← Ana sayfaEN
LisansYakında

İstem Mühendisliği

Büyük dil modelleriyle sistem kurmak: istemden bağlam, RAG, ajan ve doğrulayıcılı döngüye

Kredi / AKTS
3 / 3
Öğretim dili
Türkçe

Ders tanımı

Yapay zekâ araçları artık pek çok mesleğin günlük iş akışının parçası. Bu araçlarla verimli çalışmak ise "iyi soru sormaktan" fazlasını gerektiriyor: modele hangi bilginin verileceğini, hangi araçların kullanılacağını ve sürecin ne zaman duracağını sistematik biçimde tasarlamak bir mühendislik becerisidir. Bu ders, söz konusu beceriyi sıfırdan ve uygulamalı olarak kazandırır.

Ders, iyi istem yazma becerisini temel alır ve onu dört katmanda kademeli olarak bir mühendislik yetkinliğine dönüştürür:

  • İstem: modele iyi sormak; sistem ve kullanıcı mesajı, örnekle öğretme, JSON gibi düzenli çıktı
  • Bağlam: doğru bilgiyi doğru sırayla ve az gürültüyle masaya koymak; belgeden cevap üretme (RAG)
  • Harness: modele hangi araçları, hangi izinle vereceğini belirlemek; araç kullanan ajanlar
  • Döngü: yaz → kontrol et → düzelt → bitince dur; doğrulayıcı, adım limiti ve log ile otomatik çevrim

Bilgisayar Mühendisliği 4. sınıf seçmeli dersidir. Bulut modellerine tek anahtarla OpenRouter üzerinden, yerel modellere Ollama ve LM Studio ile erişilir. Her hafta yaklaşık 100 dakika teori ve 65 dakika laboratuvardan oluşur; dönem, gerçek bir probleme küçük ama çalışan bir çözüm (MVP) üreten grup projesiyle biter.

Önkoşullar Yeterli: ChatGPT veya Claude gibi bir aracı en az bir kez denemiş olmak. Ders için ideal: temel Python bilgisi (değişken, fonksiyon, dosya okuma) ve komut satırına aşinalık. Zorunlu değil ama faydalı: makine öğrenmesi veya derin öğrenme dersi; yazılım mühendisliği pratiği (test yazma, Git kullanımı).

Öğrenme çıktıları

Bu dersi başarıyla tamamlayan öğrenci:

  1. 1Büyük dil modellerinin (LLM) temel çalışma prensiplerini (tokenizasyon, BPE, token embedding) açıklar
  2. 2Etkili istemler tasarlar, istemleri sürümler ve model çıktısını form veya JSON gibi düzenli bir formatta alır
  3. 3Bulut API (OpenRouter) veya yerel model ile denemeler yapar; model yönlendirme (routing) fikrini kavrar
  4. 4Modele verilen bilgiyi (bağlamı) bilinçli biçimde yönetir ve bağlam kaynaklı hataları tanımlar
  5. 5Kendi belgelerinden cevap üreten basit bir RAG sistemi kurar (parçalama, gömme, kaynak gösterme)
  6. 6Araç kullanan basit bir ajan geliştirir
  7. 7Doğrulayıcı, adım limiti, araç izinleri ve temel gözlem log'u içeren küçük bir döngü ve mini koşum ortamı (harness) kurar
  8. 8Başlıca güvenlik risklerini, temel korkuluk (guardrail) fikrini ve etik sorumlulukları örneklerle açıklar
  9. 9Gerçek bir probleme küçük ama çalışan bir çözüm (MVP) üretir

Haftalık plan

HaftaKonuOkuma ve çalışmalar
1Üretken yapay zekâya giriş: yapay zekâ, makine öğrenmesi ve üretken modeller; güncel model aileleri; istem → bağlam → harness → döngü haritasıDerste gözlem defteri: iki sohbet aracında 5 görev
2Model kabaca nasıl çalışır: parçalama (tokenization, BPE), token gömme, dikkat mekanizması, sonraki token tahmini, sıcaklıkLab: Türkçe bir cümleyi token'lara bölüp saymak
3İstem yazma, OpenRouter API ve düzenli çıktı: sistem ve kullanıcı mesajı, örnekle öğretme (few-shot), JSON; model yönlendirmeÖdev: few-shot ve JSON çıktı, iki modelle karşılaştırma; istem ayrı dosyada
4Daha iyi istemler ve ilk güvenlik uyarısı: net talimat, bölüm ayırıcılar, persona, istem enjeksiyonu ve jailbreak
5Bilgisayarınızda model çalıştırmak: Ollama (komut satırı ve API) ve LM Studio
6Bağlam mühendisliği: bağlamın anatomisi, dikkat bütçesi, bağlam çürümesi, sıkıştırma (compaction) ve ihtiyaç anında bağlamÖdev: hangi strateji hangi durumda etkili, 1 sayfalık rapor
7Ara sınav (vize)Hafta 1–6: kavramlar, istem yazma ve kısa kod okuma (60 dakika)
8RAG: belgelerinizden cevap üretmek; parçalama, örtüşme, gömme, Chroma, kaynak göstermeLab: 3 PDF ile soru-cevap
9Modern RAG iyileştirmeleri: hibrit arama, yeniden sıralama, sorgu yeniden yazma, HyDE, bağlamsal ve geç parçalama; RAGAS metrikleriÖdev: naive RAG ile bir modern tekniği aynı 5 soruda karşılaştırma
10Ajanlar: araç kullanan yapay zekâ; araç çağırma (function calling), ReAct; araç tanımları da bağlamın parçasıFinal projesi duyurulur
11Döngü ve harness: hedef, adım limiti, doğrulayıcı, araç izin listesi ve logLab ve ödev: en fazla 5 adımlı ajan ve 5 test
12Güvenlik, etik ve "iyi çalışıyor mu?" kontrolü: OWASP LLM Top 10 (LLM01, LLM06, LLM10), korkuluklar, küçük değerlendirme seti
13–14Proje sunumları ve kapanışGrup başına 15–20 dakika; canlı demo zorunlu

Değerlendirme

%40Vize%60Final
VizeToplam 0 puan
    FinalToplam 0 puan

      Kaynaklar

      Ders kuralları

      Değerlendirme: Kısa ödevler (her biri yaklaşık 1–3 saat; tek script ve kısa not), Hafta 1–6 konularını kapsayan ara sınav (kavramlar, istem yazma ve kısa kod okuma) ve grup final projesi. Ödev notu vize notuna karışmaz.

      Yapay zekâ kullanımı: Bu ders yapay zekâ araçlarıyla çalışmayı öğrettiği için ödevlerde ve projede bu araçları kullanmak serbesttir. Hangi aracı ne için kullandığınızı teslimdeki kısa notta belirtin. Teslim ettiğiniz her satırı açıklayabilmelisiniz; vize ve proje sunumunda bu sorgulanır. Model uydurabilir; çıktıyı doğrulamak sizin sorumluluğunuzdur. API anahtarı ve kişisel veri asla isteme veya repoya girmez.

      Final projesi (MVP): 2–3 kişilik gruplar; Hafta 8'den sonra duyurulur, Hafta 13–14'te canlı demoyla sunulur. Zorunlu bileşenler: çalışan kod ve kurulumu anlatan README; hangi istemlerin neden kullanıldığını açıklayan kısa belge; ya belge tabanlı soru-cevap sistemi (RAG) ya araç kullanan ajan; en az 5 otomatik kontrol içeren doğrulayıcı (golden set); RAG'de kaynak ve alıntı, ajanda token ve süre log'u; yarım sayfalık etik değerlendirme notu (uydurma riski, önyargı riski, kullanıcıya yapay zekâ cevabı olduğunun bildirilmesi). Teslim: GitHub deposu, dokümantasyon, 3–5 dakikalık demo videosu, sunum (PDF) ve 5–10 sayfalık rapor.