Büyük dil modelleri (LLM), çok miktarda metinle eğitilerek soru yanıtlama, özetleme, çeviri ve kod yazma gibi işleri yapabilen yapay zekâ modelleridir; ChatGPT, Gemini ve Claude gibi uygulamaların temelinde bu model türü bulunur. Bu rehber genel yapay zekâ mühendisliğini değil, yalnızca LLM üzerine uzmanlaşmayı anlatır; yazılıma ilgi duyan ve hızlı değişen bir alanda sürekli öğrenmeyi göze alanlar için uygundur. Eğitim yolunu kısaca özetleyip ayrıntı için kardeş rehberlerimize yönlendiriyoruz.
Kısa cevap: LLM alanında en doğrudan yol, bilgisayar ya da yapay zekâ mühendisliği gibi SAY puan türüyle girilen bir bölüm ve güçlü bir yazılım pratiğidir. İşverenler genellikle Python, API kullanımı, veri işleme ve test deneyimini arar; değerlendirme, güvenlik ve kişisel verilerin korunması bilgisi de önem taşır. Alan hızlı değiştiği için diploma kadar belgelenmiş projeler ve sürekli öğrenme de belirleyicidir.
LLM uzmanı kimdir, ne iş yapar?
LLM uzmanı, hazır ya da açık kaynaklı bir dil modelini ürüne veya kurum süreçlerine güvenilir biçimde yerleştiren kişidir. Modeli sıfırdan eğitmek büyük bilgi işlem kaynağı ve araştırma ekibi gerektirdiği için çoğu ekip, çalışmasını bu aşamanın üstünde, yani uygulama, uyarlama ve kalite katmanında yürütür. Başlıca görevler şunlardır:
- Modeli sohbet asistanı, belge özetleyici ya da kod yardımcısı gibi ürünlere bağlamak
- Kuruma ait belgelere dayanarak cevap üreten sistemler kurmak
- İstemleri (prompt) tasarlamak, sürümlemek ve test etmek
- Cevap kalitesini ölçmek, güvenlik açıklarını denemek ve kişisel veri gereklerini gözetmek
- Maliyeti, gecikmeyi ve kullanıcı geri bildirimini izlemek
Unvanlar şirketten şirkete değişir; ilanlarda LLM uygulama mühendisi, değerlendirme mühendisi ya da yapay zekâ ürün yöneticisi gibi adlarla karşılaşabilirsiniz.
Başlıca uzmanlaşma alanları
Uygulama geliştirme ve belgeye dayalı cevap üretme (RAG)
Bir dil modeli, eğitim verisinde bulunmayan ya da sonradan değişen kurum bilgisini bilemez; gerçek olmayan bilgiyi inandırıcı biçimde de üretebilir (halüsinasyon). RAG (geri getirme destekli üretim), sistemin önce belgelerden soruyla ilgili parçaları bulup sonra bunları modele bağlam olarak vermesiyle bu riski azaltır. Tipik bir akışta belgeler parçalara bölünür, her parça anlam benzerliği hesaplanabilsin diye sayı dizisine (vektöre) çevrilip vektör veri tabanında saklanır, soruya en yakın parçalar bulunur ve model cevabı bu parçalara dayanarak yazar. Cevap kaynak gösterebilir; ancak hata riski ortadan kalkmaz ve sistemin test edilmesi gerekir.
İstem (prompt) tasarımı
İstem, modele verilen talimat ve bağlamdır. İyi bir istem görevi açıkça tanımlar, gerektiğinde örnek verir, çıktı biçimini ve sınırları belirtir. Ciddi çalışmada istemler kodla birlikte sürümlenir ve bir test kümesiyle denenir; çünkü küçük bir değişiklik başka cevapları bozabilir.
Model değerlendirme ve test
LLM çıktıları her seferinde aynı olmayabilir ve doğruluğu tek bir sayıyla özetlemek zordur; bu yüzden değerlendirme ayrı bir uzmanlık alanıdır. Gerçek kullanım örneklerinden bir test soru kümesi hazırlanır, cevaplar doğruluk, kaynağa bağlılık, tutarlılık ve üslup gibi ölçütlerle puanlanır. İnsan değerlendirmesi ile otomatik ölçütler birlikte kullanılır; model ya da istem her değiştiğinde aynı testler yeniden çalıştırılır. Genel kıyaslama sonuçları, sizin kullanım durumunuzdaki başarıyı tek başına göstermez.
Güvenlik ve hizalama
Hizalama (alignment), modelin insanların niyetine ve değerlerine uygun, yararlı ve zararsız davranmasını sağlama çabasının genel adıdır; daha çok model geliştiren kuruluşlarda çalışılır. Uygulama geliştiren ekipler için güvenlik şu işlerden oluşur:
- Zararlı, yanlış ya da taraflı çıktıyı sınırlamak
- İstem enjeksiyonuna karşı önlem almak (kullanıcının ya da bir belgenin içindeki metnin modelin talimatlarını değiştirmeye çalışması)
- Modelin hassas bilgiyi ifşa etmesini önlemek ve erişimi yetkiyle sınırlamak
- Kırmızı takım (red team) testleriyle sistemi kasıtlı olarak zorlayıp açıkları bulmak
Düzenlemeler de gelişmektedir; Avrupa Birliği Yapay Zekâ Yasası gibi örnekleri izlemek, yurt dışına hizmet veren ekipler için önemlidir.
Veri gizliliği ve KVKK
Bir LLM uygulamasına müşteri bilgisi, sağlık kaydı ya da çalışan verisi gibi kişisel veri girdiğinizde 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) devreye girer. Genel ilkeler şunlardır:
- Veri azaltma: Modele yalnızca gerekli veriyi gönderin; mümkünse kimlik bilgilerini maskeleyin ya da anonimleştirin.
- Hukuki dayanak ve aydınlatma: İşlemenin kanundaki şartlardan birine dayanması ve ilgili kişinin bilgilendirilmesi gerekir.
- Sağlayıcı sözleşmesi: Modeli sunan şirketin veriyi nerede sakladığını, eğitimde kullanıp kullanmadığını ve ne kadar süre tuttuğunu sözleşmeden öğrenin.
- Yurt dışı aktarım: Verinin yurt dışındaki bir sunucuya gitmesi, kanundaki yurt dışına aktarım kurallarını gündeme getirebilir; sağlık gibi özel nitelikli verilerde kurallar daha sıkıdır.
- Erişim ve kayıt: Verilere erişimi sınırlayın; günlük (log) kayıtlarının saklama ve silme süresini belirleyin.
Bu bölüm genel bilgidir; somut bir proje için kurumunuzun hukuk birimine danışın ve Kişisel Verileri Koruma Kurumunun duyurularını izleyin.
Hangi bölümler ve sınavlar?
Eğitim yolunu burada kısaca özetliyoruz; ayrıntı için yapay zekâ mühendisliği ve gereken matematik, makine öğrenmesi mühendisliği ve modelin canlıya alınması ile veri bilimci ve veri mühendisi olma yolu rehberlerimize bakabilirsiniz.
Lisans (4 yıl): Bilgisayar mühendisliği en doğrudan yoldur; yazılım mühendisliği ve bazı üniversitelerde açılan yapay zekâ mühendisliği programları da uygundur. Bunların hepsi YKS'de SAY puan türüyle öğrenci alır; TYT'nin yanında AYT'nin matematik, fizik, kimya ve biyoloji testleri belirleyicidir. Dilbilimi (DİL puan türü) ya da Türk Dili ve Edebiyatı (SÖZ puan türü) gibi alanlardan gelenler Türkçe veri kalitesi ve değerlendirme çalışmalarında rol alabilir; teknik beceriyi ayrıca geliştirmeleri gerekir. Taban puanı, başarı sırası ve kontenjan için YKS bölümler sayfasına bakın.
Önlisans (2 yıl): Bilgisayar Programcılığı ve Yapay Zeka Operatörlüğü gibi programlar TYT puanıyla öğrenci alır ve uygulama ağırlıklıdır; mezunlar Dikey Geçiş Sınavı (DGS) ile lisansa geçmeyi değerlendirebilir.
Lisansüstü: Model geliştirme, uyarlama ve araştırma ağırlıklı roller çoğunlukla yüksek lisans ya da doktora ister; Türkiye'de akademik başvurularda Akademik Personel ve Lisansüstü Eğitimi Giriş Sınavı (ALES) ile yabancı dil koşulu üniversitenin ilanında yazar. Uygulama ve değerlendirme rollerinde ise güçlü yazılım becerisi ve gösterilebilir projeler öne çıkar.
Kamu ve özel sektörde çalışma alanları
| Alan | Nasıl girilir | Not |
|---|---|---|
| Yazılım ve ürün şirketleri | İlan, staj, portfolyo ve teknik mülakat | Ürünlere gömülü LLM özellikleri, asistanlar ve geliştirici araçları |
| Bankalar, sigorta ve telekomünikasyon | Şirket ilanları ve staj programları; kamu bankaları Kamu Personel Seçme Sınavı (KPSS) aramadan kendi sınavlarıyla personel alır | Müşteri asistanları ve belge işleme; mevzuat ve veri gizliliği ağırlıklıdır |
| Sağlık, hukuk, eğitim ve medya teknolojileri | İlan; alan bilgisi ile teknik beceri birlikte aranır | Alan uzmanlığı gerektiren belge asistanları ve içerik araçları |
| Kamu kurumları ve kamu araştırma kuruluşları | Kurum ilanı; mühendis kadrolarında KPSS ya da kurumun kendi sınavı | Bilişim ve Ar-Ge birimleri; şartlar ilanda yazar |
| Üniversiteler ve araştırma merkezleri | Lisansüstü eğitim, ALES, yabancı dil; akademik kadro ilanı | Doğal dil işleme ve yapay zekâ araştırmaları |
| Girişimler, serbest ve uzaktan çalışma | Portfolyo, açık kaynak katkıları ve referans | Danışmanlık ve proje bazlı işler; sözleşme, vergi ve veri güvenliği sorumluluğu çalışana aittir |
| Yurt dışı | Diploma denkliği ya da tanınması, dil yeterliği, çalışma izni ve portfolyo | Süreç ülkeye ve işverene göre değişir |
Maaş neye göre değişir?
Kamu kurumlarında mühendis (8/1) kadrosunun giriş neti yaklaşık 94.000 TL'dir (Temmuz 2026, bekâr, giriş; eş ve çocuk yardımı hariç). Üniversitede araştırma görevlisi (7/1) kadrosunun giriş neti yaklaşık 96.650 TL'dir. Derece ve kademe ilerledikçe maaş artar.
Özel sektörde, serbest çalışmada ve yurt dışında LLM rollerini tek bir rakama bağlamak yanıltıcı olur; bu yüzden tutar yazmıyoruz. Belirleyen başlıca etkenler şunlardır:
- Rol: uygulama geliştirme, değerlendirme, güvenlik, araştırma ya da ürün yönetimi
- İşverenin türü, sektörü ve ölçeği; finans ve sağlık gibi düzenlemeye tabi alanlardaki sorumluluk
- Şehir ve çalışma biçimi: ofis, hibrit ya da uzaktan
- Deneyim, gösterilebilir projeler ve portfolyonun gücü
- Teknik derinlik, alan bilgisi ve yabancı dil düzeyi
- Lisansüstü eğitim ve yayın
Adım adım yol haritası
- Yazılım temelini kurun. Python, SQL, Git ve API kullanımını öğrenin; veri yapıları ve algoritmalarla temelinizi sağlamlaştırın.
- Makine öğrenmesinin temelini öğrenin. Doğrusal cebir, olasılık ve istatistikle modellerin nasıl öğrendiğini anlayın.
- Küçük bir LLM uygulaması yapın. Bir modele API üzerinden bağlanan basit bir soru-cevap aracı geliştirin.
- RAG ekleyin. Açık lisanslı belgelerle kaynak gösteren bir asistan kurun.
- Değerlendirme düzeni kurun. Bir test soru kümesi hazırlayın, hataları türlerine göre sınıflandırın ve her değişiklikte testleri yeniden çalıştırın.
- Güvenlik ve gizliliği ekleyin. İstem enjeksiyonu denemeleri yapın; kişisel veri içermeyen veriyle çalışın ve KVKK ilkelerini projenize uygulayın.
- Portfolyonuzu yayımlayın. Projeleri belgeleyin, başkasının tekrar üretebileceği biçimde paylaşın ve veri lisansına dikkat edin.
- Yönünüzü seçin. Uygulama, değerlendirme, güvenlik ya da araştırma yollarından birini derinleştirin; İngilizce kaynakları düzenli izleyin.
Sık Sorulan Sorular
LLM uzmanı olmak için yüksek lisans ya da doktora gerekli mi?
Role bağlıdır. Yeni model geliştiren ve araştırma yapan rollerde lisansüstü eğitim ve yayın sık aranır. Hazır modelleri ürünlere bağlayan, test eden ve izleyen rollerde ise güçlü yazılım becerisi ve gösterilebilir projeler öne çıkar.
İstem mühendisliği tek başına meslek mi?
Bazı kurumlar bu başlıkla ilan açsa da bu beceri çoğu zaman yazılım, ürün ya da alan uzmanlığı rollerinin içinde yürütülür. Yalnızca istem yazmak yerine çıktıyı ölçmeyi, test etmeyi ve sisteme bağlamayı bilmek sizi daha donanımlı kılar.
RAG ile ince ayar arasındaki fark nedir?
RAG, modelin cevap verirken başvuracağı bilgiyi dışarıdan getirir; modelin kendisi değişmez. İnce ayar (fine-tuning) ise modeli ek verilerle yeniden eğiterek davranışını ya da üslubunu uyarlar. Hangisinin uygun olduğu soruna bağlıdır.
Kişisel veriyi bir LLM'e göndermek KVKK açısından sorun olur mu?
Kişisel veri işleniyorsa KVKK kuralları geçerlidir; verinin gerekliliği, hukuki dayanağı, sağlayıcı sözleşmesi ve yurt dışına aktarım koşulları değerlendirilmelidir. Veriyi göndermeden önce maskelemek riski azaltır. Somut durum için kurumunuzun hukuk birimine danışın.
Alan uzmanıysam (hukukçu, hekim, öğretmen) bu alanda çalışabilir miyim?
Yazılımcı olmak zorunda değilsiniz, ancak temel teknik okuryazarlık gerekir. Değerlendirme ölçütlerini yazmak, cevapların doğruluğunu denetlemek ve ürünün hangi sorunu çözeceğini belirlemek gibi işlerde alan bilgisi değerlidir.
Bölüm ve sınav planınızı birlikte kurmak için koçluk sayfasına göz atabilirsiniz.
