MESLEK · Veri ve model
Machine Learning Engineer nasıl olunur?
Veriden model üreten, eğitim ve değerlendirme döngüsünü kuran ve modeli üretime alan mühendis.
- Temel sorumluluk
- 6
- Kıdem basamağı
- 4
- Beceri
- 6
- Rota bölümü
- 14
Ne yapar?
Aynı iş şu adlarla da anılır: ML Engineer · Makine Öğrenmesi Mühendisi · Applied Scientist
- 01
İş problemini öğrenilebilir bir göreve ve ölçülebilir bir hedefe çevirir
- 02
Veri kümesini sızıntısız böler ve temsil gücünü denetler
- 03
Model eğitir, karşılaştırır ve seçimini ölçümle savunur
- 04
Modeli üretime alır, sürümler ve geri alma yolunu hazır tutar
- 05
Veri ve tahmin kaymasını izler, yeniden eğitim eşiğini belirler
- 06
Hata dağılımını alt gruplara ayırıp adillik sorunlarını görünür kılar
Basamaklar ve ne değiştiği
Unvanlar kurumdan kuruma değişir, sorumluluk sınıfları değişmez. Her basamak bir kanıtla eşleşir: o basamakta olduğunuzu gösterebileceğiniz somut bir iş.
- 1Junior ML EngineerGiriş
Odak
Tanımlı bir görevde veri hazırlar ve model eğitir.
Bu basamağın kanıtı
Bulduğu bir veri sızıntısı, sonucu olduğundan iyi gösteren bir ölçümü düzeltmiştir.
Sorumluluklar
- Veri temizliği ve özellik çıkarımını tekrarlanabilir biçimde yazar
- Temel modelleri eğitip karşılaştırma tablosu üretir
- Deney kayıtlarını eksiksiz tutar
- 2ML EngineerOrta
Odak
Görevin tanımından üretime alınmasına kadar tüm döngüye sahiptir.
Bu basamağın kanıtı
Ürettiği modelin üretimdeki performansı, test kümesindeki sonuca yakın çıkmıştır.
Sorumluluklar
- Başarı ölçütünü iş sonucuna bağlar ve eşiği paydaşla mutabık kılar
- Bölme stratejisini veri yapısına göre seçer (zaman, grup, katmanlı)
- Modeli üretime alır, geri alma yolunu ve gölge koşuyu kurar
- Kayma izlemesi ve yeniden eğitim tetikleyicisi tanımlar
- 3Senior ML EngineerKıdemli
Odak
Hangi problemin makine öğrenmesiyle çözüleceğine ve çözülmeyeceğine karar verir.
Bu basamağın kanıtı
Bir projeyi model kurmadan, daha basit bir çözümle kapatmıştır.
Sorumluluklar
- Kural tabanlı çözümün yeterli olduğu durumları ayırır
- Alt grup performansını ve adillik sonuçlarını raporlamaya bağlar
- Model yaşam döngüsü politikasını (emeklilik, arşiv) kurar
- 4Staff ML EngineerLider
Odak
Ekibin ölçme kültürünü ve model portföyünü yönetir.
Bu basamağın kanıtı
Kurduğu gözden geçirme süreci, üretime çıkmaması gereken bir modeli durdurmuştur.
Sorumluluklar
- Değerlendirme standartlarını ve gözden geçirme sürecini kurar
- Model portföyünün toplam bakım maliyetini görünür kılar
İş günü neye benziyor?
Meslek seçimini unvan değil, günün nasıl geçtiği belirler.
Sabah
Üretimdeki modelin dünkü tahmin dağılımını geçmişle karşılaştırır.
Öğleden önce
Yeni bir özellik kümesini eğitip test kümesinde kazanç olup olmadığına bakar.
Öğleden sonra
Hataları alt gruplara ayırır; belirli bir segmentte sistematik sapma arar.
Gün sonu
Deney defterini günceller: ne denendi, ne kazandı, ne bırakıldı ve neden.
Beceriler ve araçlar
Araç listesi hızla değişir; işe alım görüşmelerinde belirleyici olan araçlar değil beceriler.
Gerekli beceriler
- Veri hazırlama ve sızıntı tespiti
- Model eğitimi ve düzenlileştirme
- Değerlendirme tasarımı ve ölçüt seçimi
- Özellik mühendisliği
- Kayma (drift) tespiti
- Deney takibi ve tekrarlanabilirlik
Bu role hangi geçmişlerden gelinir
- Veri bilimi veya analitikten mühendislik tarafına geçiş
- Yazılım mühendisliğinden model tarafına kayma
- İstatistik, fizik veya mühendislik lisansından geçiş
Teknolojiler
- Not defteri ve deney takip ortamı
- Model kayıt defteri
- Özellik deposu veya eşdeğeri
- Toplu iş ve zamanlayıcı
- İzleme ve uyarı
Bilmesi gereken kavramlar
Ne üretir, nasıl ölçülür?
Bir rolün gerçek tanımı unvanında değil, ürettiği çıktıda ve başarısının nasıl ölçüldüğündedir.
Ürettiği çıktılar
- Sızıntısız bölme ve veri kartı
- Model kartı: kapsam, sınır, bilinen başarısızlıklar
- Değerlendirme raporu ve alt grup kırılımı
- Üretim dağıtım ve geri alma planı
- Kayma izleme ve yeniden eğitim politikası
Başarı ölçütleri
- Test–üretim farkı
- Test kümesindeki sonuçla üretimdeki sonucun ne kadar ayrıştığı; büyük fark değerlendirme tasarımının kusurlu olduğunu söyler.
- Alt grup en kötü performansı
- Ortalama değil en kötü segment; adillik ve güvenilirlik burada okunur.
- Yeniden eğitime kadar geçen süre
- Kayma tespitinden yeni modelin yayına girmesine kadar geçen süre.
Bu mesleğe çıkan öğrenme yolu
Maaş verisi
Maaş aralıkları, Sinaptik Research'ün saha araştırması yayımlandığında — örneklem büyüklüğü, toplama yöntemi ve kaynak bilgisiyle birlikte — bu sayfaya eklenecek. Doğrulanmamış aralık yayımlanmaz; bu alanda en çok okunan ve en kolay yanlış yönlendiren veri budur.
Neyi göstermek işe yarar?
Çalışan bir demo tek başına yetmez; demolar kolay, kalıcılık zordur. Aşağıdaki her madde belirli bir yetkinliği kanıtlar.
Sızıntı avı
Bir veri kümesinde kasıtlı sızıntı üretip sonucu nasıl şişirdiğini, sonra doğru bölmeyle gerçek sonucu göstermek.
Neyi kanıtlar: İyi görünen sonucun neden yanlış olduğunu açıklayabilmek.
Veri Seti Bölme HesaplayıcıÖrneklem büyüklüğü çalışması
İki model arasındaki farkın anlamlı sayılması için kaç örnek gerektiğini hesaplamak.
Neyi kanıtlar: Küçük örnekte görülen farkın gürültü olduğunu göstermek.
Değerlendirme Örneklem BüyüklüğüAlt grup hata analizi
Toplam doğruluğu yüksek bir modelin belirli bir segmentte sistematik hata yaptığını ortaya çıkarmak.
Neyi kanıtlar: Ortalamanın gizlediği kusuru görünür kılmak.
Karışıklık Matrisi ve Eşik
Sık duyulan ama yanlış
Daha karmaşık model daha iyi sonuç verir.
Çoğu üretim probleminde kazanç veri kalitesinden ve doğru ölçütten gelir. Karmaşıklık, bakım maliyetini ve hata ayıklama zorluğunu kesin biçimde artırır; kazancı ise belirsizdir.
Test kümesindeki yüksek skor modelin hazır olduğunu gösterir.
Test kümesi gerçek kullanımı temsil etmiyorsa skor yalnızca o kümeyi tarif eder. Zaman içinde değişen veride rastgele bölme, geleceği geçmişten görmeye izin verdiği için sonucu şişirir.
Fine-tuning modele yeni bilgi ekler.
Fine-tuning ağırlıklı olarak davranış ve biçim öğretir. Kuruma özgü güncel bilgiyi taşımanın doğru yolu genellikle geri getirmedir; ikisi birbirinin yerine geçmez.
Bununla karıştırılanlar
Kariyer kararı çoğunlukla 'bu meslek nedir' değil 'bununla şu arasındaki fark nedir' sorusudur.
- AI EngineerAI Engineer hazır modelin üzerine sistem kurar; ML Engineer modeli veriden üretir. Değerlendirme disiplini ikisinde de ortaktır.
- Data EngineerData Engineer veriyi güvenilir biçimde taşır ve saklar; ML Engineer o veriden model çıkarır.
- MLOps EngineerMLOps Engineer eğitim ve dağıtım hattını işletir; ML Engineer o hattın içinde modeli üretir.
Aynı rol ailesinden: Veri ve model
Sık sorulan sorular
ML Engineer ile Data Scientist farkı nedir?
Ayrım kurumdan kuruma değişir ama kalıcı fark çıktıdadır. Veri bilimci sorunun cevabını üretir; çıktısı genellikle bir analiz, bir bulgu ya da bir prototiptir. ML Engineer o cevabı sürekli çalışan bir sisteme dönüştürür; çıktısı sürümlenmiş, izlenen ve geri alınabilen bir modeldir. Bu yüzden ikinci rol yazılım mühendisliği disiplinini zorunlu kılar.
Dil modelleri ML Engineer rolünü gereksiz kılıyor mu?
Hayır, ağırlığını kaydırıyor. Metin sınıflandırma gibi bazı işler artık model eğitmeden hazır modellerle çözülebiliyor. Buna karşılık tabular tahmin, talep öngörüsü, anomali tespiti, öneri ve sıralama gibi geniş bir alan hâlâ kendi verinizle eğitilen modellerle çözülüyor. Ayrıca dil modeli çağı, değerlendirme tasarımı becerisini daha da değerli hâle getirdi.
Veri sızıntısı nedir ve nasıl fark edilir?
Sızıntı, modelin eğitim sırasında gerçek kullanımda erişemeyeceği bilgiyi görmesidir. En yaygın biçimleri şunlardır: zaman serisinde rastgele bölme yapmak, aynı kişiye ait kayıtların hem eğitim hem teste düşmesi ve hedeften türetilmiş bir özelliğin girdiye sızması. Belirtisi, gerçekçi olmayacak kadar iyi bir test sonucudur; doğrulama yolu ise bölmeyi verinin doğal yapısına (zaman, kişi, grup) göre kurmaktır.
LEARN
Nereden başlayacağını bilmiyorsan önce ölç
Seviye testi, mevcut becerilerine göre hangi bölümden başlaman gerektiğini söyler.