Yapay Zekâ ve Makine Öğrenimi Staj Rehberi: Şirketler Portföyde Ne Görmek İstiyor?

Üniversitelerin bilgisayar, yapay zekâ ve veri mühendisliği bölümlerinden mezun olan yüz binlerce genç için staj bulmak her geçen yıl daha rekabetçi bir savaşa dönüşüyor. 2026 yılında insan kaynakları masalarına gelen yüzlerce özgeçmiş arasından sıyrılmanın tek bir yolu var: Gerçek dünyada çalışan, yaşayan ve mühendislik disiplini kokan bir portföy sunmak.

Eğer özgeçmişinizde hala “Titanik Hayatta Kalma Tahmini” veya “MNIST El Yazısı Rakam Tanıma” gibi 10 yıl öncesinin okul ödevleri duruyorsa, elenme riskiniz yüzde 95’tir. Şirketlerin teknik liderleri artık öğrencilerden oyuncak projeler değil, üretim standartlarına göz kırpan çözümler bekliyor.

---

Şirketlerin Görmekten Bıktığı ‘Kırmızı Çizgili’ Klişeler

İşe alım yöneticilerinin ilk 10 saniyede özgeçmişi çöpe atmasına neden olan modası geçmiş projeler:

• Kaggle Titanic / Boston Housing / Iris Çiçeği: İnternette yüz binlerce kopyası bulunan bu veri setleri artık sıfır mühendislik değeri taşımaktadır.
• Düz Streamlit Dashboard: Yalnızca 5 satırlık kodla bir Hugging Face modeline kutucuk açıp soru sormak portföy projesi sayılmaz.
• Sadece Jupyter Notebook (.ipynb) Paylaşmak: Modüler python dosyaları (.py), testler ve Docker yapısı içermeyen salt notebook’lar “öğrenci işi” olarak algılanır.

---

2026’da Sizi Mülakata Taşıyacak 4 Yıldız Portföy Projesi

Portföyünüze ekleyeceğiniz 4 güçlü proje, sizi staj arayan rakiplerinizin yüzde 99’unun önüne geçirir:

1. Çoklu Belgeli Kurumsal RAG Sistemi (Hybrid Search + Reranking)

• Ne Yapar: Yüzlerce sayfalık karmaşık PDF ve teknik dökümanı indeksler; hem vektör benzerliği (Dense) hem anahtar kelime araması (BM25) yaparak Cohere Rerank ile en doğru bağlamı bulur.
• Kullanılan Teknolojiler: Qdrant / Chroma, LangChain / LlamaIndex, FastAPI, Docker.
• Fark Yaratan Detay: Halüsinasyon skorunu ölçen bir değerlendirme (Evaluation) raporu ekleyin.

2. Unsloth ile 16GB GPU Üzerinde Özelleştirilmiş Model Fine-Tuning

• Ne Yapar: Llama 3.1 8B veya Mistral modelini belirli bir niş veri setiyle (örneğin Türk hukuk mevzuatı veya tıbbi semptom analizi) QLoRA yöntemiyle eğitir.
• Kullanılan Teknolojiler: Unsloth, Hugging Face Datasets, Weights & Biases (WandB).
• Fark Yaratan Detay: Eğitim öncesi ve eğitim sonrası Loss/Perplexity grafiklerini README’de karşılaştırın.

3. vLLM veya llama.cpp ile Canlıya Alınmış Çıkarım Mikroservisi

• Ne Yapar: Kuantize edilmiş bir açık kaynak modeli Docker konteyneri içinde ayağa kaldırır; streaming yanıtlar ve token sayacı barındıran OpenAI uyumlu bir API sunar.
• Kullanılan Teknolojiler: vLLM, Docker, GitHub Actions, Pytest.
• Fark Yaratan Detay: Saniyede kaç token ürettiğini gösteren bir yük testi (load test / locust) çıktısı paylaşın.

4. Çok Modlu (Multimodal) Otonom Ajan

• Ne Yapar: Kullanıcının yüklediği fatura veya teknik çizim görselini analiz eder, webde fiyat araştırması yapar ve e-posta taslağı oluşturarak dış servislere API çağrısı atar.
• Kullanılan Teknolojiler: Tool-calling, Pydantic, Claude Vision / Pixtral.

---

GitHub Deposunun Anatomisi: Profesyonel Mühendis Nasıl Görünür?

Kodunuz ne kadar zeki olursa olsun, sunumunuz kötüyse kimse onu çalıştırmaz. Her projenizde mutlaka şu yapı bulunmalıdır:

1. Görsel ve Mimari Şema: Sistemin nasıl çalıştığını gösteren şık bir Mermaid.js veya draw.io akış diyagramı.
2. Tek Satırla Çalıştırma Garantisi: docker-compose up --build komutuyla projenin sıfır konfigürasyonla çalışabilmesi.
3. Kapsamlı README: Projenin amacı, kullanılan modeller, gecikme metrikleri ve API uç noktalarının curl örnekleri.
4. Birim Testler (Unit Tests): Kodun kırılmadığını kanıtlayan en az 5-10 temel pytest testi.

---

Sonuç

2026 yapay zekâ staj pazarında kazananlar, en çok teorik formül ezberleyenler değil; fikri alıp çalışan bir sistem olarak ayağa kaldırabilen genç mühendislerdir. Portföyünüzdeki 3 tane canlı ve dockerize edilmiş proje, yüzlerce başvuru arasından sizin parlamanızı sağlayacaktır.