Yapay Zeka Mühendisi (AI/ML) Mülakat Soruları
Makine öğrenmesi, derin öğrenme, LLM ve üretken yapay zeka, RAG, MLOps ve istatistik üzerine yapay zeka mühendisi mülakat soruları.
58 soru
- RAG'de chunking stratejisi, hybrid search ve reranker neden önemlidir? Retrieval kalitesi düşükse ne yaparsınız?
- Şirket içi dokümanlar (Confluence, PDF, wiki) üzerinde soru cevaplayan bir RAG sistemi tasarlayın.
- Hangi prompt engineering tekniklerini kullanırsınız? Few-shot ve chain-of-thought ne zaman işe yarar?
- LLM'lerde temperature, top-k ve top-p (nucleus) sampling parametreleri ne işe yarar?
- Normal, binom ve Poisson dağılımlarını ne zaman kullanırsınız? Stratified sampling ve sampling bias nedir?
- Korelasyon ve nedensellik (causation) arasındaki fark nedir? ML projelerinde bu neden önemlidir?
- Merkezi limit teoremi (Central Limit Theorem) nedir? Pratikte neden bu kadar önemlidir?
- Hipotez testi ve p-value nedir? p-value'nun en yaygın yanlış yorumları nelerdir?
- Bayes teoremi nedir? Nadir bir hastalık testi örneğiyle açıklayın.
- ML sistemleri için CI/CD nasıl kurulur? Klasik yazılım CI/CD'sinden farkı nedir?
- GPU'da model inference'ını nasıl optimize edersiniz? Throughput ve latency arasındaki trade-off'u açıklayın.
- Yeni bir modeli production'a güvenli şekilde nasıl çıkarırsınız? Shadow deployment, canary ve A/B testi karşılaştırın.
- Bir ML modelini tekrarlanabilir (reproducible) hale getirmek ve versiyonlamak için neler yaparsınız?
- Feature store nedir? Training-serving skew problemini nasıl çözer?
- Experiment tracking neden önemlidir? MLflow ile neleri takip edersiniz?
- Data drift ve concept drift arasındaki fark nedir? Production'da nasıl tespit edersiniz?
- Batch inference ile online (real-time) inference arasındaki fark nedir? Hangisini ne zaman seçersiniz?
- Production'daki bir LLM uygulamasında maliyeti ve gecikmeyi (latency) nasıl düşürürsünüz?
- Prompt injection nedir? LLM tabanlı bir uygulamayı ve agent'ı buna karşı nasıl korursunuz?
- Bir LLM uygulamasını nasıl değerlendirirsiniz? Benchmark'lar ve LLM-as-judge yaklaşımının sınırlamaları nelerdir?
- Function calling (tool use) nasıl çalışır? Basit bir LLM agent döngüsü nasıl kurulur?
- Model quantization nedir? FP16, BF16, INT8 ve INT4 arasındaki trade-off'lar nelerdir? 70B bir model için ne kadar VRAM gerekir?
- LoRA ve QLoRA nasıl çalışır? Rank (r) ve alpha nasıl seçilir?
- Prompting, RAG ve fine-tuning arasında nasıl seçim yaparsınız?
- LLM halüsinasyonu nedir, neden oluşur? Production'da nasıl azaltır ve ölçersiniz?
- KV cache nedir, neden gereklidir? Bellek maliyetini nasıl hesaplarsınız ve nasıl azaltılır?
- Bir LLM nasıl eğitilir? Pretraining, SFT ve RLHF/DPO aşamalarını açıklayın.
- Tokenization nedir? BPE nasıl çalışır ve token sayısı neden önemlidir?
- NumPy ile sayısal olarak kararlı (numerically stable) softmax ve cross-entropy loss yazın. Logit'lere göre gradyanı nedir?
- PyTorch ile bir sınıflandırma modeli için eksiksiz bir training loop yazın. Hangi adımlar sık unutulur?
- Transfer learning nedir? Önceden eğitilmiş bir modeli küçük bir veri setine nasıl fine-tune edersiniz?
- Embedding nedir? One-hot encoding'e göre avantajı nedir ve nerelerde kullanılır?
- Transformer mimarisini anlatın. Encoder-only, decoder-only ve encoder-decoder modeller arasındaki fark nedir?
- Self-attention nasıl çalışır? Scaled dot-product attention'ı NumPy ile yazın ve neden sqrt(d_k) ile bölündüğünü açıklayın.
- RNN ve LSTM nasıl çalışır? Transformer'lar neden büyük ölçüde onların yerini aldı?
- CNN'in temel yapı taşları nelerdir? Convolution katmanının çıktı boyutunu nasıl hesaplarsınız?
- SGD with momentum, Adam ve AdamW optimizer'ları arasındaki fark nedir? AdamW neden ortaya çıktı?
- Dropout nasıl çalışır? Eğitim ve inference sırasında davranışı neden farklıdır?
- Batch Normalization ile Layer Normalization arasındaki fark nedir? Transformer'larda neden LayerNorm kullanılır?
- Vanishing ve exploding gradient problemi nedir? Nasıl çözülür?
- Aktivasyon fonksiyonları neden gereklidir? ReLU, sigmoid, tanh ve GELU'yu karşılaştırın.
- Backpropagation nasıl çalışır? İki katmanlı basit bir ağ için gradyanları adım adım gösterin.
- Hiperparametre optimizasyonunu nasıl yaparsınız? Grid search, random search ve Bayesian optimization'ı karşılaştırın.
- Feature scaling nedir? Standardization ile normalization arasındaki fark nedir ve hangi modeller ölçeklendirme gerektirir?
- PCA (Principal Component Analysis) nasıl çalışır? Ne zaman kullanılır, ne zaman kullanılmamalıdır?
- NumPy kullanarak k-means algoritmasını sıfırdan yazın. k değerini nasıl seçersiniz ve algoritmanın sınırlamaları nelerdir?
- XGBoost ve LightGBM klasik gradient boosting'den hangi açılardan farklıdır? En önemli hiperparametreleri nelerdir?
- Random Forest ile Gradient Boosting arasındaki fark nedir? Bagging ve boosting'i karşılaştırın.
- Lineer regresyon ile lojistik regresyon arasındaki fark nedir? Lojistik regresyonda neden MSE yerine log-loss kullanılır?
- Batch gradient descent, stochastic gradient descent (SGD) ve mini-batch gradient descent arasındaki fark nedir?
- Dengesiz (imbalanced) bir veri setiyle nasıl başa çıkarsınız? Örneğin %0.5 fraud oranı.
- ROC-AUC ile PR-AUC arasındaki fark nedir? Dengesiz veri setinde hangisine bakarsınız?
- Precision, recall ve F1-score nedir? Hangisini ne zaman önceliklendirirsiniz?
- Data leakage nedir? Gerçek projelerden örnekler verin ve nasıl önlersiniz?
- Cross-validation nedir? Zaman serisi verisinde neden standart k-fold kullanılmaz?
- L1 ve L2 regularization arasındaki fark nedir? L1 neden sparse (seyrek) ağırlıklar üretir?
- Modeliniz train setinde %99, validation setinde %72 doğruluk veriyor. Adım adım ne yaparsınız?
- Bias-variance tradeoff (yanlılık-varyans dengesi) nedir?