Andrew Ng ve DeepLearning.AI, deneysel istemleri (prompts) üretim seviyesindeki yapay zeka sistemlerine dönüştürmek için gereken altı temel yetkinliği gruplandıran bir çerçeve olan AI Mühendisliği Yetkinlik Haritası'nı (AI Engineering Skills Map) tanıttı. Harita, "vibe coding" yaklaşımının ötesine geçmek ve güvenilir, ölçeklenebilir yapay zeka ürünleri sunmak isteyen mühendisleri hedefliyor.

Neden “vibe coding” bir engeldir

Birçok işletmede geliştiriciler, büyük dil modellerini (LLM'ler) sihirli bir değnek gibi görüyor: bir istem yazıyorlar, birkaç çıktıya göz atıyorlar ve işin bittiğini varsayıyorlar. Bu kestirme yol hızlı demolar için işe yarasa da gerçek dünya kullanımında çöker. LLM'ler deterministik değildir; aynı girdiler her seferinde farklı sonuçlar verebilir. Sistematik kontroller olmadan, laboratuvarda iyi görünen bir sistem üretim aşamasında bozulabilir, bu da maliyetli kesintilere veya güvensiz davranışlara neden olabilir.

Haritadaki altı yetkinlik

Yetkinlik Haritası, mühendislik sürecini her biri kendi en iyi uygulamalarına ve araç setlerine sahip altı farklı alana ayırıyor.

  • Prompt Mühendisliği – Serbest metin formatından, genellikle JSON şemalarıyla zorunlu kılınan yapılandırılmış şablonlara geçişi sağlar. Bu, belirsizliği azaltır ve sonraki aşamalardaki ayrıştırma (parsing) işlemlerini öngörülebilir kılar.
  • Retrieval-Augmented Generation (RAG) – Doküman alımı (ingestion), anlamsal parçalama (semantic chunking) ve modele ilgili bağlamı sağlayan geri çağırma (retrieval) boru hatları oluşturma konusunda yetkinlik gerektirir.
  • Agentic Workflows (Ajan Tabanlı İş Akışları) – Modelin harici araçları çağırabildiği, durumu (state) yönetebildiği ve otonom olarak karar verebildiği döngülerin tasarlanmasını içerir.
  • Fine-tuning – Mühendislerin, yalnızca istem bağlamına güvenmek yerine ne zaman bir modelin ağırlıklarını ayarlamaya karar vermeleri gerektiği konusunda yardımcı olur; bu seçim tutarlılığı artırabilir ve token kullanımını azaltabilir.
  • Değerlendirme (Evals) – Doğruluğu, yanlılığı ve güvenliği önceden tanımlanmış kriterlere göre ölçen otomatik test paketleri gerektirir. Başarısız olan bir test, tıpkı diğer tüm kod regresyonları gibi derleme sürecini (build) durdurmalıdır.
  • Operasyonlar – Gecikme bütçelemesi (latency budgeting), maliyet izleme ve model davranışındaki kademeli değişim olan model kaymasının (model drift) gerçek zamanlı olarak yönetilmesine odaklanır.

LLM'yi bir kara kutu yerine güvenilmeyen bir API olarak ele alan ekipler, geleneksel servisler için kullandıkları aynı titizliği uygulayabilirler.

Kimler kazanıyor, kimler geride kalıyor?

Kadrosunu sadece makine öğrenmesi doktoralarıyla kuran mühendislik liderleri, projelerinin duraksadığını görebilir. Harita; API tasarımı, önbelleğe alma (caching) stratejileri ve otomatik test konularında yetkin sistem mühendislerine duyulan ihtiyacı vurguluyor. Arka uç (backend) mühendislerinin bağlam pencerelerini (context windows) yönetmek, değerlendirme düzenekleri (evaluation harnesses) kurmak ve operasyonel metrikleri izlemek üzere yetkinliklerinin artırılması, yetenek açığını kapatabilir ve teslimat sürecini hızlandırabilir.