Baskı giderek artıyor. Artık neredeyse her geliştirici LinkedIn profiline "AI" ibaresini ekliyor. GitHub ise bir API anahtarı, basit bir sohbet ekranı ve birkaç saatlik çalışmayla hazırlanmış "İlk ChatGPT Wrapper Projem" uygulamalarıyla dolup taşıyor.

Bunlar öğrenmeye başlamak için kötü projeler değil. Ancak 2026'da dikkat çeken bir portföy oluşturmak için artık yeterli de değiller.

Bugün bir işverenin ya da teknik ekip liderinin görmek istediği şey, yalnızca bir modele istek gönderebildiğiniz değil. Asıl soru şu: Belirsiz ve karmaşık bir problemi parçalara ayırabiliyor, doğru veri kaynaklarını seçebiliyor, modelin sınırlarını yönetebiliyor ve bütün bu parçaları güvenilir bir ürün mimarisi içinde bir araya getirebiliyor musunuz?

Başka bir ifadeyle, AI geliştiriciliği artık yalnızca prompt yazmaktan ibaret değil. Veri, araçlar, hafıza, güvenlik, değerlendirme, maliyet ve kullanıcı deneyimi aynı sistem içinde buluşuyor.

Peki ne geliştirmelisiniz?

Aşağıdaki beş proje fikri, "Hello World" aşamasını geride bırakmanızı ve modern AI uygulamalarını tanımlayan temel problemlerle gerçekten uğraşmanızı sağlayabilir.

1. Bağlamı anlayan yaratıcı iş ortağı

Basit bir metin üreticisi geliştirmeyi unutun. Gerçek anlamda işbirliği yapabilen bir yazı asistanı tasarlayın.

Bu araç, kullanıcının verdiği tek bir komuttan blog yazısı üretip kenara çekilmemeli. Fikir geliştirme sürecine katılmalı, uzun bir doküman boyunca anlatım biçimini korumalı, önceki düzeltmeleri hatırlamalı ve gerektiğinde güncel kaynaklardan bilgi toplayabilmeli.

Örneğin bir pazarlama uzmanı, asistandan sektörde yeni ortaya çıkan bir eğilim hakkında yazı hazırlamasını isteyebilir. Sistem önce şirketin marka rehberini ve geçmiş içeriklerini inceleyebilir. Ardından araç çağrıları kullanarak güncel haberleri, araştırmaları veya şirket verilerini bulabilir; önemli sayıları doğrulayabilir ve taslağı markanın belirlenmiş üslubuyla yazabilir.

Burada amaç "bana bir blog yazısı yaz" komutuna cevap vermek değildir. Amaç araştırma, planlama, yazma, kaynaklandırma ve düzeltme aşamalarından oluşan gerçek bir editoryal iş akışı kurmaktır.

Bu projede ne öğrenirsiniz?

İlk önemli konu bağlam yönetimidir. Kullanıcının bütün konuşma geçmişini her istekte modele göndermek hem pahalı hem de verimsizdir. Bunun yerine hangi bilgilerin kısa süreli konuşma bağlamında, hangilerinin kalıcı hafızada, hangilerinin ise dış bir veri kaynağında tutulacağına karar vermeniz gerekir.

İkinci konu araç kullanımıdır. Function calling ya da tool calling sayesinde model yalnızca metin üreten kapalı bir kutu olmaktan çıkar; arama motoru, takvim, veritabanı, içerik yönetim sistemi veya şirket içi API gibi dış sistemlerle çalışabilir. Model doğrudan işlemi gerçekleştirmek yerine hangi aracın hangi parametrelerle çağrılması gerektiğini belirler, uygulamanız da bu çağrıyı denetleyerek yürütür.

Üçüncü konu üslup tutarlılığıdır. Bunun için yalnızca sistem prompt'una "samimi ve profesyonel yaz" demek yeterli olmaz. Marka metinlerinden örnekler çıkarmanız, üslup kurallarını yapılandırılmış biçimde saklamanız ve üretilen içeriği ayrı bir değerlendirme aşamasından geçirmeniz gerekir.

Projeyi nasıl sıradanlıktan çıkarabilirsiniz?

Asistana farklı çalışma modları ekleyin: fikir üretme, taslak hazırlama, editörlük, kaynak doğrulama ve üslup denetimi.

Üretilen her iddianın yanında kullanılan kaynağı gösterin. Kullanıcıya yalnızca nihai metni değil, hangi bilgilerin doğrulanamadığını ve hangi cümlelerin yoruma dayandığını da açıklayın.

En önemlisi, sisteme sürüm geçmişi ekleyin. Kullanıcı bir paragrafı değiştirdiğinde yalnızca son metni değil, hangi kararın neden alındığını da saklayın. Böylece ortaya basit bir yazı botu değil, gerçek bir yaratıcı çalışma ortamı çıkar.

2. Kişiselleştirilmiş görsel-işitsel hikâye motoru

Bu proje özellikle yaratıcı ürünler geliştirmek isteyenler için.

Bir ebeveynin çocuğunun adını, sevdiği hayvanı, merak ettiği bir konuyu ve gitmekten hoşlandığı bir yeri uygulamaya girdiğini düşünün. Sistem bu bilgilerden yola çıkarak çocuğa özel kısa bir hikâye oluştursun.

Ancak süreç burada bitmesin.

Hikâye, doğal bir sesle anlatılsın. Önemli sahneler için aynı görsel üslubu koruyan illüstrasyonlar oluşturulsun. Metin ekranda ilerlerken anlatımla senkronize biçimde vurgulansın. Çocuğun yaşına göre kelime seçimi, hikâye uzunluğu ve tematik karmaşıklık otomatik olarak ayarlansın.

Bu proje tek bir model kullanmaktan çok daha fazlasını gerektirir. Metin üretimi, görsel üretimi ve ses sentezi yapan farklı sistemleri tek bir kullanıcı deneyimi içinde birleştirmeniz gerekir.

ElevenLabs gibi hizmetler, metni doğal konuşmaya dönüştürmenin yanı sıra gerçek zamanlı ses akışı ve metinle ses arasında zamanlama verileri sunabiliyor. Bu zamanlama bilgisi, anlatılan kelimelerin ekranda eşzamanlı olarak vurgulandığı deneyimler tasarlamak için kullanılabilir.

Asıl zorluk modelleri bağlamak değil

İlk bakışta proje basit bir işlem hattı gibi görünebilir:

Metni üret, görselleri oluştur, sesi ekle.

Ancak üretim sistemleri birbirinden bağımsız çalıştığında tutarsızlıklar ortaya çıkar. Hikâyenin başında sarı yağmurluk giyen kahraman, üçüncü görselde mavi bir montla görünebilir. Karakterin adı yanlış telaffuz edilebilir. Ses kaydı tamamlandıktan sonra metinde yapılan küçük bir değişiklik bütün zamanlamayı bozabilir.

Bu nedenle önce hikâyeyi yapılandırılmış bir sahne planına dönüştürmek daha doğru olur. Her sahne için karakterler, mekân, olay, görsel açıklama ve anlatım metni ayrı alanlarda tutulabilir. Metin, ses ve görseller daha sonra bu ortak yapıdan üretilebilir.

Etik tarafı ürünün parçası olmalı

Ses klonlama özelliği eklemek teknik açıdan etkileyici görünebilir. Ancak rıza, kimlik taklidi ve çocuk güvenliği gibi konuları yalnızca kullanım koşullarının sonuna bırakmamalısınız.

Kullanıcıdan açık izin alın. Sentetik sesleri belirtin. Çocuklara yönelik içerikler için konu filtreleri ve yaşa uygunluk denetimleri ekleyin. Gerçek kişilerin seslerinin izinsiz kullanılmasını önleyecek kontroller tasarlayın.

İyi bir portföy projesi yalnızca teknolojinin neler yapabildiğini değil, geliştiricinin nerede sınır koyması gerektiğini de gösterir.

3. Kaynakları doğrulanabilir kişisel bilgi tabanı

Büyük dil modellerinin en bilinen sorunlarından biri, doğru görünmesine rağmen yanlış bilgiler üretebilmeleridir. Bir diğer sorun da modelin eğitim verisinin, sizin ihtiyaç duyduğunuz özel veya güncel belgeleri kapsamamasıdır.

Bu sorunu RAG tabanlı bir sistem geliştirerek ele alabilirsiniz.

Kullanıcının PDF'ler, makaleler, toplantı notları, sözleşmeler veya teknik dokümanlar yükleyebildiği bir "Kişisel Doküman Uzmanı" oluşturun. Kullanıcı sisteme karmaşık sorular sorduğunda model yalnızca bu belgelerden getirilen bilgilere dayanarak yanıt versin ve kullandığı bölümlere açıkça atıfta bulunsun.

Örneğin kullanıcı şunu sorabilsin:

"Bu sözleşmeye göre erken fesih durumunda hangi tarafın ne kadar süre önce bildirim yapması gerekiyor?"

Sistem yalnızca cevabı vermekle kalmasın. İlgili maddeyi, belgenin adını ve sayfa numarasını da göstersin. Belgede cevap bulunmuyorsa tahminde bulunmak yerine bunu açıkça söylesin.

RAG gerçekte nasıl çalışır?

İlk aşamada belgeler okunur ve belirli büyüklükte parçalara ayrılır. Her parça, anlamsal özelliklerini temsil eden bir embedding'e dönüştürülür. Bu embedding'ler bir vektör veritabanında saklanır.

Kullanıcı soru sorduğunda soru da aynı biçimde bir embedding'e çevrilir. Sistem, soruya anlamsal olarak en yakın belge parçalarını bulur. Ardından bu parçaları modele bağlam olarak verir ve yanıtın yalnızca bu bilgilerden üretilmesini ister.

Modern dosya arama sistemleri çoğu zaman yalnızca vektör benzerliği kullanmaz; anahtar kelime aramasıyla anlamsal aramayı bir araya getiren hibrit yöntemlerden yararlanır. OpenAI'ın dosya arama yaklaşımı da belgeleri ayrıştırma, parçalara ayırma, embedding oluşturma ve hem vektör hem anahtar kelime tabanlı arama süreçlerini birlikte kullanır.

Zor kısım vektör veritabanını kurmak değildir

Birçok RAG demosu, en yakın üç parçayı bulup doğrudan modele göndermekle yetinir. Gerçek dünyada ise asıl sorun geri getirme kalitesidir.

Belgeyi ne büyüklükte parçalara ayıracaksınız? Başlıkları ve tablo yapılarını nasıl koruyacaksınız? Aynı soruya benzeyen ancak güncelliğini yitirmiş belgeleri nasıl eleyeceksiniz? Kullanıcının erişim izni olmayan belgelerin sonuçlara karışmasını nasıl önleyeceksiniz?

Daha gelişmiş bir proje için hibrit arama, metadata filtreleme, yeniden sıralama, sorgu genişletme ve çok aşamalı retrieval yöntemlerini deneyebilirsiniz.

Sistemin verdiği cevapları değerlendirmek için de ayrı bir test kümesi hazırlayın. Yalnızca cevabın akıcı olup olmadığına değil, doğru belgeyi getirip getirmediğine, kaynağı doğru aktarıp aktarmadığına ve belgede bulunmayan bir iddiada bulunup bulunmadığına bakın.

İyi bir RAG sistemi "çok şey bilen" bir model değildir. Bilmediği noktada susmayı bilen bir sistemdir.

4. Otomatik araştırma ve planlama ekibi

Tek bir AI ajanı kullanmak yerine neden farklı alanlarda uzmanlaşmış bir ekip kurmayasınız?

Karmaşık ve birden fazla aşamadan oluşan bir problemi, birlikte çalışan ajanlardan oluşan bir sistemle ele alın. Örneğin kapsamlı bir seyahat planlama uygulaması geliştirebilirsiniz.

Bir "Lojistik Sorumlusu" uçuşları, trenleri ve şehir içi ulaşım seçeneklerini araştırabilir. "Konaklama Uzmanı" bütçe, konum ve olanaklara göre otelleri değerlendirebilir. "Deneyim Küratörü" müzeleri, restoranları ve yerel etkinlikleri bulabilir. "Bütçe Denetçisi" ise bütün önerileri toplam harcama sınırına göre kontrol edebilir.

Son aşamada başka bir ajan bu bilgileri tek bir programa dönüştürebilir.

Ancak burada önemli bir uyarı var: Her problemi çok sayıda ajanla çözmeye çalışmak, teknik olgunluk göstergesi değildir. Bazen tek bir model, birkaç araç ve açık biçimde tanımlanmış bir iş akışı daha güvenilir sonuç verir.

Çok ajanlı mimariyi yalnızca görev gerçekten farklı uzmanlıklar, paralel çalışma veya denetlenebilir görev devri gerektiriyorsa kullanın.

Orkestrasyonun kendisi projedir

Ajanların birbirleriyle serbestçe konuşmasını sağlamak tek başına yeterli değildir. Hangi ajanın ne zaman devreye gireceği, hangi veriyi değiştirebileceği, görev başarısız olduğunda ne olacağı ve nihai kararı kimin vereceği açıkça tanımlanmalıdır.

Microsoft'un güncel Agent Framework'ü tek ve çok ajanlı sistemler için oturum durumu, araçlar, kalıcı hafıza, gözlemlenebilirlik ve grafik tabanlı iş akışları sunuyor. Framework, AutoGen ve Semantic Kernel ile geliştirilen yaklaşımların devamı olarak konumlanıyor.

Farklı orkestrasyon biçimlerini deneyebilirsiniz:

Sıralı modelde her ajan çıktısını bir sonrakine aktarır. Eşzamanlı modelde ajanlar aynı görev üzerinde paralel çalışır. Handoff modelinde bir ajan görevi uygun uzmana devreder. Grup sohbeti modelinde ise bir orkestratör, bağlama göre hangi ajanın sıradaki katkıyı yapacağını belirler.

"Ajanlar düşündü ve çözdü" demek yetmez

Portföy projenizde bütün süreci gözlemlenebilir hâle getirin. Her ajanın hangi aracı çağırdığını, ne kadar süre ve token harcadığını, hangi veriye dayanarak karar verdiğini gösteren bir panel oluşturun.

Ajanlardan biri başarısız olduğunda sistemin kaldığı yerden devam edebilmesini sağlayın. Kritik kararlar için insan onayı ekleyin. Rezervasyon yapmak, ödeme başlatmak veya bir kaydı silmek gibi geri döndürülmesi zor işlemleri otomatik biçimde yürütmeyin.

Bu ayrıntılar, oyuncak bir ajan demosuyla üretime hazır bir sistem arasındaki farkı belirler.

5. Uçtan uca akıllı müşteri destek sistemi

Önceki dört projedeki kavramları tek bir sistemde birleştirmek istiyorsanız yeni nesil bir müşteri destek platformu geliştirin.

Müşteri sisteme metin veya ses yoluyla ulaşabilir. Sistem konuşmayı yazıya çevirir, müşterinin niyetini ve duygusal durumunu analiz eder, şirketin özel bilgi tabanında arama yapar ve RAG ile kaynaklandırılmış bir cevap oluşturur.

Konu basitse ilk seviye destek ajanı sorunu hemen çözebilir. Daha karmaşık bir durumda talep ilgili uzman ajana yönlendirilir. Teknik ajan hata kayıtlarını inceleyebilir, hesap ajanı abonelik bilgilerini kontrol edebilir, politika ajanı önerilen çözümün şirket kurallarına uygun olup olmadığını denetleyebilir.

Gerekli durumlarda sistem bir insana devredilir. Ancak insan temsilci konuşmaya sıfırdan başlamak zorunda kalmaz; sistem sorunu, denenen çözümleri ve ilgili belgeleri özetleyerek temsilciye aktarır.

Sesli destek tarafında gerçek zamanlı konuşma yalnızca metni sese çevirmekten ibaret değildir. Bağlantı yönetimi, konuşma sırası, kullanıcının araya girmesi ve gecikmenin kontrol edilmesi gerekir. Güncel ses altyapıları bu işlevleri ayrı bir konuşma katmanı olarak sunabiliyor.

Bu projede asıl ölçüt doğruluk değil, güvenilirliktir

Bir destek botunun soruların yüzde 90'ına doğru cevap vermesi ilk bakışta etkileyici görünebilir. Ancak kalan yüzde 10 içinde yanlış iade gerçekleştirmek, müşterinin hesabını değiştirmek veya hukuki açıdan hatalı bir söz vermek varsa sistem kullanılamaz.

Bu nedenle araçları risk seviyelerine göre sınıflandırın. Bilgi arama gibi düşük riskli işlemler otomatik yürütülebilir. Para iadesi, hesap kapatma veya sözleşme değişikliği gibi işlemler için doğrulama ve insan onayı gerekebilir.

Her cevabın güven puanını, dayandığı kaynağı ve gerçekleştirilen işlemleri kaydedin. Hassas kişisel verileri model sağlayıcısına göndermeden önce maskeleyin. Kullanıcının başka bir müşteriye ait bilgilere erişmesini engellemek için yetkilendirmeyi retrieval katmanında uygulayın.

Projenin başarısını nasıl ölçersiniz?

Yalnızca "cevap güzel görünüyor mu?" sorusuna bakmayın.

İlk temasta çözüm oranı, yanlış yönlendirme oranı, ortalama yanıt süresi, insan temsilciye aktarım oranı, kaynak doğruluğu ve işlem başına maliyet gibi ölçümler belirleyin.

Daha da önemlisi, sistemin hangi koşullarda cevap vermemesi gerektiğini test edin. İyi bir müşteri destek sistemi her soruya yanıt üretmeye çalışan sistem değildir. Riskli durumları tanıyıp doğru noktada insan desteğine başvuran sistemdir.

Portföy projesini gerçek bir ürüne dönüştüren ayrıntılar

Bu projelerden herhangi birini geliştirmek teknik açıdan öğretici olabilir. Ancak portföyünüzde gerçekten dikkat çekmesini sağlayan şey yalnızca kullanılan model veya framework değildir.

Değerlendirme sistemi kurun

On ya da yirmi gerçekçi test senaryosu hazırlayın. Her yeni değişiklikten sonra sistemin doğru aracı seçip seçmediğini, doğru kaynağı getirip getirmediğini ve beklenen biçimde cevap üretip üretmediğini otomatik olarak kontrol edin.

"Bana göre iyi çalışıyor" bir değerlendirme yöntemi değildir.

Maliyeti görünür hâle getirin

Her isteğin kaç token kullandığını, hangi dış servisleri çağırdığını ve tahmini maliyetini kaydedin. Aynı görevi daha küçük bir modelle çözmenin mümkün olup olmadığını araştırın.

Üretken AI ürünlerinde teknik performans ile ekonomik sürdürülebilirlik aynı problemin iki parçasıdır.

Gecikmeyi yönetin

Kullanıcıyı boş bir ekranın karşısında bekletmeyin. Yanıtları akış hâlinde gösterin. Uzun süren görevlerde hangi aşamanın tamamlandığını açıklayın. Bağımsız işlemleri paralel çalıştırın.

Ancak yalnızca hızlı görünmek için doğrulamayı atlamayın. Bazen iki saniye daha yavaş ama kaynaklandırılmış bir cevap, anında verilen yanlış bir cevaptan çok daha değerlidir.

Gözlemlenebilirlik ekleyin

Prompt'ları, araç çağrılarını, retrieval sonuçlarını, model yanıtlarını ve hataları izlenebilir hâle getirin. Bir kullanıcı yanlış cevap aldığında yalnızca hatayı görmek değil, hatanın nerede oluştuğunu anlayabilmek gerekir.

Model mi yanlış karar verdi? Arama sistemi mi yanlış belgeyi buldu? Kullanıcının yetkisi mi hatalı tanımlandı? Dış API mi güncel olmayan veri gönderdi?

Gerçek mühendislik bu soruları cevaplayabildiğiniz noktada başlar.

Güvenliği sonradan düşünmeyin

Prompt injection, veri sızıntısı, yetkisiz araç kullanımı ve zararlı dosya yükleme senaryolarını en baştan hesaba katın.

Modelin bir aracı çağırmak istemesi, o işlemin gerçekleştirilmesi gerektiği anlamına gelmez. Model önerir; uygulama doğrular, yetkilendirir ve uygular.

Peki hangi projeden başlamalısınız?

Yazı, içerik veya pazarlama ürünleriyle ilgileniyorsanız bağlamı anlayan yaratıcı iş ortağı iyi bir başlangıç olabilir.

Farklı medya biçimlerini bir araya getirmek istiyorsanız görsel-işitsel hikâye motoru daha öğretici olacaktır.

Kurumsal AI, arama veya doküman sistemlerinde çalışmayı düşünüyorsanız RAG tabanlı bilgi tabanı en güçlü seçeneklerden biridir.

Dağıtık sistemler, orkestrasyon ve otomasyon ilginizi çekiyorsa çok ajanlı araştırma ekibini deneyebilirsiniz.

Gerçek bir iş problemini uçtan uca çözebildiğinizi göstermek istiyorsanız akıllı müşteri destek sistemi en kapsamlı proje olacaktır.

Ancak hangisini seçerseniz seçin, hedefiniz mümkün olduğunca fazla AI özelliği eklemek olmamalı.

İyi bir AI projesi, modelin yapabildiği her şeyi gösteren proje değildir. Belirli bir problemi güvenilir, ölçülebilir ve anlaşılır biçimde çözen projedir.

API çağrısı yapmak artık başlangıç noktası. Asıl fark, çağrının öncesinde ve sonrasında kurduğunuz sistemde ortaya çıkıyor.