34;LinkedIn Talent Insights&#34;}"></stat-callout>

<stat-callout data-value="450K+" data-context="2026 küresel AI/ML mühendisi açığı" data-source="{&#34;label&#34;:&#34;LinkedIn Workforce Report 2026&#34;}"></stat-callout>

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. Günlük İş Tanımları — Detaylı

### 2.1 Data Scientist Günü

<comparison-table data-caption="Data Scientist Tipik Günü" data-headers="[&#34;Saat&#34;,&#34;Aktivite&#34;]" data-rows="[{&#34;feature&#34;:&#34;09:00-10:00&#34;,&#34;values&#34;:[&#34;Slack + email + dünkü query sonuçları kontrol&#34;]},{&#34;feature&#34;:&#34;10:00-11:00&#34;,&#34;values&#34;:[&#34;Product Manager ile haftalık sync — analiz brief&#34;]},{&#34;feature&#34;:&#34;11:00-12:30&#34;,&#34;values&#34;:[&#34;SQL query yazma (Snowflake/BigQuery), dashboards (Looker/Tableau)&#34;]},{&#34;feature&#34;:&#34;13:00-14:30&#34;,&#34;values&#34;:[&#34;Python notebook (pandas, numpy, statsmodels) ile analiz&#34;]},{&#34;feature&#34;:&#34;14:30-16:00&#34;,&#34;values&#34;:[&#34;A/B test sonuçları, istatistiksel anlamlılık testleri&#34;]},{&#34;feature&#34;:&#34;16:00-17:00&#34;,&#34;values&#34;:[&#34;İçgörü + öneri PowerPoint/Notion dokümantasyonu&#34;]},{&#34;feature&#34;:&#34;17:00-18:00&#34;,&#34;values&#34;:[&#34;Stakeholder sunumu (CMO, VP Product)&#34;]}]"></comparison-table>

**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

<comparison-table data-caption="ML Engineer Tipik Günü" data-headers="[&#34;Saat&#34;,&#34;Aktivite&#34;]" data-rows="[{&#34;feature&#34;:&#34;09:00-10:00&#34;,&#34;values&#34;:[&#34;Standup + monitoring dashboard (Datadog) - production model drift kontrol&#34;]},{&#34;feature&#34;:&#34;10:00-12:00&#34;,&#34;values&#34;:[&#34;Feature engineering (Spark/Beam pipeline) + model retraining&#34;]},{&#34;feature&#34;:&#34;12:00-13:00&#34;,&#34;values&#34;:[&#34;Code review (PR review) — diğer ML mühendisleri&#34;]},{&#34;feature&#34;:&#34;13:00-15:00&#34;,&#34;values&#34;:[&#34;Yeni model eğitimi (PyTorch/Jax + multi-GPU)&#34;]},{&#34;feature&#34;:&#34;15:00-16:30&#34;,&#34;values&#34;:[&#34;Model deployment (Docker + Kubernetes + Triton/TorchServe)&#34;]},{&#34;feature&#34;:&#34;16:30-17:30&#34;,&#34;values&#34;:[&#34;A/B test setup + canary deployment&#34;]},{&#34;feature&#34;:&#34;17:30-18:00&#34;,&#34;values&#34;:[&#34;Postmortem yazma / planning&#34;]}]"></comparison-table>

**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

<comparison-table data-caption="AI Engineer Tipik Günü" data-headers="[&#34;Saat&#34;,&#34;Aktivite&#34;]" data-rows="[{&#34;feature&#34;:&#34;09:00-10:00&#34;,&#34;values&#34;:[&#34;Standup + LangSmith trace incelemesi - dünkü hatalı LLM çıktılarını analiz&#34;]},{&#34;feature&#34;:&#34;10:00-12:00&#34;,&#34;values&#34;:[&#34;RAG pipeline iyileştirme (chunking strategy, embedding modelinde A/B test)&#34;]},{&#34;feature&#34;:&#34;12:00-13:00&#34;,&#34;values&#34;:[&#34;Prompt iyileştirme + eval suite çalıştırma (Promptfoo, LangSmith)&#34;]},{&#34;feature&#34;:&#34;13:00-15:00&#34;,&#34;values&#34;:[&#34;Agentic workflow (LangGraph/Crew AI) yeni özellik geliştirme&#34;]},{&#34;feature&#34;:&#34;15:00-16:00&#34;,&#34;values&#34;:[&#34;Vector DB (Pinecone) index optimizasyonu, search relevance test&#34;]},{&#34;feature&#34;:&#34;16:00-17:00&#34;,&#34;values&#34;:[&#34;Backend integration (FastAPI/Next.js API routes)&#34;]},{&#34;feature&#34;:&#34;17:00-18:00&#34;,&#34;values&#34;:[&#34;Maliyet izleme (OpenAI dashboard) — token usage optimize&#34;]}]"></comparison-table>

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

## 3. Tech Stack Karşılaştırması — Detaylı

### 3.1 Data Scientist Stack

<comparison-table data-caption="Data Scientist Tech Stack" data-headers="[&#34;Kategori&#34;,&#34;Tool&#34;]" data-rows="[{&#34;feature&#34;:&#34;Dil&#34;,&#34;values&#34;:[&#34;Python (pandas, numpy), R (özellikle finans + biyoistatistik), SQL (zorunlu)&#34;]},{&#34;feature&#34;:&#34;Veritabanı&#34;,&#34;values&#34;:[&#34;Snowflake, BigQuery, Redshift, PostgreSQL, Databricks&#34;]},{&#34;feature&#34;:&#34;Notebook&#34;,&#34;values&#34;:[&#34;Jupyter, JupyterLab, Google Colab, Databricks Notebooks, Hex&#34;]},{&#34;feature&#34;:&#34;Visualization&#34;,&#34;values&#34;:[&#34;Tableau, Looker, PowerBI, Plotly, matplotlib, seaborn&#34;]},{&#34;feature&#34;:&#34;İstatistik&#34;,&#34;values&#34;:[&#34;statsmodels, scipy.stats, prophet (time series)&#34;]},{&#34;feature&#34;:&#34;ML (basit)&#34;,&#34;values&#34;:[&#34;scikit-learn, XGBoost, LightGBM, prophet&#34;]},{&#34;feature&#34;:&#34;A/B Test&#34;,&#34;values&#34;:[&#34;pyABTest, statsmodels, custom Bayesian framework&#34;]},{&#34;feature&#34;:&#34;Versioning&#34;,&#34;values&#34;:[&#34;Git, dbt (data transformation)&#34;]},{&#34;feature&#34;:&#34;Orchestration&#34;,&#34;values&#34;:[&#34;Airflow, Dagster, Prefect (sınırlı kullanım)&#34;]},{&#34;feature&#34;:&#34;Cloud&#34;,&#34;values&#34;:[&#34;AWS SageMaker (sınırlı), GCP Vertex AI (sınırlı)&#34;]}]"></comparison-table>

### 3.2 ML Engineer Stack

<comparison-table data-caption="ML Engineer Tech Stack" data-headers="[&#34;Kategori&#34;,&#34;Tool&#34;]" data-rows="[{&#34;feature&#34;:&#34;Dil&#34;,&#34;values&#34;:[&#34;Python (PyTorch/TF), bazen Go/Rust (serving), C++ (CUDA/optimization)&#34;]},{&#34;feature&#34;:&#34;Framework&#34;,&#34;values&#34;:[&#34;PyTorch (lider), TensorFlow, JAX (Google), MLX (Apple)&#34;]},{&#34;feature&#34;:&#34;Distributed Training&#34;,&#34;values&#34;:[&#34;DeepSpeed, FairScale, Ray, Horovod, PyTorch FSDP/DDP&#34;]},{&#34;feature&#34;:&#34;Feature Store&#34;,&#34;values&#34;:[&#34;Feast, Tecton, AWS SageMaker Feature Store, Vertex AI Feature Store&#34;]},{&#34;feature&#34;:&#34;Experiment Tracking&#34;,&#34;values&#34;:[&#34;MLflow, Weights & Biases (W&B), Neptune.ai, Comet&#34;]},{&#34;feature&#34;:&#34;Orchestration&#34;,&#34;values&#34;:[&#34;Kubeflow, Airflow, Argo, Metaflow, ZenML&#34;]},{&#34;feature&#34;:&#34;Model Serving&#34;,&#34;values&#34;:[&#34;TorchServe, TensorFlow Serving, Triton, BentoML, Ray Serve, KServe&#34;]},{&#34;feature&#34;:&#34;Containerization&#34;,&#34;values&#34;:[&#34;Docker, Podman, Kubernetes, Helm&#34;]},{&#34;feature&#34;:&#34;Monitoring&#34;,&#34;values&#34;:[&#34;Prometheus + Grafana, Evidently, Arize, WhyLabs, Fiddler&#34;]},{&#34;feature&#34;:&#34;Cloud&#34;,&#34;values&#34;:[&#34;AWS SageMaker, GCP Vertex AI, Azure ML, Databricks&#34;]},{&#34;feature&#34;:&#34;GPU/TPU&#34;,&#34;values&#34;:[&#34;NVIDIA CUDA, AMD ROCm, Google TPU, Apple Metal&#34;]},{&#34;feature&#34;:&#34;Data&#34;,&#34;values&#34;:[&#34;Spark, Beam, Dask, Polars, DuckDB&#34;]}]"></comparison-table>

### 3.3 AI Engineer Stack

<comparison-table data-caption="AI Engineer Tech Stack (2026)" data-headers="[&#34;Kategori&#34;,&#34;Tool&#34;]" data-rows="[{&#34;feature&#34;:&#34;Dil&#34;,&#34;values&#34;:[&#34;Python (FastAPI, async), TypeScript (Next.js, Vercel AI SDK)&#34;]},{&#34;feature&#34;:&#34;LLM API&#34;,&#34;values&#34;:[&#34;OpenAI, Anthropic, Google Gemini, Mistral, Together AI, Groq, Cerebras&#34;]},{&#34;feature&#34;:&#34;Framework&#34;,&#34;values&#34;:[&#34;LangChain (en yaygın), LlamaIndex, Haystack, DSPy, Pydantic AI&#34;]},{&#34;feature&#34;:&#34;Agent Framework&#34;,&#34;values&#34;:[&#34;LangGraph, CrewAI, AutoGen, Anthropic SDK + Claude Code, OpenAI Swarm&#34;]},{&#34;feature&#34;:&#34;Vector DB&#34;,&#34;values&#34;:[&#34;Pinecone, Weaviate, Qdrant, Milvus, Chroma, pgvector (PostgreSQL), Redis&#34;]},{&#34;feature&#34;:&#34;Embedding&#34;,&#34;values&#34;:[&#34;OpenAI text-embedding-3, Cohere embed, Voyage AI, BGE, M3-Embedding&#34;]},{&#34;feature&#34;:&#34;RAG&#34;,&#34;values&#34;:[&#34;LlamaIndex, LangChain Retriever, RAGAS evaluation&#34;]},{&#34;feature&#34;:&#34;Prompt Mgmt&#34;,&#34;values&#34;:[&#34;LangSmith, Helicone, LangFuse, PromptLayer, Pezzo, Humanloop&#34;]},{&#34;feature&#34;:&#34;Evaluation&#34;,&#34;values&#34;:[&#34;Promptfoo, LangSmith Evaluation, RAGAS, OpenAI Evals&#34;]},{&#34;feature&#34;:&#34;Fine-Tuning&#34;,&#34;values&#34;:[&#34;LoRA / QLoRA, Unsloth, Together AI Fine-Tuning, OpenAI Fine-Tuning API&#34;]},{&#34;feature&#34;:&#34;Observability&#34;,&#34;values&#34;:[&#34;LangSmith, Arize Phoenix, Datadog LLM monitoring&#34;]},{&#34;feature&#34;:&#34;MCP&#34;,&#34;values&#34;:[&#34;Model Context Protocol (Anthropic) — DB, tool, server entegrasyonu&#34;]},{&#34;feature&#34;:&#34;Deployment&#34;,&#34;values&#34;:[&#34;Vercel, Modal, Replicate, RunPod, AWS Bedrock&#34;]}]"></comparison-table>

## 4. Yeteneklere Göre Karşılaştırma

### 4.1 Sınıflandırma Tablosu

<comparison-table data-caption="Yetenek Yoğunluğu (10 üzerinden)" data-headers="[&#34;Yetenek&#34;,&#34;Data Scientist&#34;,&#34;ML Engineer&#34;,&#34;AI Engineer&#34;]" data-rows="[{&#34;feature&#34;:&#34;SQL&#34;,&#34;values&#34;:[&#34;10&#34;,&#34;6&#34;,&#34;5&#34;]},{&#34;feature&#34;:&#34;Python (genel)&#34;,&#34;values&#34;:[&#34;9&#34;,&#34;10&#34;,&#34;9&#34;]},{&#34;feature&#34;:&#34;Python (PyTorch/TF)&#34;,&#34;values&#34;:[&#34;6&#34;,&#34;10&#34;,&#34;5&#34;]},{&#34;feature&#34;:&#34;İstatistik teorisi&#34;,&#34;values&#34;:[&#34;10&#34;,&#34;7&#34;,&#34;4&#34;]},{&#34;feature&#34;:&#34;Lineer cebir (lineer modeller, SVD)&#34;,&#34;values&#34;:[&#34;8&#34;,&#34;9&#34;,&#34;5&#34;]},{&#34;feature&#34;:&#34;Optimizasyon (SGD, Adam)&#34;,&#34;values&#34;:[&#34;6&#34;,&#34;10&#34;,&#34;4&#34;]},{&#34;feature&#34;:&#34;İş bağlamı / iletişim&#34;,&#34;values&#34;:[&#34;10&#34;,&#34;6&#34;,&#34;8&#34;]},{&#34;feature&#34;:&#34;Software Engineering&#34;,&#34;values&#34;:[&#34;5&#34;,&#34;10&#34;,&#34;9&#34;]},{&#34;feature&#34;:&#34;Distributed Systems&#34;,&#34;values&#34;:[&#34;4&#34;,&#34;9&#34;,&#34;6&#34;]},{&#34;feature&#34;:&#34;Docker / Kubernetes&#34;,&#34;values&#34;:[&#34;3&#34;,&#34;10&#34;,&#34;7&#34;]},{&#34;feature&#34;:&#34;Production deployment&#34;,&#34;values&#34;:[&#34;3&#34;,&#34;10&#34;,&#34;8&#34;]},{&#34;feature&#34;:&#34;LLM API kullanımı&#34;,&#34;values&#34;:[&#34;5&#34;,&#34;6&#34;,&#34;10&#34;]},{&#34;feature&#34;:&#34;Prompt engineering&#34;,&#34;values&#34;:[&#34;4&#34;,&#34;5&#34;,&#34;10&#34;]},{&#34;feature&#34;:&#34;RAG / Vector DB&#34;,&#34;values&#34;:[&#34;3&#34;,&#34;5&#34;,&#34;10&#34;]},{&#34;feature&#34;:&#34;Agentic workflow&#34;,&#34;values&#34;:[&#34;2&#34;,&#34;5&#34;,&#34;10&#34;]},{&#34;feature&#34;:&#34;Fine-tuning (LoRA)&#34;,&#34;values&#34;:[&#34;3&#34;,&#34;8&#34;,&#34;8&#34;]},{&#34;feature&#34;:&#34;A/B testing&#34;,&#34;values&#34;:[&#34;10&#34;,&#34;7&#34;,&#34;6&#34;]},{&#34;feature&#34;:&#34;Causal inference&#34;,&#34;values&#34;:[&#34;8&#34;,&#34;5&#34;,&#34;3&#34;]},{&#34;feature&#34;:&#34;Time series&#34;,&#34;values&#34;:[&#34;8&#34;,&#34;8&#34;,&#34;5&#34;]},{&#34;feature&#34;:&#34;Computer vision&#34;,&#34;values&#34;:[&#34;4&#34;,&#34;9&#34;,&#34;6&#34;]},{&#34;feature&#34;:&#34;NLP klasik (BERT, transformer)&#34;,&#34;values&#34;:[&#34;5&#34;,&#34;9&#34;,&#34;8&#34;]}]"></comparison-table>

### 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. Türkiye 2026 Maaş Aralıkları — Detaylı

<callout-box data-variant="answer" data-title="Türkiye AI/ML/DS maaşları nereden geliyor?">

Veri kaynakları: (1) TÜBİSAD 2026 Q1 raporu (250 şirket anketi), (2) Kariyer.net + Glassdoor + LinkedIn salary insights, (3) Türk teknoloji şirketleri (Trendyol, Getir, Hepsiburada, Turkcell, BiTaksi) açıklanan açık ücretler, (4) Türk teknoloji topluluk anketleri (Mediacat, Webrazzi). Net rakamlar yıllar arası farklılık + şirket büyüklüğü + tecrübe + İngilizce seviyesi'ne göre değişir. Aşağıdaki tablo NET aylık ücret (vergiler sonrası eline geçen).

</callout-box>

### 5.1 Net Aylık Maaş — Seviyelere Göre

<comparison-table data-caption="Türkiye 2026 NET Aylık Maaş (₺)" data-headers="[&#34;Seviye&#34;,&#34;Data Scientist&#34;,&#34;ML Engineer&#34;,&#34;AI Engineer&#34;]" data-rows="[{&#34;feature&#34;:&#34;Junior (0-2 yıl)&#34;,&#34;values&#34;:[&#34;50K-80K&#34;,&#34;60K-90K&#34;,&#34;70K-100K&#34;]},{&#34;feature&#34;:&#34;Mid (3-5 yıl)&#34;,&#34;values&#34;:[&#34;80K-130K&#34;,&#34;100K-160K&#34;,&#34;120K-180K&#34;]},{&#34;feature&#34;:&#34;Senior (5-8 yıl)&#34;,&#34;values&#34;:[&#34;120K-200K&#34;,&#34;150K-250K&#34;,&#34;180K-280K&#34;]},{&#34;feature&#34;:&#34;Staff (8-12 yıl)&#34;,&#34;values&#34;:[&#34;180K-280K&#34;,&#34;220K-350K&#34;,&#34;250K-400K&#34;]},{&#34;feature&#34;:&#34;Principal (12+ yıl)&#34;,&#34;values&#34;:[&#34;250K+&#34;,&#34;300K+&#34;,&#34;350K+&#34;]},{&#34;feature&#34;:&#34;Engineering Manager&#34;,&#34;values&#34;:[&#34;220K-320K&#34;,&#34;280K-400K&#34;,&#34;320K-450K&#34;]},{&#34;feature&#34;:&#34;Director&#34;,&#34;values&#34;:[&#34;350K+&#34;,&#34;400K+&#34;,&#34;450K+&#34;]}]"></comparison-table>

### 5.2 Şirket Tipine Göre Sapma

<comparison-table data-caption="Senior ML Engineer (5-8 yıl) Şirket Tipine Göre Maaş" data-headers="[&#34;Şirket Tipi&#34;,&#34;Net Aylık&#34;]" data-rows="[{&#34;feature&#34;:&#34;Türk bankası (KOBİ banka)&#34;,&#34;values&#34;:[&#34;120-160K&#34;]},{&#34;feature&#34;:&#34;Türk büyük banka (İş Bankası, Garanti, Yapı Kredi)&#34;,&#34;values&#34;:[&#34;150-220K&#34;]},{&#34;feature&#34;:&#34;Türk fintech (Hepsipay, Cardtek)&#34;,&#34;values&#34;:[&#34;140-200K&#34;]},{&#34;feature&#34;:&#34;Türk e-ticaret unicorn (Trendyol, Getir, Hepsiburada)&#34;,&#34;values&#34;:[&#34;180-280K&#34;]},{&#34;feature&#34;:&#34;Türk SaaS startup&#34;,&#34;values&#34;:[&#34;120-180K&#34;]},{&#34;feature&#34;:&#34;Türk teknoloji devleri (Aselsan, Havelsan, Turkcell)&#34;,&#34;values&#34;:[&#34;130-200K&#34;]},{&#34;feature&#34;:&#34;Avrupa remote (DE, NL, UK için Türkiye&#39;den)&#34;,&#34;values&#34;:[&#34;€4K-7K = 130-230K&#34;]},{&#34;feature&#34;:&#34;ABD remote (US şirketleri için)&#34;,&#34;values&#34;:[&#34;$8K-15K = 280-525K&#34;]},{&#34;feature&#34;:&#34;Big Tech Türkiye (Google İstanbul, Microsoft)&#34;,&#34;values&#34;:[&#34;250-400K + RSU&#34;]}]"></comparison-table>

### 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

<callout-box data-variant="tip" data-title="İngilizce maaşı %30-50 artırır">

Türk şirketlerinde iş İngilizce olmaz ama 'kazanan' yazılımcılar genelde İngilizce konuşur. Bunun pratik faydası: (1) Uluslararası şirket Türkiye ofisleri (Google, AWS, Stripe) İngilizce shıkayet — direkt %30-50 maaş üstü. (2) Avrupa/ABD remote pozisyonlar — Türkiye'den uzaktan çalışma, USD/EUR ödeme. (3) AI dokümantasyon (papers, OpenAI docs) İngilizce — bilenler daha hızlı öğrenir.

</callout-box>

### 5.5 Küresel Karşılaştırma

<comparison-table data-caption="Küresel Yıllık Toplam Paket (USD, Senior 5-8 yıl)" data-headers="[&#34;Ülke&#34;,&#34;Data Scientist&#34;,&#34;ML Engineer&#34;,&#34;AI Engineer&#34;]" data-rows="[{&#34;feature&#34;:&#34;ABD San Francisco&#34;,&#34;values&#34;:[&#34;$180-280K&#34;,&#34;$220-350K&#34;,&#34;$250-450K&#34;]},{&#34;feature&#34;:&#34;ABD remote&#34;,&#34;values&#34;:[&#34;$140-220K&#34;,&#34;$170-280K&#34;,&#34;$200-380K&#34;]},{&#34;feature&#34;:&#34;ABD New York&#34;,&#34;values&#34;:[&#34;$160-250K&#34;,&#34;$200-320K&#34;,&#34;$230-400K&#34;]},{&#34;feature&#34;:&#34;İngiltere London&#34;,&#34;values&#34;:[&#34;£70-110K&#34;,&#34;£90-130K&#34;,&#34;£100-160K&#34;]},{&#34;feature&#34;:&#34;Almanya Berlin&#34;,&#34;values&#34;:[&#34;€60-95K&#34;,&#34;€75-110K&#34;,&#34;€85-130K&#34;]},{&#34;feature&#34;:&#34;Hollanda Amsterdam&#34;,&#34;values&#34;:[&#34;€65-95K&#34;,&#34;€80-115K&#34;,&#34;€90-135K&#34;]},{&#34;feature&#34;:&#34;Türkiye İstanbul (TL)&#34;,&#34;values&#34;:[&#34;₺1.4-2.4M&#34;,&#34;₺1.8-3M&#34;,&#34;₺2.1-3.5M&#34;]},{&#34;feature&#34;:&#34;Türkiye İstanbul (USD eşd.)&#34;,&#34;values&#34;:[&#34;$45-78K&#34;,&#34;$58-97K&#34;,&#34;$68-113K&#34;]}]"></comparison-table>

## 6. Eğitim ve Background Profili

### 6.1 Data Scientist Tipik Background

<comparison-table data-caption="Data Scientist Eğitim Yolu" data-headers="[&#34;Yol&#34;,&#34;Pratik&#34;]" data-rows="[{&#34;feature&#34;:&#34;Akademik (en yaygın)&#34;,&#34;values&#34;:[&#34;Üniversite: İstatistik / Matematik / Ekonometri / Endüstri Müh. Master: Data Science / Analytics / Quantitative Methods&#34;]},{&#34;feature&#34;:&#34;Bootcamp&#34;,&#34;values&#34;:[&#34;Data Science bootcamp (3-6 ay)&#34;]},{&#34;feature&#34;:&#34;PhD&#34;,&#34;values&#34;:[&#34;Fizik / Matematik / İstatistik / Biyoistatistik PhD&#39;den geçiş&#34;]},{&#34;feature&#34;:&#34;Türk yolu&#34;,&#34;values&#34;:[&#34;Boğaziçi/ODTÜ/Bilkent/Hacettepe Endüstri Müh veya İstatistik + iş tecrübesi&#34;]}]"></comparison-table>

### 6.2 ML Engineer Tipik Background

<comparison-table data-caption="ML Engineer Eğitim Yolu" data-headers="[&#34;Yol&#34;,&#34;Pratik&#34;]" data-rows="[{&#34;feature&#34;:&#34;Akademik&#34;,&#34;values&#34;:[&#34;Bilgisayar Müh. / Yazılım Müh. / Elektrik-Elektronik. Master: AI / ML / Computer Science&#34;]},{&#34;feature&#34;:&#34;Software Engineering geçişi&#34;,&#34;values&#34;:[&#34;3+ yıl backend/SRE/DevOps + ML self-study (Coursera, fast.ai)&#34;]},{&#34;feature&#34;:&#34;PhD&#34;,&#34;values&#34;:[&#34;ML / Computer Vision / NLP PhD&#34;]},{&#34;feature&#34;:&#34;Türk yolu&#34;,&#34;values&#34;:[&#34;Boğaziçi/ODTÜ/Bilkent/İTÜ CS + 2-3 yıl yazılım + ML pivot&#34;]}]"></comparison-table>

### 6.3 AI Engineer Tipik Background

<callout-box data-variant="tip" data-title="AI Engineer en açık giriş kapısı">

2023'ten itibaren ortaya çıkan AI Engineer rolü, en açık giriş kapısı: (1) Software Engineer'dan geçiş (en yaygın — backend dev + LLM API öğrenirse 3 ayda AI Engineer), (2) Data Scientist'tan geçiş (eski klasik ML yerine LLM/RAG pivot), (3) Direkt giriş (CS lisans + LLM ekosistemi öğrenme), (4) Bootcamp (Maven, Cohere'in 'LLM University'). PhD ZORUNLU DEĞİL — pratik LLM ürün üretme gücü değerli.

</callout-box>

<comparison-table data-caption="AI Engineer Eğitim Yolu" data-headers="[&#34;Yol&#34;,&#34;Pratik&#34;]" data-rows="[{&#34;feature&#34;:&#34;Software Engineer geçişi (en yaygın 2026)&#34;,&#34;values&#34;:[&#34;Mevcut backend/frontend dev + 3-6 ay LLM API + LangChain&#34;]},{&#34;feature&#34;:&#34;Data Scientist geçişi&#34;,&#34;values&#34;:[&#34;Klasik ML yerine LLM/RAG/agentic odaklı&#34;]},{&#34;feature&#34;:&#34;Direkt giriş&#34;,&#34;values&#34;:[&#34;CS lisans + 6-12 ay LLM ekosistem + 3-5 portfolio proje&#34;]},{&#34;feature&#34;:&#34;Bootcamp&#34;,&#34;values&#34;:[&#34;Maven LLM bootcamp, Cohere LLM University, Anthropic skills&#34;]},{&#34;feature&#34;:&#34;Türk yolu (en hızlı)&#34;,&#34;values&#34;:[&#34;Backend dev (Node/Python) + ChatGPT API + LangChain + RAG kişisel proje + iş&#34;]}]"></comparison-table>

## 7. Kariyer Trajektörisi — Detaylı

### 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. Türk Şirket Örnekleri — Rol Dağılımı

### 8.1 Trendyol AI/ML Ekibi

<comparison-table data-caption="Trendyol AI/ML Pozisyonları (2026 Q1 ilanlardan)" data-headers="[&#34;Rol&#34;,&#34;Açık Pozisyon&#34;,&#34;Tipik Sorumluluk&#34;]" data-rows="[{&#34;feature&#34;:&#34;Data Scientist&#34;,&#34;values&#34;:[&#34;~10&#34;,&#34;Müşteri segmentasyonu, A/B test, fiyat optimizasyonu&#34;]},{&#34;feature&#34;:&#34;ML Engineer&#34;,&#34;values&#34;:[&#34;~25&#34;,&#34;Öneri sistemi, ranking, search optimization&#34;]},{&#34;feature&#34;:&#34;AI Engineer&#34;,&#34;values&#34;:[&#34;~15&#34;,&#34;Trendyol AI Asistan (LLM), ürün açıklamaları, customer support agent&#34;]},{&#34;feature&#34;:&#34;NLP Engineer&#34;,&#34;values&#34;:[&#34;~8&#34;,&#34;Türkçe NLP fine-tuning, semantic search&#34;]},{&#34;feature&#34;:&#34;Computer Vision Engineer&#34;,&#34;values&#34;:[&#34;~5&#34;,&#34;Ürün görsel analizi, duplicate detection&#34;]}]"></comparison-table>

### 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. Hangi Rol Sana Uygun? — Karar Akışı

<callout-box data-variant="answer" data-title="Hangi rol seçmeli? Pratik akış">

(1) İstatistik + iş analitiği seviyorsan, kuru kod yerine 'veriden hikaye' çıkarmak istiyorsan: Data Scientist. (2) PyTorch ile yeni model eğitmek, production'da binlerce GPU'da scale etmek heyecanlandırıyorsa: ML Engineer. (3) Hızlı ürün üretmek, LLM API ile demo çıkarmak, agentic workflow tasarlamak ilgini çekiyorsa: AI Engineer. (4) En hızlı iş bulma için 2026: AI Engineer (talep çok yüksek). (5) En kararlı uzun-vadeli: ML Engineer (klasik mühendislik, fine-tune sonrası 10 yıl önemi sürecek).

</callout-box>

### 9.1 7 Soruluk Hızlı Test

<comparison-table data-caption="Hangi Rol Sana Uygun? — 7 Soru" data-headers="[&#34;Soru&#34;,&#34;Data Scientist (D)&#34;,&#34;ML Engineer (M)&#34;,&#34;AI Engineer (A)&#34;]" data-rows="[{&#34;feature&#34;:&#34;SQL ve istatistik seviyorum&#34;,&#34;values&#34;:[&#34;+++&#34;,&#34;+&#34;,&#34;+&#34;]},{&#34;feature&#34;:&#34;Python derinleşmek + PyTorch&#34;,&#34;values&#34;:[&#34;+&#34;,&#34;+++&#34;,&#34;+&#34;]},{&#34;feature&#34;:&#34;LLM API + LangChain heyecan verici&#34;,&#34;values&#34;:[&#34;+&#34;,&#34;+&#34;,&#34;+++&#34;]},{&#34;feature&#34;:&#34;Backend mühendislik bilirim&#34;,&#34;values&#34;:[&#34;+&#34;,&#34;++&#34;,&#34;+++&#34;]},{&#34;feature&#34;:&#34;Distributed systems çekici&#34;,&#34;values&#34;:[&#34;+&#34;,&#34;+++&#34;,&#34;+&#34;]},{&#34;feature&#34;:&#34;İş bağlamı + paydaş iletişim seviyorum&#34;,&#34;values&#34;:[&#34;+++&#34;,&#34;+&#34;,&#34;++&#34;]},{&#34;feature&#34;:&#34;Hızlı ürün/MVP çıkarmak heyecanlı&#34;,&#34;values&#34;:[&#34;+&#34;,&#34;+&#34;,&#34;+++&#34;]}]"></comparison-table>

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

### 9.2 Geçiş Stratejileri

<comparison-table data-caption="Roller Arası Geçiş" data-headers="[&#34;Kaynak Rol&#34;,&#34;Hedef Rol&#34;,&#34;Süre&#34;,&#34;Anahtar Beceriler&#34;]" data-rows="[{&#34;feature&#34;:&#34;Software Engineer&#34;,&#34;values&#34;:[&#34;AI Engineer&#34;,&#34;3-6 ay&#34;,&#34;LangChain, RAG, Vector DB, prompt engineering&#34;]},{&#34;feature&#34;:&#34;Software Engineer&#34;,&#34;values&#34;:[&#34;ML Engineer&#34;,&#34;9-18 ay&#34;,&#34;ML temel + PyTorch + MLOps&#34;]},{&#34;feature&#34;:&#34;Data Analyst&#34;,&#34;values&#34;:[&#34;Data Scientist&#34;,&#34;6-12 ay&#34;,&#34;Python ileri + İstatistik + ML basic&#34;]},{&#34;feature&#34;:&#34;Data Scientist&#34;,&#34;values&#34;:[&#34;ML Engineer&#34;,&#34;9-18 ay&#34;,&#34;SWE pratik + PyTorch + production&#34;]},{&#34;feature&#34;:&#34;Data Scientist&#34;,&#34;values&#34;:[&#34;AI Engineer&#34;,&#34;3-6 ay&#34;,&#34;LLM ekosistemi + SWE pratik&#34;]},{&#34;feature&#34;:&#34;ML Engineer&#34;,&#34;values&#34;:[&#34;AI Engineer&#34;,&#34;3-6 ay&#34;,&#34;LLM + agentic + product mindset&#34;]},{&#34;feature&#34;:&#34;AI Engineer&#34;,&#34;values&#34;:[&#34;ML Engineer&#34;,&#34;12-24 ay&#34;,&#34;Derin ML + production scale&#34;]}]"></comparison-table>

## 10. Mülakat Soruları — Detaylı

### 10.1 Data Scientist Mülakat Yapısı

<comparison-table data-caption="Data Scientist Mülakat Aşamaları" data-headers="[&#34;Aşama&#34;,&#34;İçerik&#34;]" data-rows="[{&#34;feature&#34;:&#34;1. CV + Phone screen&#34;,&#34;values&#34;:[&#34;Geçmiş proje + motivasyon&#34;]},{&#34;feature&#34;:&#34;2. SQL Test&#34;,&#34;values&#34;:[&#34;Online SQL test (HackerRank, Stratascratch)&#34;]},{&#34;feature&#34;:&#34;3. Coding (Python)&#34;,&#34;values&#34;:[&#34;pandas + scikit-learn, basic ML&#34;]},{&#34;feature&#34;:&#34;4. Case Study&#34;,&#34;values&#34;:[&#34;1 saat, business problem → analiz + SQL + öneri&#34;]},{&#34;feature&#34;:&#34;5. Statistics&#34;,&#34;values&#34;:[&#34;Hipotez testi, A/B test, bias-variance, multiple testing&#34;]},{&#34;feature&#34;:&#34;6. Business / Behavioral&#34;,&#34;values&#34;:[&#34;Paydaş yönetim, conflict resolution, prioritization&#34;]}]"></comparison-table>

**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

<comparison-table data-caption="ML Engineer Mülakat Aşamaları" data-headers="[&#34;Aşama&#34;,&#34;İçerik&#34;]" data-rows="[{&#34;feature&#34;:&#34;1. CV + Phone&#34;,&#34;values&#34;:[&#34;Proje + ML background&#34;]},{&#34;feature&#34;:&#34;2. Coding (LeetCode)&#34;,&#34;values&#34;:[&#34;1-2 medium algoritma sorusu&#34;]},{&#34;feature&#34;:&#34;3. ML Theory&#34;,&#34;values&#34;:[&#34;Backprop, optimization, regularization, common architectures&#34;]},{&#34;feature&#34;:&#34;4. ML System Design&#34;,&#34;values&#34;:[&#34;1 saat — &#39;Recommender system tasarla&#39; / &#39;Real-time fraud detection&#39;&#34;]},{&#34;feature&#34;:&#34;5. Practical ML&#34;,&#34;values&#34;:[&#34;Jupyter notebook ile veri + model&#34;]},{&#34;feature&#34;:&#34;6. Behavioral&#34;,&#34;values&#34;:[&#34;Team + leadership&#34;]}]"></comparison-table>

**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

<comparison-table data-caption="AI Engineer Mülakat Aşamaları (2026)" data-headers="[&#34;Aşama&#34;,&#34;İçerik&#34;]" data-rows="[{&#34;feature&#34;:&#34;1. CV + Phone&#34;,&#34;values&#34;:[&#34;LLM projeleri + motivasyon&#34;]},{&#34;feature&#34;:&#34;2. Coding (Python)&#34;,&#34;values&#34;:[&#34;FastAPI + async, API tasarım&#34;]},{&#34;feature&#34;:&#34;3. LLM Knowledge&#34;,&#34;values&#34;:[&#34;RAG, prompt engineering, fine-tuning vs in-context, evaluation&#34;]},{&#34;feature&#34;:&#34;4. System Design&#34;,&#34;values&#34;:[&#34;RAG sistem tasarla, vector DB scaling, agentic workflow&#34;]},{&#34;feature&#34;:&#34;5. Practical Build&#34;,&#34;values&#34;:[&#34;2 saat - LangChain ile basit RAG + eval yaz&#34;]},{&#34;feature&#34;:&#34;6. Behavioral&#34;,&#34;values&#34;:[&#34;Product mindset, iletişim&#34;]}]"></comparison-table>

**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. Sertifikalar ve Eğitim

### 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**

## 12. Sık Sorulanlar

**Soru: AI Engineer rolü "geçici trend" mi?**

<callout-box data-variant="answer" data-title="Hayır — yapısal değişim">

ChatGPT (2022 Kasım) sonrası AI Engineer rolü kalıcı. ML Engineer'in altında veya yanında var olacak. Şu an talep çok yüksek ve junior pozisyonları açık. 5-10 yıl içinde ya ML Engineer'e entegre olur ya kalıcı bir uzmanlık olur — her iki durumda da bilmek değerli.

</callout-box>

**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).

## 13. Sonuç ve 30 Günlük Eylem Planı

**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

<references-list data-items="[{&#34;title&#34;:&#34;Harvard Business Review - Data Scientist&#34;,&#34;url&#34;:&#34;https://hbr.org/2012/10/data-scientist-the-sexiest-job-of-the-21st-century&#34;,&#34;author&#34;:&#34;Davenport, Patil&#34;,&#34;publishedAt&#34;:&#34;2012&#34;,&#34;publisher&#34;:&#34;HBR&#34;},{&#34;title&#34;:&#34;Uber Michelangelo&#34;,&#34;url&#34;:&#34;https://www.uber.com/blog/michelangelo-machine-learning-platform&#34;,&#34;author&#34;:&#34;Uber Engineering&#34;,&#34;publishedAt&#34;:&#34;2017&#34;,&#34;publisher&#34;:&#34;Uber&#34;},{&#34;title&#34;:&#34;TÜBİSAD Bilişim Sektörü Raporu&#34;,&#34;url&#34;:&#34;https://www.tubisad.org.tr&#34;,&#34;author&#34;:&#34;TÜBİSAD&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;TÜBİSAD&#34;},{&#34;title&#34;:&#34;LinkedIn Workforce Report&#34;,&#34;url&#34;:&#34;https://economicgraph.linkedin.com&#34;,&#34;author&#34;:&#34;LinkedIn&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;LinkedIn&#34;},{&#34;title&#34;:&#34;Google ML Engineer Certification&#34;,&#34;url&#34;:&#34;https://cloud.google.com/certification/machine-learning-engineer&#34;,&#34;author&#34;:&#34;Google Cloud&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Google&#34;},{&#34;title&#34;:&#34;DeepLearning.AI&#34;,&#34;url&#34;:&#34;https://www.deeplearning.ai&#34;,&#34;author&#34;:&#34;Andrew Ng&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;DeepLearning.AI&#34;},{&#34;title&#34;:&#34;Hugging Face&#34;,&#34;url&#34;:&#34;https://huggingface.co&#34;,&#34;author&#34;:&#34;Hugging Face&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Hugging Face&#34;},{&#34;title&#34;:&#34;LangChain Documentation&#34;,&#34;url&#34;:&#34;https://python.langchain.com&#34;,&#34;author&#34;:&#34;LangChain&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;LangChain&#34;},{&#34;title&#34;:&#34;fast.ai Practical Deep Learning&#34;,&#34;url&#34;:&#34;https://course.fast.ai&#34;,&#34;author&#34;:&#34;Jeremy Howard&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;fast.ai&#34;},{&#34;title&#34;:&#34;Anthropic Claude Engineering&#34;,&#34;url&#34;:&#34;https://docs.claude.com&#34;,&#34;author&#34;:&#34;Anthropic&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Anthropic&#34;}]"></references-list>