Genel Bakış MLOps Mühendisi, veri bilimi ile üretim ortamı arasındaki köprüyü kurar ve makine öğrenmesi modellerinin güvenilir, ölçeklenebilir ve güvenli şekilde devreye alınmasından sorumludur. Şirketimizin AI ajanlarını ve e-ticaret kişiselleştirme sistemlerini besleyen modelleri operasyonel hale getireceksiniz. Tahmine dayalı analitik ve öneri motorlarının sürekli entegrasyonunu, teslimini ve izlenmesini sağlayacaksınız. Staj Detayları • Süre: 3 ay • Başlangıç tarihi: Hemen • Çalışma şekli: Uzaktan • Ücret: Başlangıçta ücret ödenmemektedir. İlk çeyrekteki performansınıza bağlı olarak ücretli tam zamanlı bir pozisyon teklif edilebilir ya da doğrudan müşteri tarafından tam zamanlı çalışan (FTE) olarak işe alınabilirsiniz. Sorumluluklar ve Temel Projeler Statik modelleri sürekli gelişen üretim sistemlerine dönüştüren otomasyon altyapısını kuracaksınız. • Model CI/CD Hatları: Makine öğrenmesi yaşam döngüsüne özel, sağlam CI/CD hatları tasarlayıp kuracaksınız. Bu hatlar otomatik model eğitimi, doğrulama ve dağıtımını kapsayacak ve şirketin ana Makefile CI/CD yapılandırmasıyla entegre çalışacaktır. • Model İzleme ve Takip: Model performansı için (ör. veri kayması tespiti, tahmin doğruluğu, gecikme süresi) kapsamlı izleme ve uyarı sistemleri kuracaksınız. Deneyleri ve model çıktılarını sürüm kontrol araçlarıyla takip edeceksiniz. • Üretim Dağıtımı: AI ajanlarını ve e-ticaret hizmetlerini besleyen ML modellerini operasyonel hale getireceksiniz. Bu modellerin NestJS modüler monolit mimarisiyle sorunsuz entegre olmasını sağlayacaksınız. • Sürümleme ve Özellik Depoları: Model sürümlerini ve soy ağacını (lineage) yöneteceksiniz. Eğitim ve servis aşamalarında tutarlı veri sağlamak için merkezi bir Özellik Deposu (Feature Store) tasarımı ve bakımında iş birliği yapacaksınız. • Deney Altyapısı: Üretim ortamında (e-ticaret vitrini) farklı model sürümleri ya da kişiselleştirme stratejileri için A/B testlerine yönelik altyapıyı kurup yöneteceksiniz. • Yeniden Eğitim İş Akışları: Veri kayması ya da performans düşüşü tetikleyicilerine dayalı model yeniden eğitim iş akışlarını tanımlayıp otomatikleştireceksiniz. Böylece modeller dinamik tedarik zinciri ve müşteri davranışlarına uygun kalacaktır. Aranan Teknolojiler ve Araçlar Adaylarda üretim ortamında ML ve MLOps için kullanılan araç ve yöntemlerde uygulamalı deneyim bulunmalıdır. • MLOps Araçları: Model kayıt defterleri, deney takibi ve servis platformları (ör. MLflow, Kubeflow, Sagemaker) deneyimi. • CI/CD ve Otomasyon: Python/Bash betikleriyle hat oluşturma becerisi; Docker ve Terraform deneyimi. • Veri ve Hesaplama: ML için veri hatlarını (ETL/ELT) yönetme ve eğitim ile çıkarım için hesaplama kaynaklarını optimize etme deneyimi. • Programlama: Güçlü Python bilgisi; dağıtım entegrasyonu için TypeScript/Node.js aşinalığı. • Metodoloji: MLOps en iyi uygulamaları, sorumlu yapay zekâ ilkeleri ve izleme kavramları hakkında derin bilgi. AI Ajan Odağı Çekirdek AI katmanının güvenilirliğini ve sürekli iyileşmesini sağlayacaksınız. • LLM Operasyonelleştirme: AI ajanlarında kullanılan Büyük Dil Modellerinin (LLM) ince ayarı, doğrulanması ve dağıtımı için özel hatlar kuracaksınız. • Ajan Performans Takibi: Çoklu ajan sistemlerinin ve öneri motorlarının iş etkisini ve operasyonel verimliliğini ölçen metrik ve takip sistemleri geliştireceksiniz. • Çerçeve Entegrasyonu: LangChain veya LlamaIndex gibi çerçevelerle geliştirilmiş modelleri, üretim ortamında güvenli, sürümlenmiş ve ölçeklenebilir hale getireceksiniz. Başarı Ölçütleri ve Kariyer Yolu Performans şu ölçütlerle değerlendirilecektir: • Dağıtım hızı: Yeni veya yeniden eğitilmiş modellerin üretime alınmasındaki hız ve güvenilirlik. • Model performansı: Üretimde model doğruluğunun korunması ve performans kaymasının en aza indirilmesi. • Hat otomasyonu: ML yaşam döngüsünün (eğitim, doğrulama, dağıtım) tamamen otomatikleştirilen yüzdesi. Mentorluk Yapısı: Çözüm Mimarı ya da Teknoloji Direktörüne raporlayacaksınız. Güvenilir bir AI ekosistemi sürdürmek için Veri Mimarları, Veri Bilimcileri ve SRE ekipleriyle yakın iş birliği yapacaksınız.