ML Mühendisi İstifası: 130.000 Dolarlık Pozisyondan Çıktım ve 4 Gerçekliği Öğrendim (2026)

130.000 dolarlık bir makine öğrenimi mühendisi pozisyonundan istifa etmek, çoğu için çılgınca bir karar. Ama bu karar, sadece maaşla ilgili değil — teknoloji endüstrisinin içindeki birikmiş gerilimlerin, iş yapma biçimlerinin ve gerçek değer yaratmanın ne olduğu üzerine bir itirazdı. Bu istifanın arkasında dört temel gerçeklik yatıyor: veri mühendisliği ile makine öğrenimi arasındaki kör nokta, üretim mühendisliğinin unutulan ağırlığı, test süreçlerinin önemsiz görülmesi ve en önemlisi, ‘yapay zeka’ etiketinin gerçek işin örtmesi.

1. Veri Mühendisliği ile ML Arasındaki Kör Nokta

BusinessInsider’ın 2026 raporuna göre, veri mühendislerinin %68’i makine öğrenimi mühendisliğine geçiş yapmayı planlıyor. Ama bu geçişin çoğu, sadece Python ve scikit-learn öğrenmekle sınırlı kalıyor. Gerçeklik ise tamamen farklı: ML mühendisliği, modeli eğitmekle değil, modeli üretimde çalıştırmakla başlıyor. Bu süreçte, GPU kernel geliştiricileri, sistem mimarları ve veri akışını yöneten PE (Process Engineer) ekibi olmadan, en iyi model bile bir kâğıt üzerinde kalır. Zhihu’da ‘AI Infra’da neden hâlâ GPU kernel mühendisi aranıyor?’ sorusu yüz binlerce okuyucuyla karşılaşıyor — çünkü teknoloji, algoritmalarla değil, altyapıyla yaşıyor.

2. Üretim Mühendisliğinin Unutulan Rolü

Zhihu’da paylaşılan ‘IE, QE, PE, ME, TE, RD’ mühendislik rolleri analizi, bu kavramı çarpıcı bir şekilde açıklıyor. İstifa eden mühendis, kendi ekibindeki bir PE (Process Engineer) ile bir gün geçirdiğinde, 3 saat boyunca bir sensör verisini nasıl optimize ettiklerini, üretim hattındaki gecikmeyi nasıl öngördüklerini gördü. Bu, ‘AI ile otomatikleşen’ bir sistem değil, insanın üretim süreçlerini anladığı bir sistemdi. PE mühendisleri, üretim hattındaki her bileşeni entegre eder; her sensör, her motor, her veri akışı onların sorumluluğunda. Ama çoğu startup, bu rolleri ‘maliyet’ olarak görüp, sadece ‘model eğiten’ mühendisleri maaşlıyordu. Sonuç? Modeller test ortamında %98 doğrulukla çalışıyordu, ama üretimde 3 gün sonra çöktü.

Üretim Mühendislik Rollerinin Gerçek İstemi

• IE (Industrial Engineer): Süreçleri optimize eder — üretim hızını artırır.
• QE (Quality Engineer): Kaliteyi garanti eder — hataları önler.
• PE (Process Engineer): Üretim yöntemini tasarlar — malzeme ve ekipmanı entegre eder.
• ME (Manufacturing Engineer): Hat ve makine tasarımı yapar — fiziksel altyapıyı kurar.
• TE (Test Engineer): Ürünü test eder — gerçek dünya senaryolarını simüle eder.
• RD (Research & Development): Yeni ürün geliştirir — geleceğe yatırım yapar.

3. QE ve PE’nin Sistemdeki Gizli Gücü

QE (Quality Engineer)’lerin六西格玛 (Six Sigma) teknikleriyle yaptıkları veri analizi, ML modellerinin doğruluğunu test etmek için daha sağlamdı. TE (Test Engineer)’lerin oluşturduğu senaryolar, modelin gerçek dünyada nasıl başarısız olacağını önceden gösteriyordu. Bu roller, AI endüstrisinde ‘yapay zeka mühendisi’ olarak tanımlananların çoğunlukla görmezden gelen yapı taşıydı. Bir şirketin 100 ML mühendisiyle 10 PE, 5 QE ve 3 TE’ye sahip olması, sadece ‘veri bilimi’ ekibi değil, bir üretim ekibiydi. Ama çoğu şirket, bu rolleri ‘destek’ olarak sınıflandırıyor — oysa bu ekibin yokluğu, modelin çökmesine neden oluyor.

TE Mühendisi: Modelin Gerçek Dünya Testi

TE (Test Engineer)’ler, modelin sadece veri setinde değil, sıcak hava, gürültülü sensörler, elektrik kesintileri ve insan hatası gibi gerçek koşullarda nasıl davrandığını test eder. Bu, kodun doğruluğundan çok, sistemin dayanıklılığına dair kritik veriler sağlar. Ancak bu iş, ‘AI mühendisliği’ olarak pazarlanmaz. Çünkü ‘yapay zeka’ etiketi, bu insani, fiziksel, tekrarlayan ve monoton işleri örtmek için kullanılıyor.

4. Koddan Sisteme Geçiş: AI Gerçekliği

İstifa eden mühendis, işe başladığında ‘AI ile geleceği değiştireceğini’ düşünmüştü. Ama bir yıl sonra, günlük işi, bir veri akışının 12 saat boyunca durmasıyla ilgili bir e-posta göndermekten ibaretti. Bu, ‘mühendislik’ değil, ‘sistem kurtarma’ydı. Modelin doğru çalıştığını düşündüğü bir gün, üretim hattındaki bir sensörün veri göndermediğini fark etti. Bu sensör, 3 aydır bakım planında yoktu. Kimse bu sensörü ‘AI sistemi’ olarak tanımlamıyordu. Ama bu sensör, modelin tahminlerini etkiliyordu.

AI, artık bir teknoloji değil, bir inanç hâline geldi. Şirketler, ‘AI mühendisi’ unvanını maaş artırma, iş ilanı ve yatırım çekme için kullanıyor. Ama gerçekte, bu unvanın altında, 20 yıl önceki bir PE mühendisinin yaptığı işler var: sistemleri anlamak, hataları öngörmek, insan ve makine arasında köprü kurmak.

İstifanın ardından, bu mühendis, bir üretim teknolojisi firmasında ‘AI-Operasyon Entegrasyonu’ pozisyonu aldı. Burada, model geliştiricilerle PE ve TE ekibi arasında köprü kuruyor. Modelin nasıl çalıştığını anlamakla kalmıyor, aynı zamanda üretim hattındaki bir motorun titreşim verisini nasıl modele dahil edeceğini de öğretiyor. Bu, artık ‘makine öğrenimi mühendisi’ değil, ‘sistem mühendisidir’.

Çıkarım: Bu dört ders, sadece bir istifanın hikayesi değil, teknoloji endüstrisinin geleceğinin temel taşları. ML mühendisi istifası, bir kaçış değil, bir yeniden tanımlama. Gerçek değer, modelin doğruluğunda değil, sistemin dayanıklılığında yatıyor. AI gerçekliği, kodla değil, üretim hattıyla, kalite protokolleriyle ve insan deneyimiyle yaşar. Geleceğin en değerli mühendisi, en iyi modeli yapan değil, modelin nasıl üretileceğini, test edileceğini ve kaliteyle entegre edileceğini bilendir — yani, sistem mühendisidir.