ML Mühendisi Mülakat Hazırlığı: Çoğu Adayın Görmezden Geldiği 3 Sütun Rehberi

Özet: ML mühendisi mülakat hazırlığında en yaygın hata, bunu tek boyutlu bir sorun olarak ele almaktır. Gerçek format birbirinden farklı üç sütundan oluşur — ML temelleri, MLOps sistem tasarımı ve davranışsal turlar — oysa adayların büyük çoğunluğu yalnızca birini optimize eder. AceRound AI gibi bir AI mülakat asistanı, hem hatırlama hem de ifade etme kapasitesinin aynı anda zorlandığı canlı mülakatlar sırasında üç sütunu aynı anda taşımanıza yardımcı olur.

Bay Area'daki ML mühendisi adaylarının yalnızca yüzde 3,6'sı başvurdukları pozisyonlardan teklif alabilmektedir. Bu oran büyük teknoloji merkezleri dışında yüzde 1,4'e düşmektedir. Towards Data Science'ın 2024 yılında yüzlerce ML mülakat sürecini analiz ettiği araştırma, iş ilanlarının yüzde 72'sinin aradıkları deneyim seviyesini dahi belirtmediğini ortaya koydu; bu da adayların hangi mülakat formatıyla karşılaşacaklarına dair güvenilir bir sinyal olmadan odaya girdikleri anlamına gelmektedir.

Geçmeyi başaran adayların ortak bir özelliği vardır: yalnızca zaten rahat oldukları aşamayı değil, üç aşamanın tamamını hazırladılar.

Türkiye'de METU (Orta Doğu Teknik Üniversitesi), Boğaziçi Üniversitesi ve Bilkent Üniversitesi'nden mezun ML mühendisleri, hem yurt içindeki şirketlere hem de Avrupa ve ABD'deki nearshore veya uzaktan pozisyonlara giderek daha fazla başvurmaktadır. Bu rollerin tamamında uluslararası standartlarda yapılandırılmış mülakat süreçleriyle karşılaşmak kaçınılmazdır.

3 Sütun Sorunu: ML Mühendislerinin Yüzde 60'ı Neden Sistem Tasarımında Elenir

Her ML mühendisi mülakat süreci, hiçbir hazırlık rehberinin doğrudan ele almadığı aynı yapısal sorunla karşı karşıyadır. Üç tur tamamen farklı düşünme modları gerektirir:

Sütun 1 — ML Temelleri: İstatistiksel türevler, algoritma mekaniği, değerlendirme metrikleri, bias-variance tradeoff. Bu, baskı altında hafıza testidir. Gradient descent güncelleme kuralını ya hatırlarsınız ya hatırlamazsınız.

Sütun 2 — MLOps Sistem Tasarımı: Üretim sistemi mimarisi, feature store, model servis altyapısı, A/B testing framework, monitoring ve drift tespiti. Bu, belirsizlik altında yargılama testidir. Tek doğru yanıt yoktur — yalnızca daha iyi veya daha kötü trade-off muhakemesi vardır.

Sütun 3 — Davranışsal: Ownership sinyalleri, etki çerçeveleme, kısıtlamalar altında iş birliği, başarısızlık yönetimi. Bu, yapılandırılmış anlatı testidir. Görüşmeciler aldığınız spesifik kararları ve ardından gelen spesifik sonuçları duymak ister.

Adayların büyük çoğunluğu hazırlık süresinin yüzde 80'ini LeetCode'a (Sütun 1 kapsamına girer) ve yüzde 20'sini sistem tasarımına ayırır. Davranışsal tura bir önceki gece on beş dakika ayrılır. Bu, başarısızlıkların gerçekte toplandığı yerle tam olarak ters orantılıdır.

İşe alım yöneticisi geri bildirimlerinde tekrar eden şablon şudur: matematiği ezbere bilen junior ML mühendisleri temel bilgiler ve kodlama turunu geçer, ardından "gerçek zamanlı dolandırıcılık tespiti için bir ML sistemi tasarlayın" sorusuyla sarsılır — çünkü model gecikmesi, feature tazeliği, feedback loop ve monitoring üzerinde aynı anda muhakeme yürütmek zorunda kalmamışlardır. Ya da sistem tasarımını geçip davranışsal turda düşerler; çünkü mülakat baskısı altında ownership sinyallerini ("tam olarak siz ne karar verdıniz?") ifade edemezler.

ML Mühendisi Mülakat Soruları: Gerçekte Ne Soruluyor?

En önemli machine learning mülakat soruları genel soru-cevap listelerinde neredeyse hiç yer almaz. FAANG'dan orta ölçekli startuplara kadar gerçek ML mühendisi mülakatlarında tekrar tekrar karşılaşılanlar şunlardır:

Deneyimli adayları bile tökezleten temel sorular:

• "L1 ve L2 regularization'ın sezgisini açıklayın; her birini ne zaman tercih edersiniz?"
• "Modeliniz validation set'te yüzde 95 accuracy elde ediyor, ancak production'da yüzde 12 underperform ediyor. Teşhis sürecinizi anlatın."
• "Pozitif sınıfın yüzde 0,1 olduğu bir veri setindeki class imbalance'ı nasıl ele alırsınız?"
• "Bias-variance tradeoff'u error curve'lerinizde fiilen gözlemleyeceğiniz şeyler açısından açıklayın."

Çoğu soru listesinde göze çarpan biçimde eksik olanlar:

• Production failure modları hakkında sorular
• Zamanla distribution shift altında model davranışı hakkında sorular
• Business metric ile ML metric çatışmaları hakkında sorular

Kariyer.net ve LinkedIn Türkiye aracılığıyla iş arayan ya da Avrupa şirketlerine nearshore başvuru yapan adaylar için bu üç boyut giderek daha fazla önem kazanmaktadır.

MLOps Sistem Tasarımı Mülakatı: Junior Adayların Kıdem Puanlarını Kaybettiği Yer

MLOps sistem tasarımı mülakatı, ML sistemleri göndermiş adaylarla yalnızca notebook'larda model eğitmiş adayları birbirinden ayıran turdur.

"İçerik öneri için bir ML sistemi tasarlayın" sorusuyla karşılaşan junior aday doğrudan model mimarisine atlar. Senior aday kısıtlamalarla başlar: "Latency gereksinimi nedir? Veri tazeliği gereksinimi nedir? Etkileşim için mi yoksa spesifik bir downstream business metric için mi optimize ediyoruz?"

Üretim olgunluğuna işaret eden sorular:

• Feature store tasarımı: Training-serving skew'ü nasıl ele alırsınız?
• Model servis: Latency bütçesi nedir ve bu inference stratejinizi nasıl etkiler?
• A/B testing: Novelty effect'leri nasıl yönetirsiniz?
• Monitoring ve drift tespiti: Data drift ile concept drift'i nasıl ayırt edersiniz?
• Feedback loop: Modelin kendi çıktıları gelecekteki eğitim verilerini etkilediğinde model kalitesine ne olur?

Tutarlı biçimde işe yarayan yaklaşım: mimariden önce kısıtlamalarla liderlik etmek.

ML Mühendisleri İçin Davranışsal Mülakat: Herkesin Küçümsediği Tur

Davranışsal tur, teknik açıdan garantilemiş görünen ML adaylarının teklifi kaybettiği yerdir. ML mühendisleri uzun feedback loop'larla çalışır — bir modelin eğitilmesi, deploy edilmesi ve doğrulanması haftalar alır. Bir karar ile atfedilebilir sonuç arasındaki nedensellik zinciri uzun ve gürültülüdür. Bu durum, keskin davranışsal hikayeler oluşturmayı zorlaştırır.

Görüşmeciler ownership sinyalleri dinler — sizin belirli bir karar aldığınızın ve bu kararın gerekçesini ve sonucunu özgüllükle tanımlayabildiğinizin kanıtı. En yaygın başarısızlık: adayların "biz" ne yaptık diye anlatması, ama "ben" ne karar verdim diyememesi.

Mülakatten önce: ML'e özgü, sonuç doğuran bir karar aldığınız 5-8 durum yazın.

Davranışsal sorular sırasında: Yanıtınızı sonuca değil, karara göre yapılandırın.

Senior/Staff ML rolleri için: Özellikle başarısızlık üzerine davranışsal sorular bekleyin.

AI Mülakat Asistanı ML Mülakat Hazırlığını Nasıl Dönüştürür?

Sistem tasarımı turuna hazırlanan ML mühendisleri kavramları genellikle bilir — feature store, model monitoring, drift detection — ancak yakın zamanda sözle ifade etmedikleri bir trade-off'u açıklamaları istendiğinde duraksarlar.

AceRound AI (aceround.app) gibi bir AI mülakat asistanı, ilgili framework'ü tam o anda yüzeye çıkararak bağlamın taze olduğu bir anda sözlü yanıtınızı yapılandırmanıza olanak tanır. Davranışsal turlarda ise kendi deneyimlerinizden doğru hikayeyi hızla bulmanıza yardımcı olur.

Bu, İngilizce'yi ikinci dil olarak kullanan ML mühendisleri için özellikle değerlidir. Avrupa ve ABD şirketleriyle İngilizce mülakat yapan Türk teknoloji profesyonelleri için — teknik içeriği akılda tutarken ifade ve format konusunda da navigasyon yapmak — gerçek bir bilişsel yük oluşturur ve AI desteği bu yükü önemli ölçüde azaltır.

Kıdem Düzeyine Göre Hazırlık Takvimi

Junior ML Mühendisi (0–3 yıl):

• 1–3. Haftalar: ML temelleri (istatistik, klasik ML, değerlendirme metrikleri, kodlama)
• 4–5. Haftalar: MLOps temelleri
• 6. Hafta: Proje çalışmalarından davranışsal hikayeler
• Sürekli: ML mülakat kodlama soruları (LeetCode orta seviye)

Senior ML Mühendisi (3–7 yıl):

• 1–2. Haftalar: Temelleri tazeleme
• 3–5. Haftalar: MLOps sistem tasarımı yoğun çalışması (10 uçtan uca problem)
• 6–7. Haftalar: Davranışsal denetim (8-10 karar hikayesi)
• 8. Hafta: Üç sütunun tamamını kapsayan tam kapsamlı mock mülakat

Staff / Principal ML Mühendisi:

• Temeller ve kodlama standardının karşılandığı varsayılır
• Sistem tasarımı: çapraz fonksiyonlu trade-off'lar, organizasyonel kısıtlamalar
• Davranışsal: "alignment sağlamak" ve "yetki olmadan etki etmek"
• Süre: 4–6 hafta

---

Sık Sorulan Sorular

"Karmaşık modeller geliştiriyorsam neden hazırlığa ihtiyacım var?" Mülakatlar bilgiyi ifade edip edemediğinizi test eder, yalnızca uygulayıp uygulayamadığınızı değil. Hedef, baskı altında bildiklerinizi söylenebilir kılmaktır.

"Doğru kodlama hazırlık stratejisi nedir?" Problem sayısından çok örüntü tanıma. Açıklayamadığınız 300 problemden, gerçekten anladığınız 50 LeetCode orta seviye problemi daha değerlidir.

"Mevcut işveren pazarında nasıl öne çıkabilirim?" Production deployment deneyimi. Gerçekten çalışmaya göndermiş, feedback loop'larla ilgilenmiş ve yeniden eğitim kararları almış adaylar, daha güçlü akademik geçmişe sahip olanlara karşı rekabette öne çıkar.

"Sistem tasarımında feature engineering'e atlamaktan nasıl kaçınırım?" Kısıtlamalarla liderlik edin. Latency gereksinimleri, business metrikler, yeniden eğitim fizibilitesiyle başlayın — ardından mimariyi önerin.

"Startup ile FAANG'da ML mülakatı nasıl farklılaşır?" FAANG: yapılandırılmış, büyük ölçekli sistem tasarımı, ML temelleri ağır. Startup: genellikle alıp götürülebilir proje, pragmatik trade-off'lar, gönderim hızı.

"5 yıl sonra kendinizi nerede görüyorsunuz?" Büyüme yörüngenizin rol kapsamıyla örtüştüğünü gösterin — liderlik, derin bireysel katkı veya araştırma.

---

Yazar · Alex Chen. Kariyer danışmanı ve eski teknoloji recruiter'ı. Adaylara yardım etmek için geçiş yapmadan önce 5 yıl işveren tarafında geçirdi. Ders kitabı tavsiyeleri değil, gerçek mülakat dinamikleri üzerine yazar.