Artificial Intelligence Engineer · IstanbulYapay Zeka Mühendisi · İstanbul
An engineer who speaks the language of electronics, understands the soul of software, and teaches machines to think. Elektroniğin diline konuşan, yazılımın ruhunu anlayan, makinelere düşünmeyi öğreten bir mühendis.
Four years learning the grammar of electricity. The thesis was the first real encounter with AI: a sentiment analysis model in Python. Teaching a machine to read human emotion felt like magic then. It still does. Dört yıl elektriğin dilbilgisini öğrenmek. Bitirme tezi ise yapay zekayla ilk gerçek karşılaşma oldu: Python ile geliştirilmiş bir duygu analizi modeli. O günlerde bir makineye insan duygusunu okutmak sihir gibi hissettiriyordu. Hâlâ öyle.
The first step: descending into the veins of a city. Monitoring Istanbul's underground rail infrastructure — engineering leaping from theory into life. AutoCAD drawings in hand, boots on the ground.İlk adım bir şehrin damarlarına inmekle oldu. İstanbul'un raylı sistemlerini izlemek — mühendislik teoriden hayata sıçrıyordu. Elinde AutoCAD, ayakta saha.
Robotics. Writing C for STM microcontrollers, designing PCBs in Altium. Living at the thin boundary between hardware and software — becoming one of the rare people who could speak both at once.Robotik. STM mikrodenetleyiciler için C yazıyordu, Altium'da PCB tasarlıyordu. Donanım ile yazılımın ince sınırında, ikisini aynı anda konuşabilen nadir insanlardan biri oluyordu.
A few weeks, a spark. Working with Python and SQL, she noticed: there's a language inside data, and she wanted to learn it. This brief internship seeded the curiosity of the years ahead.Birkaç hafta, bir kıvılcım. Python ve SQL ile çalışırken fark etti: verinin içinde bir dil var ve onu öğrenmek istiyor. Bu kısa staj, ilerleyen yılların merakını tohumladı.
The heaviest responsibility yet: military ships. FAT and HAT procedures, connection diagrams, inter-system agreements — behind every document was the safety of a vessel. Precision here wasn't a habit; it was a necessity.En ağır sorumluluk: askeri gemiler. FAT ve HAT prosedürleri, bağlantı şemaları, sistemler arası teknik anlaşmalar — her belgenin ardında bir geminin güvenliği vardı. Ayrıntı hassasiyeti burada zorunluluktu.
First step in the defense industry — working a few metres above large-scale aerospace production. Integration activities, system-level nonconformities, daily reporting. Learning what it meant to be a small but critical part of a very large machine.Savunma sanayiine ilk adım — büyük ölçekli havacılık üretiminin birkaç metre üzerinde çalışmak. Entegrasyon faaliyetleri, sistem düzeyinde uygunsuzluklar, günlük raporlar. Büyük bir makinenin küçük ama kritik parçası olmak nasıl bir şeydi, öğrendi.
Transforming the production line itself. Robotic automation, digitalization — now thinking not about the end product, but about the factory that builds it. The perspective widened, the scale grew.Üretim hattının kendisini dönüştürmek. Robotik otomasyon, dijitalleşme — artık ürünü değil, onu üreten fabrikayı düşünüyordu. Bakış açısı genişledi.
And finally, everything came together. Years of curiosity, accumulated discipline, the precision the field taught — all converging in the delicate craft of artificial intelligence.Ve sonunda her şey bir araya geldi. Yıllarca taşınan merak, biriken disiplin, sahanın öğrettiği titizlik — hepsi yapay zekanın ince işçiliğinde buluştu.
Two questions the procurement team asked every day: How long will this take? And: Will it arrive on time? The answer became a machine. Two XGBoost models trained on ERP purchase data — one predicts delivery lead time in days, the other scores delay risk as a probability. Both running in production.Satın alma ekibinin her gün sorduğu iki soru: Bu ne kadar sürecek? Ve: Zamanında gelecek mi? Yanıt bir makine oldu. ERP satın alma verilerinde eğitilmiş iki XGBoost modeli — biri teslimat süresini tahmin ediyor, diğeri gecikme riskini skorluyor. İkisi de production'da.
The pipeline combines feature engineering and hyperparameter tuning techniques with a machine learning model. A FastAPI backend serves predictions; a React dashboard surfaces risk scores and alarm flags.Pipeline, özellik mühendisliği ve hiperparametre optimizasyonu teknikleriyle bir makine öğrenmesi modelini birleştiriyor. FastAPI backend tahminleri sunuyor; React dashboard risk skorlarını ve alarm bayraklarını gösteriyor.
A hybrid BERT + SBERT model fine-tuned on Turkish technical text reached high classification accuracy across a large volume of records and multiple nonconformity types. It learned to recognize the same problem written a dozen different ways. Now in production, classifying field engineers' reports automatically.Türkçe teknik metin üzerinde fine-tune edilmiş hibrit BERT + SBERT modeli, yüksek hacimli kayıt ve çok sayıda uygunsuzluk türü üzerinde yüksek sınıflandırma doğruluğuna ulaştı. Artık production'da, saha mühendislerinin raporlarını otomatik sınıflandırıyor.
Three modules: Error Analysis scores every user by accuracy; Trend Analysis slices data across five chart types; the Suggestion System gives top-5 predictions with confidence scores and logs every correction to Excel.Üç modül: Hata Analizi her kullanıcıyı doğrulukla puanlıyor; Trend Analizi veriyi beş grafik tipiyle kesimlendiriyor; Öneri Sistemi top-5 tahmin veriyor ve her düzeltmeyi Excel'e kaydediyor.
Technical documentation — maintenance manuals, engineering standards — made conversational. Engineers ask their documents a question and receive a sourced, cited answer in seconds, without sending a single byte outside the network.Teknik belgeler — bakım kılavuzları, mühendislik standartları — konuşulabilir hale getirildi. Mühendisler belgelerine soru sorup ağ dışına tek byte göndermeden saniyeler içinde kaynaklı yanıt alıyor.
Uses section-aware chunking and a hybrid retrieval approach combining dense and sparse search. A locally hosted open-source LLM generates the answer. Citation validation catches hallucinated references. Fully offline — OCR fallback for scanned PDFs.Section-aware chunking ve yoğun/seyrek aramayı birleştiren hibrit retrieval yaklaşımı kullanıyor. Lokal olarak barındırılan açık kaynak bir LLM yanıtı üretiyor. Citation doğrulaması hallüsinasyonları yakalıyor. Tamamen çevrimdışı — taralı PDF'ler için OCR fallback.
Can we predict key engine performance parameters from sensor inputs alone — without running the engine? A physics-informed neural network with steady-state and transient operating modes, where the loss function enforces physically consistent outputs.Sadece sensör verilerinden temel motor performans parametrelerini tahmin edebilir miyiz — motoru çalıştırmadan? Steady-state ve geçiş modlarına sahip fizik destekli bir sinir ağı; loss fonksiyonu fiziksel olarak tutarlı çıktıları zorluyor.
Exports to ONNX and a C header file for embedded deployment — no Python runtime required. Phase 1 complete; infrastructure is production-grade.ONNX'e ve gömülü sistemler için C header dosyasına export ediliyor — Python runtime gerekmez. Faz 1 tamamlandı; altyapı production kalitesinde.
Not another chatbot — a reliability layer. Trace → Diff → Failure Classification → Regression. OTel-shaped spans, Git-versioned golden YAML, and deterministic failure codes (SCHEMA_INVALID, TOOL_ERROR, TIMEOUT, CYCLE) catch structural agent regressions — not wording flakes.Başka bir chatbot değil — güvenilirlik katmanı. Trace → Diff → Failure Classification → Regression. OTel-şekilli span'ler, Git'teki golden YAML ve deterministik hata kodları yapısal ajan regresyonlarını yakalıyor — cümle farkını değil.
A disposable LangGraph research workflow is the SUT. Positive goldens lock the happy path; negative goldens lock the failure taxonomy (CI can PASS when expected codes match). Same regress_suite powers CLI, FastAPI, and a minimal MCP tool.Atılabilir LangGraph araştırma workflow'u SUT. Positive golden'lar happy path'i; negative golden'lar hata taksonomisini kilitler (expected kodlar tutunca CI PASS). Aynı regress_suite CLI, FastAPI ve minimal MCP tool'unu besliyor.
With Yıldız Rover Team, a planetary exploration vehicle left its mark both on Earth and on the map of Mars. Two awards came home from Teknofest 2022.Yıldız Rover Team ile tasarlanan gezegen keşif aracı, hem Dünya'da hem Mars haritasında iz bıraktı. 2022'de Teknofest sahnesinden iki ödülle döndüler.
In language: Python — in models: BERT, SBERT, XGBoost — in architecture: RAG and embedding-based retrieval — in hardware: C and STM32 — in design: Altium and KiCad — in engineering tools: Matlab, ETAP, AutoCAD.Dil olarak Python — model olarak BERT, SBERT, XGBoost — mimari olarak RAG ve embedding tabanlı retrieval — donanım dilinde C ve STM32 — tasarım araçlarında Altium ve KiCad — mühendislik yazılımlarında Matlab, ETAP, AutoCAD.