Technology
Machine Learning Engineer
Machine learning engineers build the systems that make AI models actually work in production — at scale, reliably, fast
Temel Beceriler
Kişilik Profili
Kariyer Boyutları
Bu Kariyere Nasıl Girilir?
Giriş Yolları
CS / Yazılım Müh. → ML konuları
OrtaÖnce solid software engineer ol, sonra ML'e kaydır. ML Engineer'ın %70'i software engineering becerisidir, ML değil.
Data Science'tan engineering tarafına geçiş
OrtaModelleri ürettin, şimdi production'a koymayı öğreniyorsun. Docker, K8s, MLOps. Maaş farkı %30+.
Yüksek lisans (ML, AI)
ZorAkademik derinlik. Top tier şirketler (Google, Meta) için neredeyse zorunlu. Türkiye'de Sabancı, Bilkent.
Backend engineer'dan kayma
OrtaBackend skills + Coursera Deep Learning Specialization + 3 hands-on proje. Şirket içi transfer en kolay yol.
İlk İş Kanalları
MLOps proje portföyü
GitHub'a "end-to-end MLOps pipeline" diye bir repo. CI/CD, model registry, A/B testing, monitoring. Recruiter'ın gözünde "production-ready" yazıyor olur.
Open source ML framework katkısı
PyTorch, Hugging Face, MLflow gibi projelere küçük PR'ler. 3 merge PR = "Hugging Face contributor" CV'nde.
Şirket içi transfer
Backend engineer veya data scientist olarak gir, 1-2 yıl içinde "ML platform team'e geçmek istiyorum" de. Manager'ın seni desteklemesi kapıdan giriş kadar değerli.
Sektör konferansları (PyData, MLOps Community)
PyData Istanbul ücretsiz. Orada konuşma yapanlar yarın senin manager'ın olabilir. After-party'lere kal.
Belirgin bir niş seçmek
"ML engineer" çok geniş. "LLM serving infrastructure" veya "computer vision deployment" gibi spesifik bir konuda uzmanlaşmak seni 100 kişilik havuzdan 5 kişilik havuza taşır.
💡 Insider Tip
Modeller havalı görünür ama ML Engineer'ın işinin %80'i veri pipeline'larını ayakta tutmak ve infra debug etmek. Eğer sadece "yeni paper okumak" istiyorsan, sen Research Scientist olmalısın, ML Engineer değil. Bu ikisini karıştırmak Türkiye'de en büyük kariyer hatası.