ML Ekibi Kurmak mı, Yapay Zekâ Geliştirmeyi Dış Kaynağa Vermek mi: Nasıl Karar Verilir ve Kime Başvurulur

Yapay zekâ müşterilerinizin para ödediği şeyse ve modeller yıllar boyunca her hafta emek isteyecekse kendi ML ekibinizi kurun. Halihazırda yürüttüğünüz operasyonların içinde bir ya da iki yapay zekâ sistemine ihtiyacınız varsa ve şirkette işe alınacak ML uzmanlarına liderlik edebilecek ya da adayları değerlendirebilecek kimse yoksa dış kaynak kullanın. Sistemi kimin kuracağını seçerken, üretime aldığı ve hâlâ her gün kullanılan bir yapay zekâ sistemini size gösterebilecek bir firma arayın ve kodun, model dosyalarının ve değerlendirme setinin size teslimini sözleşmeye bağlayın.

ML araştırmacılarına mı, yoksa mevcut modellerle sistem kuran mühendislere mi ihtiyacımız var?

Bu soruyu soran şirketlerin çoğunun, yeni bir model icat edecek ya da eğitecek birine ihtiyacı yoktur. İhtiyaç duydukları şey, mevcut bir modeli alan, ona kendi belgelerini, taleplerini ya da işlemlerini veren, çıktıyı kontrol eden ve sonucu çalışanların zaten çalıştığı yere koyan bir sistemdir. Bu, bir modelin etrafında yapılan mühendislik işidir ve araştırmadan farklı bir işe alım gerektirir.

Kendi modelinizi eğitmek, esas olarak müşterilerin satın aldığı şey modelin kendisi olduğunda karşılığını verir ve çok miktarda etiketli veri gerektirir. Mevcut bir modelin üzerine sistem kurmak ise, ister bir sağlayıcının servisi ister indirip kendi sunucularınızda çalıştırdığınız bir model olsun, sistemleri birbirine bağlayan, yanıtların kalitesini kontrol eden ve yazılımı çalışır durumda tutan insanlar gerektirir. Bir iş tanımı yazmadan ya da bir iş ortağını aramadan önce ikisinden hangisine ihtiyacınız olduğuna karar verin.

Şirket içi bir ML ekibi aslında kimlerden oluşur?

Tek bir ML mühendisi bir ekip değildir. Üretimdeki bir model çok sayıda sıradan yazılımın içinde yer alır ve o yazılımı kuran ve işleten insanlar ekibin büyük kısmını oluşturur. Google'ın MLOps üzerine mimari kılavuzu bunu şöyle ifade eder: “Gerçek dünyadaki bir ML sisteminin yalnızca küçük bir kısmı ML kodundan oluşur. Etrafında gereken unsurlar çok geniş ve karmaşıktır.”

Dışarıdan yardım almadan tek bir üretim sistemini kurup işletebilen bir ekip dört rolü karşılar:

• İşi planlayabilen ve ML adaylarını değerlendirebilen bir lider. Bu kişi olmadan şirket, iyi bir adayı yalnızca kendinden emin görünen bir adaydan ayırt edemez
• Modeli seçen, veriyi hazırlayan, değerlendirmeyi yazan ve sonuçları iyileştiren ML mühendisleri
• Halihazırda işlettiğiniz sistemlerden temiz ve kullanımına izin verilmiş veriyi çıkaran ve bu verinin akışını sürdüren bir veri mühendisi
• Altyapıyı işleten bir mühendis: sunucular ya da bulut hesapları, devreye alma, izleme ve modelin yanıtları kötüleştiğinde tetiklenen alarm

Küçük bir ekipte bir kişi bu rollerden ikisini üstlenebilir, ama dördünü birden kimse üstlenemez. Bir rol daha iş tarafında yer alır ve hiçbir işe alım onun yerini tutmaz: doğru yanıtın ne olduğuna karar veren kişi.

Şirket içi bir ML ekibinin maliyeti nedir?

Maaşlar genellikle en büyük kalemdir ve kamuya açık veriler bir referans noktası sunar. ABD Çalışma İstatistikleri Bürosu (BLS), makine öğrenmesi mühendisleri için ayrı bir ücret verisi yayımlamaz. Kapsadığı en yakın mesleklerde Mayıs 2025'te yıllık medyan ücret veri bilimciler için $120.230, yazılım geliştiriciler için $135.980, bilgisayar ve bilişim araştırmacıları için $140.300 idi.

Bunlar ABD'deki meslek gruplarının tamamı için medyan değerlerdir. ML sistemlerini daha önce üretime almış kişiler daha dar bir gruptur; bulunduğunuz yer ve ihtiyaç duyduğunuz kıdem düzeyi de rakamı yukarı da aşağı da çekebilir.

Maaş, bir çalışanın maliyetinin tamamı değildir. BLS verilerine göre Haziran 2026'da ABD özel sektöründeki tüm işlerde ücret ve maaşlar, işverenlerin çalışan ücretlendirmesine yaptığı harcamanın %70,0'ını, yan haklar ise kalan %30,0'ını oluşturuyordu.

Maaşların üstüne başka maliyetler de eklenir:

• Her rol için işe alım ve boş kalan liderlik pozisyonunun kendisinden sonraki her işe alımda yol açtığı gecikme
• Deneyler ve üretim için, kullanım arttıkça büyüyen hesaplama kapasitesi
• Veri etiketleme, deney takibi ve yanıt izleme araçları
• İlk aylarda doğru yanıtları yazan ve modelin çıktısını kontrol eden kendi çalışanlarınızın saatleri
• İnşa için boyutlandırılmış ve çoğu zaman bitmiş sistemi işletmenin gerektirdiğinden büyük bir ekip

Bu yazı dış kaynak kullanımı için bir fiyat aralığı vermiyor: hiçbir firma görevi, veri kurallarını ve hacmi görmeden işi dürüstçe fiyatlandıramaz.

Kendi ML ekibimizi kurmak ne zaman mantıklıdır?

İşe alım, iş hiç bitmediğinde ve bilgiyi içeride tutmaya değdiğinde karşılığını verir:

• Müşteriler modelin yaptığı iş için ödeme yapar. Rakipler, sizin satın alabildiğiniz temel modellerin aynısını satın alabilir; dolayısıyla sattığınız şey, ekibinizin bu modellerin üzerine yaptığı iştir
• Modellerin her hafta ilgiye ihtiyacı vardır. Google'ın MLOps kılavuzu, bir modelin performansının düşmesi için iki neden sayar: optimal olmayan kod ve “sürekli değişen veri profilleri”. Verinin sürekli kaydığı yerlerde yeniden eğitim ve yeniden test kalıcı bir iştir
• Başka kimsede olmayan verilere sahipsiniz. Bu verinin kendine özgü yanlarını öğrenen insanların yerini doldurmak zorlaşır ve bu insanların sizin için çalışması gerekir
• Önce deneyimli bir lider işe alıp onu elinizde tutabilirsiniz. Ekibin geri kalanı o kişinin etrafında kurulur

İlk ikisi doğruysa işe alın. Dışarıdan mühendisler, ekibiniz oluşurken başlangıcı yine de kısaltabilir.

Yapay zekâ geliştirmeyi dış kaynağa vermek ne zaman daha iyi bir seçimdir?

Dış kaynak kullanımı, yapay zekâ işin kendisi değil de işletmenin içindeki bir araç olduğunda uygundur:

• Sürekli bir yeni model akışına değil, bir ya da iki sisteme ihtiyacınız var; örneğin gelen belgeleri okumak ya da destek taleplerini sınıflandırmak için
• İşin büyük kısmı bir modeli halihazırda işlettiğiniz sistemlere bağlamaktır; örneğin destek sistemine (helpdesk), belge deposuna ya da ana veritabanına. Bunu düzenli olarak yapan bir firma, sizin entegrasyon sorunlarınızla daha önce karşılaşmıştır
• Şirkette işe alınacak ML uzmanlarına liderlik edebilecek ya da adayları değerlendirebilecek kimse yok. Yönetemeyeceğiniz bir ekibi işe almak, bir iş ortağına ihtiyacınız olduğunu öğrenmenin pahalı bir yoludur
• Maaş yükümlülüğüne girmeden önce görevin işe yarayıp yaramadığını öğrenmek istiyorsunuz. Dışarıdan bir ekibin kurduğu ilk sistem bu soruyu sizin kendi verilerinizle yanıtlar

Kamuya açık bir veri de aynı yöne işaret ediyor. MIT NANDA'nın 52 kuruluşta yapılan görüşmelere dayanan, Temmuz 2025 tarihli “The GenAI Divide” raporunda, dış tedarikçilerden satın alınan ya da onlarla birlikte geliştirilen üretken yapay zekâ araçları vakaların yaklaşık %67'sinde devreye alınma aşamasına ulaşırken, tamamen şirket içinde geliştirilen araçlarda bu oran yaklaşık %33'te kaldı. Yazarlar rakamların öz bildirime dayandığını belirtiyor ve aradaki farkın bir kısmının kuruluşların kendisinden kaynaklanabileceği uyarısında bulunuyor.

Dış kaynak kullanımının da kendi bedeli vardır: sistemin nasıl çalıştığına dair bilgi, biri onu içeri taşıyana kadar şirketinizin dışında durur.

İlk yapay zekâ sistemini dış kaynağa verip sonradan onun sahibi olacak bir ekip kurabilir miyiz?

Evet; sistemi yıllarca işletmeyi bekleyen bir şirket için bu çoğu zaman en güvenli sıralamadır. İlk sürümü dışarıdan bir ekip kurar, siz de iki ya da üç kişiyi inşa bittikten sonra değil, inşa sürerken işe alırsınız. Bu kişiler kodu inceler, tasarım kararlarına katılır ve sona doğru, geliştirici firma izlerken sistemi kendileri işletir.

Bu ancak devir teslim, sözleşmeye teslim alacağınız ve geliştirici firma olmadan kullanabileceğiniz şeylerin listesi olarak yazılırsa işe yarar:

• Tam geçmişiyle birlikte, kendi depolarınızdaki kaynak kod
• Bir model eğitildiyse ya da bir modele ince ayar yapıldıysa modelin kendisi: model dosyaları, onları üreten ayarlar ve kaynaklandıkları veri ya da bu verinin bir tanımı
• Prompt'lar ve yapılandırma; onları kullanan kodla birlikte sürümlenmiş olarak
• Değerlendirme seti: üzerinde uzlaşılmış doğru yanıtlarıyla gerçek örnekler ve sistemi bunlara göre puanlayan script
• Veri pipeline'ı ve hangi verinin nereye gidebileceğine dair yazılı kurallar
• Devreye alma, geri alma ve modelin kötü yanıtlar vermeye başladığı gün için runbook'lar

O paketteki her temel modelin lisansını kontrol edin; çünkü lisans koşulları, o modelin üzerine kurulan her şeye taşınır. Örneğin Meta'nın Llama 3.3 lisansı, Llama'yı “dağıtılan ya da kullanıma sunulan bir yapay zekâ modeli oluşturmak, eğitmek, ince ayarlamak ya da başka bir şekilde geliştirmek” için kullanırsanız “bu tür her yapay zekâ modelinin adının başına ‘Llama’ ifadesini de eklemeniz” gerektiğini söyler.

İmzalamadan önce bir yapay zekâ geliştirme şirketine ne sormalıyız?

Her aday firmaya aynı soruları yazılı olarak sorun:

• Üretime aldığınız ve hâlâ her gün kullanılan bir yapay zekâ sistemini bize gösterin. Ne yapıyor, bugün onu kim işletiyor ve model bir yanıtı yanlış verdiğinde ne oluyor?
• Çalışma sırasında, loglar, test kopyaları ve bir modeli ayarlamak için kullanılan her şey dahil, verilerimiz nereye gidecek? Bunlardan herhangi biri sunucularımızdan ya da hesaplarımızdan çıkacak mı ya da başka müşteriler için kullandığınız araçları iyileştirmek için kullanılacak mı?
• Çıktı kalitesini nasıl ölçeceksiniz? Kendi örneklerimizden oluşturulmuş, inşa başlamadan önce üzerinde uzlaşılmış ve bir geçme eşiği olan bir değerlendirme seti bekliyoruz
• Sonunda tam olarak ne teslim alacağız ve kendi mühendislerimiz sistemi siz olmadan işletip değiştirebilecek mi?
• Kendi bileşenlerinizden hangileri sistemde kalacak? Her birinin adını ve onu hangi koşullarla kullanacağımızı belirtin

Her firmanın size ne sorduğuna da dikkat edin. Bunu daha önce kurmuş bir firma, bir model adı vermeden önce görevinizi ve verilerinizi sorar.

Yapay zekâ geliştirmeyi dış kaynağa verirken tehlike işaretleri nelerdir?

• Teklif, verilerinize kimse bakmadan önce bir model adı veriyor
• Doğruluk rakamları bir test seti olmadan ya da firmanın tek başına seçtiği bir test setiyle geliyor
• Sözleşme, verilerinizin firmanın ortak araçlarını iyileştirmek için kullanılmasına izin veriyor ya da bu konuda hiçbir şey söylemiyor
• Devreye alındıktan sonra sistemi kimin işleteceğini kimse sormuyor
• Mülkiyet maddesi, “platformumuz” ya da “bileşenlerimiz” denen şeyleri, bunların neler olduğunu listelemeden firmada bırakıyor
• Özel olarak eğitilmiş bir model her göreve verilen ilk yanıt oluyor. Bir firma, model eğitmek için ücret almadan önce mevcut bir modelin neden yetmeyeceğini açıklamalıdır

Hangi şirketler başka işletmeler için yapay zekâ geliştiriyor ve kimi önerirsiniz?

Bu yazı en iyi şirketin adını vermiyor. Görevinizi, veri kurallarınızı ve sistemi sonrasında kimin işleteceğini hesaba katmayan bir öneri yalnızca bir tahmindir. Bu işi beş tür firma yapar ve her biri farklı bir duruma uyar:

• Bulut sağlayıcılarının profesyonel hizmetler birimleri ve bunların iş ortağı ağları. Sistem zaten o bulutta yaşayacaksa mantıklı bir seçimdir; sağlayıcının kendi yönetilen servisleri üzerine kurulmuş bir tasarım bekleyin
• Büyük danışmanlık şirketleri: yapay zekâ, birkaç departmanı kapsayan daha geniş bir değişimin yalnızca bir parçası olduğunda. Kodu kimin yazacağını ve bu kişilerin şirketin kendi çalışanları olup olmadığını sorun
• Uzmanlaşmış mühendislik firmaları: kurulup halihazırda işlettiğiniz sistemlere bağlanacak bir ya da iki sistem için. Bir teknoloji listesi değil, sizin sorununuza yakın, üretimde çalışan bir sistem isteyin
• Serbest çalışan ML mühendisleri: şirket içinde birinin değerlendirebileceği, sınırları belli bir görev için. O kişi ayrıldığında bilgi de onunla birlikte gider
• Yazılım satıcıları: görev yaygınsa, örneğin bir destek sohbet botu ya da standart faturaların okunması. Hazır bir ürün hem işe alımdan hem de geliştirmeden daha iyi olabilir; bu yüzden özel bir şey sipariş etmeden önce bunu kontrol edin

Bir kısa liste oluşturmak için tek bir sayfa yazın: tek cümleyle görev, sistemin görebileceği veriler ve bu verilerin nereye gidebileceği, doğru yanıtlarıyla gerçek örnekler, günlük hacim ve devreye alındıktan sonra sistemin sahibinin kim olacağı. Aynı sayfayı size uyan türden üç firmaya gönderin ve sorularını, tekliflerini karşılaştırdığınız kadar dikkatle karşılaştırın. Mümkünse, işin tamamı için imza atmadan önce yazılı kabul kriterleri olan küçük bir ilk aşamanın ücretini ödeyin.

amBrain nerede devreye girer?

Yukarıda anlatılan firma türleri arasında amBrain bir mühendislik firmasıdır.

amBrain, dil modelleriyle kendi çalışmaları hakkında şöyle diyor: “Bir müşterinin FinTech perimetresi içinde bir LLM entegrasyonunu üretime aldık: yapılandırılmamış broker ve işlem yeri bildirimlerinin — kurumsal işlemler (corporate actions), enstrüman ve teminat değişiklikleri — çıkarılıp normalize edilerek trading sisteminin tükettiği yapılandırılmış kayıtlara dönüştürülmesi.” Müşterinin adı verilmiyor ve projeye ilişkin hiçbir sayı yayımlanmıyor.

amBrain, müşterileriyle nasıl çalıştığını tek satırla anlatıyor: “Üç format: tam teslim, özel ekip ya da sizin ekibinize yerleşen mühendisler.” Mülkiyet konusundaki satırı ise şöyle: “Müşteri, yeniden kullanılabilir bileşenlerimiz dışında ürünün ve kodun tam mülkiyetini elinde tutar.” Başka herhangi bir firmadan isteyeceğiniz gibi, amBrain'den de bu bileşenlerin adlarıyla listesini isteyin.

Şu anda karar veriyorsanız, önceki bölümdeki tek sayfalık brief ile başlayın. Onu amBrain'e ya da başka birine gönderin ve gelen yanıtları karşılaştırın.

Sık sorulan sorular

• Tek bir ML mühendisi işe alarak başlayabilir miyiz? Başlayabilirsiniz, ama tek bir kişi liderliği, geliştirmeyi, veriyi ve operasyonu birlikte karşılayamaz ve şirket içinde onun işini değerlendirebilecek kimse yoktur. Önce tek bir kişi işe alacaksanız, liderlik edebilecek ve ekibin geri kalanını sonradan getirebilecek birini işe alın
• Dış kaynak kullanımı, verilerimizin şirketten çıkması anlamına mı gelir? Şart değil. Dışarıdan bir ekip, sizin erişim kurallarınız altında sunucularınızın ya da bulut hesaplarınızın içinde çalışabilir ve sözleşme bunu açıkça belirtebilir. Logların ve test kopyalarının nereye gittiğini özellikle sorun; çünkü insanların unuttuğu kopyalar bunlardır
• Dış kaynakla geliştirilmiş bir sistemi sonradan şirket içine alabilir miyiz? Evet, yukarıdaki devir teslim listesi en baştan sözleşmede yer alıyorsa. Onu inşadan sonra eklemek daha zordur; çünkü iş henüz tazeyken kimse değerlendirme setini ya da runbook'ları yazmamıştır