Yapay zeka \u00e7a\u011f\u0131nda bir geli\u015ftirici olarak kariyerinizi d\u00f6n\u00fc\u015ft\u00fcrmenin s\u0131rr\u0131: prompt m\u00fchendisli\u011finden ba\u015flayarak, sistem d\u00fc\u015f\u00fcncesiyle ilerleyip otomasyonla zirveye ula\u015f\u0131n. Bu yol haritas\u0131, sizi sadece kod yazan bir geli\u015ftiriciden, yapay zekan\u0131n g\u00fcc\u00fcn\u00fc tam anlam\u0131yla kullanabilen bir yapay zeka destekli m\u00fchendise<\/strong> d\u00f6n\u00fc\u015ft\u00fcrecek.<\/p>\n G\u00fcn\u00fcm\u00fcz teknoloji d\u00fcnyas\u0131, yapay zekan\u0131n (YZ) y\u00fckseli\u015fiyle k\u00f6kl\u00fc bir de\u011fi\u015fim ge\u00e7iriyor. Art\u0131k sadece iyi kod yazmak yeterli de\u011fil; YZ ara\u00e7lar\u0131n\u0131 anlay\u0131p, onlarla etkili bir \u015fekilde etkile\u015fim kurabilen ve bu ara\u00e7lar\u0131 mevcut sistemlere entegre edebilen geli\u015ftiriciler, sekt\u00f6rde bir ad\u0131m \u00f6ne \u00e7\u0131k\u0131yor. Bu de\u011fi\u015fim, geleneksel yaz\u0131l\u0131m m\u00fchendisli\u011fi rol\u00fcn\u00fc yeniden tan\u0131ml\u0131yor ve bize “yapay zeka destekli m\u00fchendis” kavram\u0131n\u0131 sunuyor. Peki, bu yeni rol tam olarak ne anlama geliyor ve bir geli\u015ftirici olarak bu d\u00f6n\u00fc\u015f\u00fcm\u00fc nas\u0131l ger\u00e7ekle\u015ftirebilirsiniz? Geleneksel yaz\u0131l\u0131m geli\u015ftirme s\u00fcre\u00e7leri, genellikle belirli bir dilin sentaks\u0131na hakim olmak, algoritmalar\u0131 uygulamak ve hata ay\u0131klamak \u00fczerine kuruluydu. Ancak YZ’nin hayat\u0131m\u0131za girmesiyle birlikte, bu becerilere ek olarak, makine \u00f6\u011frenimi modelleriyle ileti\u015fim kurma, onlar\u0131n yeteneklerini anlama ve onlar\u0131 i\u015f s\u00fcre\u00e7lerine sorunsuz bir \u015fekilde entegre etme yetene\u011fi kritik hale geldi. Bu, sadece bir trend de\u011fil, ayn\u0131 zamanda gelece\u011fin geli\u015ftirici profili i\u00e7in bir zorunluluktur.<\/p>\n Bir yapay zeka destekli m\u00fchendis olmak, YZ’yi bir d\u00fc\u015fman ya da sadece bir ara\u00e7 olarak de\u011fil, bir i\u015f arkada\u015f\u0131, bir g\u00fc\u00e7lendirici olarak g\u00f6rmeyi gerektirir. Bu yakla\u015f\u0131m, sadece kod yazma h\u0131z\u0131n\u0131z\u0131 art\u0131rmakla kalmaz, ayn\u0131 zamanda karma\u015f\u0131k problemleri daha yenilik\u00e7i ve verimli yollarla \u00e7\u00f6zmenizi sa\u011flar. Kod tamamlama, hata ay\u0131klama, test senaryosu \u00fcretimi gibi g\u00fcnl\u00fck g\u00f6revlerden, karma\u015f\u0131k sistem mimarileri tasarlamaya kadar bir\u00e7ok alanda YZ’den faydalanmak m\u00fcmk\u00fcnd\u00fcr. \u00d6rne\u011fin, b\u00fcy\u00fck bir kod taban\u0131nda belirli bir i\u015flevi ger\u00e7ekle\u015ftiren par\u00e7ac\u0131klar\u0131 bulmak veya yeni bir \u00f6zellik i\u00e7in en uygun API \u00e7a\u011fr\u0131lar\u0131n\u0131 \u00f6nermek gibi g\u00f6revlerde YZ ara\u00e7lar\u0131 paha bi\u00e7ilmez bir yard\u0131mc\u0131 olabilir. Bu d\u00f6n\u00fc\u015f\u00fcm s\u00fcrecinde, bilginizi kademeli olarak in\u015fa etmek ve her ad\u0131m\u0131 sa\u011flam temellere oturtmak esast\u0131r. Geceye YZ’yi tam anlam\u0131yla \u00f6\u011frenme hedefiyle ba\u015flamak yerine, \u00f6ncelikle YZ ile etkile\u015fim kurman\u0131n temelini olu\u015fturan prompt d\u00fc\u015f\u00fcncesini kavramak, ard\u0131ndan bu etkile\u015fimleri daha b\u00fcy\u00fck sistemler i\u00e7inde nas\u0131l konumland\u0131raca\u011f\u0131n\u0131z\u0131 \u00f6\u011frenmek ve son olarak da t\u00fcm bu bilgiyi otomasyonla birle\u015ftirerek ger\u00e7ek d\u00fcnya de\u011ferine d\u00f6n\u00fc\u015ft\u00fcrmek en ak\u0131lc\u0131 yakla\u015f\u0131md\u0131r. Bu makale, tam da bu kademeli ilerlemeyi sa\u011flayarak, sizi bu heyecan verici yolculukta ad\u0131m ad\u0131m ileriye ta\u015f\u0131yacak kapsaml\u0131 bir rehber sunmaktad\u0131r. Bu rehber sayesinde, YZ’nin karma\u015f\u0131k d\u00fcnyas\u0131na sa\u011flam ad\u0131mlarla giri\u015f yapabilir ve kendinizi gelece\u011fin m\u00fchendislik disiplinlerine haz\u0131rlayabilirsiniz.<\/p>\n Yapay zeka ile olan yolculu\u011fumuzun ilk ve belki de en kritik dura\u011f\u0131, prompt d\u00fc\u015f\u00fcncesi<\/strong> veya di\u011fer ad\u0131yla prompt m\u00fchendisli\u011fidir. Prompt m\u00fchendisli\u011fi, sadece YZ modellerine (\u00f6zellikle b\u00fcy\u00fck dil modellerine – LLM’lere) ne istedi\u011finizi s\u00f6ylemekten \u00e7ok daha fazlas\u0131n\u0131 ifade eder. Bu, YZ ile etkili, verimli ve do\u011fru sonu\u00e7lar \u00fcretecek \u015fekilde ileti\u015fim kurman\u0131n hem sanat\u0131 hem de bilimidir. Bir YZ modeline “kod yaz” demekle, “Python’da, Flask kullanarak, RESTful bir API olu\u015fturan ve kullan\u0131c\u0131 kimlik do\u011frulamas\u0131 i\u00e7eren bir kod yaz. Veritaban\u0131 olarak PostgreSQL kullan ve JWT tabanl\u0131 kimlik do\u011frulama mekanizmas\u0131 ekle.” demek aras\u0131nda da\u011flar kadar fark vard\u0131r. \u0130lk prompt belirsiz ve geni\u015f bir \u00e7\u0131kt\u0131ya yol a\u00e7arken, ikinci prompt olduk\u00e7a spesifik ve kullan\u0131labilir bir sonu\u00e7 \u00fcretme potansiyeline sahiptir.<\/p>\n Prompt m\u00fchendisli\u011finde ustala\u015fmak, asl\u0131nda YZ’nin i\u00e7 i\u015fleyi\u015fini anlamaktan ziyade, onun nas\u0131l d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcn\u00fc ve girdilere nas\u0131l tepki verdi\u011fini \u00f6ng\u00f6rebilme yetene\u011fini geli\u015ftirmektir. Bu, YZ’ye bir sohbet partneri gibi yakla\u015fmay\u0131, ona do\u011fru sorular\u0131 sormay\u0131, ba\u011flam\u0131 net bir \u015fekilde a\u00e7\u0131klamay\u0131 ve istenen \u00e7\u0131kt\u0131n\u0131n format\u0131n\u0131 belirtmeyi i\u00e7erir. Etkili bir prompt; a\u00e7\u0131k, \u00f6zl\u00fc, spesifik ve y\u00f6nlendiricidir. \u0130\u00e7eri\u011finde genellikle \u015funlar bulunur: g\u00f6rev tan\u0131m\u0131, ba\u011flam bilgisi, istenen \u00e7\u0131kt\u0131 format\u0131 (\u00f6rne\u011fin JSON, Markdown, Python kodu), k\u0131s\u0131tlamalar ve \u00f6rnekler (few-shot prompting). Ayr\u0131ca, YZ’ye bir “persona” atamak (\u00f6rne\u011fin, “Deneyimli bir siber g\u00fcvenlik uzman\u0131 gibi davranarak…”) veya \u00e7\u0131kt\u0131n\u0131n tonunu belirtmek (\u00f6rne\u011fin, “Profesyonel ama samimi bir dille…”) de \u00e7\u0131kt\u0131 kalitesini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n Bir yaz\u0131l\u0131m geli\u015ftirici, karma\u015f\u0131k bir Python projesinde performans sorunlar\u0131 ya\u015f\u0131yor. Geleneksel yakla\u015f\u0131mla saatler s\u00fcren hata ay\u0131klama ve optimizasyon s\u00fcreci, prompt m\u00fchendisli\u011fi ile h\u0131zland\u0131r\u0131labilir. Geli\u015ftirici, a\u015fa\u011f\u0131daki gibi bir prompt kullanarak YZ’den yard\u0131m isteyebilir:<\/p>\n <\/code><\/p>\n <\/code>...<\/code> blo\u011funda) Bu prompt sayesinde YZ, kodun i\u00e7 i\u00e7e d\u00f6ng\u00fcler nedeniyle O(n^2) karma\u015f\u0131kl\u0131\u011fa sahip oldu\u011funu belirleyebilir, list comprehension gibi daha verimli Python yap\u0131lar\u0131n\u0131 kullanarak optimize edilmi\u015f bir versiyon sunabilir ve yap\u0131lan de\u011fi\u015fiklikleri a\u00e7\u0131k\u00e7a izah edebilir. Bu durum, geli\u015ftiricinin zaman\u0131ndan b\u00fcy\u00fck \u00f6l\u00e7\u00fcde tasarruf etmesini sa\u011flar ve ona YZ ile etkili bir \u015fekilde nas\u0131l i\u015fbirli\u011fi yapaca\u011f\u0131n\u0131 \u00f6\u011fretir. Prompt m\u00fchendisli\u011fine hakim olmak, YZ'nin sundu\u011fu potansiyeli maksimize etmenin anahtar\u0131d\u0131r ve bir yapay zeka destekli m\u00fchendis olma yolundaki en sa\u011flam temel ta\u015f\u0131d\u0131r.<\/p>\n Prompt m\u00fchendisli\u011finde ustala\u015ft\u0131ktan sonra, bir sonraki a\u015fama yapay zekay\u0131 sadece tekil komutlarla de\u011fil, daha b\u00fcy\u00fck sistemlerin bir par\u00e7as\u0131<\/strong> olarak d\u00fc\u015f\u00fcnmektir. Bu, YZ'yi bir \"kara kutu\" olmaktan \u00e7\u0131kar\u0131p, yaz\u0131l\u0131m mimarinizin entegre bir bile\u015feni haline getirmek anlam\u0131na gelir. Sistem d\u00fc\u015f\u00fcncesi, YZ modellerini birbirleriyle, mevcut veri tabanlar\u0131yla, API'lerle ve kullan\u0131c\u0131 aray\u00fczleriyle nas\u0131l birle\u015ftirebilece\u011finizi anlamay\u0131 i\u00e7erir. Basit\u00e7e ifade etmek gerekirse, YZ'ye sadece tek bir soru sormak yerine, YZ'nin birden fazla ad\u0131mda, farkl\u0131 ara\u00e7larla etkile\u015fim kurarak bir g\u00f6revi tamamlamas\u0131n\u0131 sa\u011flamakt\u0131r. Bu, \u00f6zellikle karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131n\u0131 otomatikle\u015ftirirken veya dinamik ve ba\u011flamsal olarak duyarl\u0131 uygulamalar geli\u015ftirirken hayati \u00f6nem ta\u015f\u0131r.<\/p>\n Sistem d\u00fc\u015f\u00fcncesinin temelinde, \"zincirleme promptlar\" (chaining prompts) ve \"ara\u00e7 entegrasyonu\" (tool integration) gibi kavramlar yatar. Zincirleme promptlar, bir YZ modelinden al\u0131nan \u00e7\u0131kt\u0131n\u0131n, bir sonraki YZ modeline veya ayn\u0131 modelin sonraki ad\u0131m\u0131na girdi olarak kullan\u0131ld\u0131\u011f\u0131 bir dizi i\u015flemdir. \u00d6rne\u011fin, bir YZ modeli bir metni \u00f6zetler, bu \u00f6zet ba\u015fka bir YZ modeline g\u00f6nderilerek bu \u00f6zetten anahtar kelimeler \u00e7\u0131kar\u0131l\u0131r ve bu anahtar kelimeler de son olarak bir veritaban\u0131nda arama yapmak i\u00e7in kullan\u0131l\u0131r. Ara\u00e7 entegrasyonu ise, YZ modelinin kendi yeteneklerini a\u015fan g\u00f6revler i\u00e7in harici ara\u00e7lar\u0131 (API'ler, veritabanlar\u0131, web servisleri, \u00f6zel fonksiyonlar) kullanabilme yetene\u011fidir. Bu, YZ'ye \"d\u00fc\u015f\u00fcnme\", \"planlama\" ve \"harekete ge\u00e7me\" yetene\u011fi kazand\u0131r\u0131r.<\/p>\n Bir e-ticaret \u015firketi, m\u00fc\u015fteri destek ekibinin \u00fczerindeki y\u00fck\u00fc hafifletmek ve yan\u0131t s\u00fcrelerini k\u0131saltmak istiyor. Geleneksel chatbotlar genellikle basit sorular\u0131 yan\u0131tlarken yetersiz kal\u0131yor. Bu noktada, sistem d\u00fc\u015f\u00fcncesiyle tasarlanm\u0131\u015f bir YZ destekli destek sistemi<\/strong> devreye girer. Sistem \u015fu ad\u0131mlar\u0131 i\u00e7erebilir:<\/p>\n Bu senaryoda YZ, sadece bir metin \u00fcreticisi olmaktan \u00e7\u0131k\u0131p, farkl\u0131 servislerle etkile\u015fime giren, bilgi toplayan ve bu bilgileri i\u015fleyerek anlaml\u0131 sonu\u00e7lar \u00fcreten bir \"ajan\" gibi davran\u0131r. Bu, bir geli\u015ftiricinin sadece prompt yazma becerisinin \u00f6tesine ge\u00e7ip, YZ'yi bir mimari bile\u015fen olarak tasarlama ve entegre etme yetene\u011fini g\u00f6sterir. A\u015fa\u011f\u0131daki Python kodu, OpenAI'\u0131n ara\u00e7 \u00e7a\u011f\u0131rma (tool calling) \u00f6zelli\u011fini kullanarak basit bir API entegrasyonunu sim\u00fcle etmektedir:<\/p>\n Bu \u00f6rnek, YZ'nin bir arac\u0131 nas\u0131l \u00e7a\u011f\u0131r\u0131p kullanabilece\u011fini g\u00f6steriyor. Sistem d\u00fc\u015f\u00fcncesi, bu t\u00fcr entegrasyonlar\u0131 tasarlayabilme ve uygulayabilme yetene\u011fini geli\u015ftirir; bu da bir geli\u015ftiriciyi sadece kod yazmaktan, karma\u015f\u0131k, ak\u0131ll\u0131 sistemler kurabilen bir yapay zeka destekli m\u00fchendise d\u00f6n\u00fc\u015ft\u00fcr\u00fcr.<\/p>\n Prompt d\u00fc\u015f\u00fcncesinde ustala\u015ft\u0131k ve yapay zekay\u0131 bir sistemin bile\u015feni olarak nas\u0131l tasarlayaca\u011f\u0131m\u0131z\u0131 \u00f6\u011frendik. \u015eimdi s\u0131ra, bu yetenekleri birle\u015ftirerek yapay zekay\u0131 otomasyonun<\/strong> g\u00fcc\u00fcyle ta\u00e7land\u0131rmaya geldi. Otomasyon, tekrar eden, zaman al\u0131c\u0131 ve hataya a\u00e7\u0131k g\u00f6revleri YZ'ye devrederek insan m\u00fcdahalesini en aza indirme veya tamamen ortadan kald\u0131rma s\u00fcrecidir. Bir yapay zeka destekli m\u00fchendis olarak, sadece YZ ile ileti\u015fim kurmakla kalmaz, ayn\u0131 zamanda bu ileti\u015fimi otomatikle\u015ftirilmi\u015f i\u015f ak\u0131\u015flar\u0131na d\u00f6n\u00fc\u015ft\u00fcrerek s\u00fcrekli de\u011fer \u00fcreten sistemler in\u015fa edersiniz. Bu, geli\u015ftirme s\u00fcre\u00e7lerini h\u0131zland\u0131rman\u0131n, maliyetleri d\u00fc\u015f\u00fcrmenin ve genel verimlili\u011fi art\u0131rman\u0131n anahtar\u0131d\u0131r.<\/p>\n Otomasyon, sadece belirli bir g\u00f6revi YZ'ye b\u0131rakmakla s\u0131n\u0131rl\u0131 de\u011fildir. Ayn\u0131 zamanda, YZ'nin bir g\u00f6revi tamamlad\u0131ktan sonra, bir sonraki ad\u0131m\u0131 tetiklemesini, durumu raporlamas\u0131n\u0131 veya di\u011fer sistemlerle entegre olarak bilgi al\u0131\u015fveri\u015fi yapmas\u0131n\u0131 sa\u011flamay\u0131 da i\u00e7erir. \u00d6rne\u011fin, bir yaz\u0131l\u0131m geli\u015ftirme ekibi i\u00e7in YZ destekli otomasyonlar, CI\/CD (S\u00fcrekli Entegrasyon\/S\u00fcrekli Da\u011f\u0131t\u0131m) s\u00fcre\u00e7lerinde, test otomasyonunda, kod incelemede ve hatta d\u00f6k\u00fcmantasyon olu\u015fturmada kullan\u0131labilir. Bu, manuel i\u015f y\u00fck\u00fcn\u00fc \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131rken, insan geli\u015ftiricilerin daha yarat\u0131c\u0131 ve stratejik g\u00f6revlere odaklanmas\u0131n\u0131 sa\u011flar.<\/p>\n Bir yaz\u0131l\u0131m \u015firketinde, her yeni kod de\u011fi\u015fikli\u011finin (pull request) manuel olarak g\u00f6zden ge\u00e7irilmesi ve g\u00fcncel d\u00f6k\u00fcmantasyonun sa\u011flanmas\u0131 b\u00fcy\u00fck bir zaman ve kaynak israf\u0131na neden olmaktad\u0131r. Geli\u015ftiriciler, kod incelemesini beklerken veya d\u00f6k\u00fcmantasyon yazarken zaman kaybediyor. \u0130\u015fte burada YZ destekli otomasyon<\/strong> devreye giriyor:<\/p>\n Bu otomatikle\u015ftirilmi\u015f s\u00fcre\u00e7, kod inceleme d\u00f6ng\u00fcs\u00fcn\u00fc h\u0131zland\u0131r\u0131r, d\u00f6k\u00fcmantasyonun s\u00fcrekli g\u00fcncel kalmas\u0131n\u0131 sa\u011flar ve insan inceleyicilerin daha karma\u015f\u0131k, stratejik konulara odaklanmas\u0131na olanak tan\u0131r. A\u015fa\u011f\u0131daki \u00f6rnek, bir dosyay\u0131 \u00f6zetleyen basit bir Python otomasyon script'ini g\u00f6stermektedir. Bu, daha karma\u015f\u0131k otomasyonlar\u0131n temelini olu\u015fturabilir:<\/p>\n Bu \u00f6rnek, bir dosyan\u0131n i\u00e7eri\u011fini al\u0131p YZ'ye g\u00f6ndererek \u00f6zetleme g\u00f6revini otomatikle\u015ftirmenin ilk ad\u0131mlar\u0131n\u0131 g\u00f6stermektedir. Bu t\u00fcr bir script, bir CI\/CD pipeline'\u0131na entegre edilerek, belirli bir dizindeki her yeni veya de\u011fi\u015ftirilmi\u015f dosya i\u00e7in otomatik olarak \u00f6zetler veya d\u00f6k\u00fcmantasyon par\u00e7ac\u0131klar\u0131 olu\u015fturabilir. Bu seviyede bir otomasyon bilgisi, bir geli\u015ftiriciyi ger\u00e7ekten yapay zeka destekli m\u00fchendis<\/strong> seviyesine ta\u015f\u0131r.<\/p>\n Yapay zeka \u00e7a\u011f\u0131nda bir m\u00fchendis olarak, edindi\u011finiz prompt m\u00fchendisli\u011fi, sistem d\u00fc\u015f\u00fcncesi ve otomasyon bilgilerini ger\u00e7ek d\u00fcnya projelerine entegre etmek, becerilerinizi somutla\u015ft\u0131rman\u0131n en etkili yoludur. Mevcut projelere YZ entegrasyonu, sadece yeni bir \u00f6zellik eklemekten \u00f6te, i\u015f s\u00fcre\u00e7lerini temelden d\u00f6n\u00fc\u015ft\u00fcrme potansiyeli ta\u015f\u0131r. Peki, bu entegrasyonu nas\u0131l planlamal\u0131 ve uygulamal\u0131s\u0131n\u0131z? \u0130lk ad\u0131m, projenizin hangi alanlar\u0131nda YZ'nin en b\u00fcy\u00fck de\u011feri katabilece\u011fini belirlemektir. Bu, tekrar eden manuel g\u00f6revler, veri analizi gerektiren karma\u015f\u0131k karar alma s\u00fcre\u00e7leri veya ki\u015fiselle\u015ftirilmi\u015f kullan\u0131c\u0131 deneyimleri olabilir.<\/p>\n Entegrasyon stratejileri, se\u00e7ilen YZ modeline ve projenin gereksinimlerine g\u00f6re de\u011fi\u015fir. B\u00fcy\u00fck dil modelleri (LLM'ler) metin tabanl\u0131 i\u015flemler (\u00f6zetleme, \u00e7eviri, i\u00e7erik olu\u015fturma, kod yard\u0131m\u0131) i\u00e7in idealdir. G\u00f6rsel YZ modelleri (bilgisayar g\u00f6r\u00fc\u015f\u00fc), g\u00f6r\u00fcnt\u00fc analizi, nesne tan\u0131ma veya g\u00f6rsel i\u00e7erik olu\u015fturma gibi alanlarda kullan\u0131l\u0131r. Ses tabanl\u0131 YZ'ler ise konu\u015fma tan\u0131ma ve do\u011fal dil anlama (NLP) yetenekleriyle \u00f6ne \u00e7\u0131kar. Hangi modeli se\u00e7ece\u011finiz, \u00f6ncelikle \u00e7\u00f6zmek istedi\u011finiz probleme ve sahip oldu\u011funuz verilere ba\u011fl\u0131d\u0131r. Her YZ entegrasyonunun kendine has zorluklar\u0131 vard\u0131r. Veri g\u00fcvenli\u011fi ve gizlili\u011fi, \u00f6zellikle hassas verilerle \u00e7al\u0131\u015f\u0131l\u0131yorsa, en b\u00fcy\u00fck endi\u015felerden biridir. Maliyet, YZ modellerinin API \u00e7a\u011fr\u0131lar\u0131n\u0131n veya donan\u0131m gereksinimlerinin bir sonucu olarak \u00f6nemli bir fakt\u00f6r olabilir. Ayr\u0131ca, YZ modelinin performans\u0131n\u0131 (h\u0131z, do\u011fruluk) mevcut sistemlerle uyumlu hale getirmek de teknik bir meydan okumad\u0131r. Bu zorluklar\u0131n \u00fcstesinden gelmek i\u00e7in, YZ entegrasyonunu k\u00fc\u00e7\u00fck ad\u0131mlarla ba\u015flatmak, s\u00fcrekli test etmek ve yinelemek esast\u0131r.<\/p>\n Bir e-ticaret \u015firketi, m\u00fc\u015fterilerine daha ki\u015fiselle\u015ftirilmi\u015f \u00fcr\u00fcn \u00f6nerileri sunarak sat\u0131\u015flar\u0131n\u0131 art\u0131rmak istiyor. Geleneksel y\u00f6ntemler genellikle basit \u00fcr\u00fcn etiketlerine veya genel kategorilere dayan\u0131r. YZ destekli bir entegrasyon, bu s\u00fcreci \u00e7ok daha ak\u0131ll\u0131 hale getirebilir:<\/p>\n Bu entegrasyon, sadece daha alakal\u0131 \u00fcr\u00fcn \u00f6nerileri sunmakla kalmaz, ayn\u0131 zamanda pazarlama ekibinin manuel kampanya olu\u015fturma y\u00fck\u00fcn\u00fc azalt\u0131r ve daha y\u00fcksek d\u00f6n\u00fc\u015f\u00fcm oranlar\u0131 sa\u011flar. Bu seviyedeki bir entegrasyon, bir yapay zeka destekli m\u00fchendisin sistemik d\u00fc\u015f\u00fcnme, YZ modellerini kullanma ve otomasyonu bir araya getirme yetene\u011fini g\u00f6sterir.<\/p>\n Web tabanl\u0131 uygulamalarda mobil uyumluluk i\u00e7in HTML'e ekleyebilece\u011finiz basit bir CSS media query \u00f6rne\u011fi:<\/p>\nYolculu\u011fun \u0130lk Ad\u0131m\u0131: Prompt D\u00fc\u015f\u00fcncesini Neden Ustala\u015fmal\u0131y\u0131z?<\/h2>\n
Vaka Analizi: Kod Hata Ay\u0131klama ve Geli\u015ftirme \u0130\u00e7in Prompt M\u00fchendisli\u011fi<\/h3>\n
\n \"Bir Python geli\u015ftiricisi olarak sana bir g\u00f6revim var. A\u015fa\u011f\u0131daki Python kod par\u00e7ac\u0131\u011f\u0131nda performans sorunlar\u0131 ya\u015f\u0131yorum. Bu kodun neden yava\u015f \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 analiz etmeni ve m\u00fcmk\u00fcnse daha optimize edilmi\u015f bir versiyonunu sa\u011flaman\u0131 istiyorum. Ayr\u0131ca, optimizasyonlar\u0131n neden yap\u0131ld\u0131\u011f\u0131n\u0131 ve hangi k\u0131s\u0131mlar\u0131n iyile\u015ftirildi\u011fini a\u00e7\u0131klayan k\u0131sa bir \u00f6zet de ekle.\n\n Kodu buraya ekle:\n # Yava\u015f \u00e7al\u0131\u015fan Python kodu buraya gelecek\n def slow_function(n):\n result = []\n for i in range(n):\n inner_list = []\n for j in range(n):\n inner_list.append(i * j)\n result.append(inner_list)\n return result<\/pre>\n\u0130stenen \u00e7\u0131kt\u0131 format\u0131:\n 1. Performans Analizi (Markdown format\u0131nda)\n 2. Optimize Edilmi\u015f Python Kodu (<\/pre>\n
\n 3. Optimizasyon A\u00e7\u0131klamas\u0131 (Madde i\u015faretli liste olarak)\"
\n <\/code><\/p>\nSistem D\u00fc\u015f\u00fcncesiyle AI'\u0131 Yap\u0131land\u0131rmak: Sadece Prompt Yazmaktan Fazlas\u0131<\/h2>\n
Vaka Analizi: M\u00fc\u015fteri Destek Sistemi Entegrasyonu<\/h3>\n
\n
\n
\n \n import openai\n import json\n\n # Sim\u00fcle edilmi\u015f bir API fonksiyonu\n def get_weather_forecast(location, unit=\"celsius\"):\n \"\"\"Belirtilen konum i\u00e7in hava durumu tahminini d\u00f6nd\u00fcr\u00fcr.\"\"\"\n if location == \"\u0130stanbul\":\n return {\"location\": \"\u0130stanbul\", \"temperature\": \"20\", \"unit\": unit, \"forecast\": \"G\u00fcne\u015fli\"}\n elif location == \"Ankara\":\n return {\"location\": \"Ankara\", \"temperature\": \"15\", \"unit\": unit, \"forecast\": \"Bulutlu\"}\n return {\"location\": location, \"temperature\": \"Bilinmiyor\", \"unit\": unit, \"forecast\": \"Bilinmiyor\"}\n\n # OpenAI istemcisini ba\u015flat\n # client = openai.OpenAI(api_key=\"YOUR_OPENAI_API_KEY\") # Ger\u00e7ek kullan\u0131mda API anahtar\u0131n\u0131z\u0131 buraya ekleyin\n\n # Sim\u00fcle edilmi\u015f bir yan\u0131t d\u00f6nd\u00fcren sahte bir client nesnesi\n class MockClient:\n def chat(self):\n return self\n\n def completions(self):\n return self\n\n def create(self, model, messages, tools=None, tool_choice=None):\n if tools and tool_choice == \"auto\":\n # \u00d6rne\u011fin, kullan\u0131c\u0131n\u0131n hava durumu sordu\u011funu varsayal\u0131m\n tool_call = {\n \"id\": \"call_123\",\n \"type\": \"function\",\n \"function\": {\n \"name\": \"get_weather_forecast\",\n \"arguments\": json.dumps({\"location\": \"\u0130stanbul\"})\n }\n }\n return type('obj', (object,), {\n 'choices': [type('obj', (object,), {\n 'message': type('obj', (object,), {\n 'role': 'assistant',\n 'tool_calls': [tool_call]\n })\n })]\n })()\n return type('obj', (object,), {\n 'choices': [type('obj', (object,), {\n 'message': type('obj', (object,), {\n 'role': 'assistant',\n 'content': 'Hava durumu bilgisi sa\u011flayamam.'\n })\n })]\n })()\n\n client = MockClient() # Ger\u00e7ek kullan\u0131mda 'openai.OpenAI()' kullan\u0131n\n\n tools = [\n {\n \"type\": \"function\",\n \"function\": {\n \"name\": \"get_weather_forecast\",\n \"description\": \"Belirtilen konum i\u00e7in hava durumu tahminini d\u00f6nd\u00fcr\u00fcr.\",\n \"parameters\": {\n \"type\": \"object\",\n \"properties\": {\n \"location\": {\n \"type\": \"string\",\n \"description\": \"Hava durumu al\u0131nacak \u015fehir, \u00f6rn. \u0130stanbul, Ankara\",\n },\n \"unit\": {\"type\": \"string\", \"enum\": [\"celsius\", \"fahrenheit\"]},\n },\n \"required\": [\"location\"],\n },\n },\n }\n ]\n\n messages = [{\"role\": \"user\", \"content\": \"\u0130stanbul'da hava nas\u0131l?\"}]\n\n response = client.chat.completions.create(\n model=\"gpt-4-turbo\", # veya ba\u015fka bir uygun model\n messages=messages,\n tools=tools,\n tool_choice=\"auto\",\n )\n\n response_message = response.choices[0].message\n tool_calls = response_message.tool_calls\n\n if tool_calls:\n available_functions = {\n \"get_weather_forecast\": get_weather_forecast,\n }\n messages.append(response_message)\n for tool_call in tool_calls:\n function_name = tool_call.function.name\n function_to_call = available_functions[function_name]\n function_args = json.loads(tool_call.function.arguments)\n function_response = function_to_call(\n location=function_args.get(\"location\"),\n unit=function_args.get(\"unit\")\n )\n messages.append(\n {\n \"tool_call_id\": tool_call.id,\n \"role\": \"tool\",\n \"name\": function_name,\n \"content\": json.dumps(function_response),\n }\n )\n second_response = client.chat.completions.create(\n model=\"gpt-4-turbo\",\n messages=messages,\n )\n print(\"M\u00fc\u015fteriye Verilen Yan\u0131t:\", second_response.choices[0].message.content)\n else:\n print(\"M\u00fc\u015fteriye Verilen Yan\u0131t:\", response_message.content)\n <\/code><\/pre>\nOtomasyonla Verimlili\u011fi Art\u0131rmak: AI'\u0131 Kendi Ba\u015f\u0131n\u0131za \u00c7al\u0131\u015ft\u0131rmak<\/h2>\n
Vaka Analizi: Otomatik Kod \u0130ncelemesi ve D\u00f6k\u00fcmantasyon Olu\u015fturma<\/h3>\n
\n
\n \n import openai\n import os\n\n # OpenAI API anahtar\u0131n\u0131z\u0131 ortam de\u011fi\u015fkeni olarak ayarlay\u0131n\n # os.environ[\"OPENAI_API_KEY\"] = \"sk-...\" \n # client = openai.OpenAI() # Ger\u00e7ek kullan\u0131mda API anahtar\u0131n\u0131z\u0131 buraya ekleyin\n\n # Sim\u00fcle edilmi\u015f bir OpenAI istemcisi\n class MockOpenAIClient:\n def __init__(self):\n self.chat_completions = self\n\n def create(self, model, messages, max_tokens=None):\n # Basit bir \u00f6zet d\u00f6nd\u00fcren sim\u00fcle edilmi\u015f yan\u0131t\n user_message_content = messages[0]['content']\n if \"i\u00e7eri\u011fini \u00f6zetle\" in user_message_content:\n summary = f\"Sim\u00fcle edilmi\u015f \u00f6zet: '{user_message_content[user_message_content.find(':', user_message_content.find('i\u00e7eri\u011fini \u00f6zetle'))+1:].strip()}' \u00e7ok \u00f6nemli konular\u0131 kaps\u0131yor ve ana fikri ba\u015far\u0131yla iletiyor.\"\n else:\n summary = \"\u00dczg\u00fcn\u00fcm, bu i\u00e7eri\u011fi \u00f6zetleyemedim.\"\n return type('obj', (object,), {\n 'choices': [type('obj', (object,), {\n 'message': type('obj', (object,), {\n 'content': summary\n })\n })]\n })()\n\n client = MockOpenAIClient() # Ger\u00e7ek kullan\u0131mda openai.OpenAI() kullan\u0131n\n\n def summarize_file(filepath):\n try:\n with open(filepath, 'r', encoding='utf-8') as file:\n content = file.read()\n\n prompt = f\"A\u015fa\u011f\u0131daki dosya i\u00e7eri\u011fini ana noktalar\u0131n\u0131 vurgulayarak \u00f6zetle:\\n\\n{content}\"\n\n response = client.chat_completions.create(\n model=\"gpt-4-turbo\", # Kullanmak istedi\u011finiz YZ modelini belirtin\n messages=[\n {\"role\": \"system\", \"content\": \"Sen, yaz\u0131l\u0131m dok\u00fcmantasyonu ve kod analizinde uzmanla\u015fm\u0131\u015f bir YZ asistan\u0131s\u0131n.\"},\n {\"role\": \"user\", \"content\": prompt}\n ],\n max_tokens=500 # \u00d6zetin uzunlu\u011funu s\u0131n\u0131rlayabiliriz\n )\n return response.choices[0].message.content\n except FileNotFoundError:\n return \"Hata: Dosya bulunamad\u0131.\"\n except Exception as e:\n return f\"Bir hata olu\u015ftu: {e}\"\n\n # \u00d6rnek kullan\u0131m:\n # Test i\u00e7in ge\u00e7ici bir dosya olu\u015ftural\u0131m\n with open(\"example_code.py\", \"w\", encoding=\"utf-8\") as f:\n f.write(\"\"\"\n def calculate_factorial(n):\n if n == 0:\n return 1\n else:\n return n * calculate_factorial(n-1)\n\n def fibonacci_sequence(n):\n sequence = [0, 1]\n while len(sequence) < n:\n sequence.append(sequence[-1] + sequence[-2])\n return sequence\n\n # Bu fonksiyonlar matematiksel hesaplamalar yapar.\n # Fakt\u00f6riyel ve Fibonacci dizisi i\u00e7in kullan\u0131l\u0131rlar.\n \"\"\")\n\n summary = summarize_file(\"example_code.py\")\n print(f\"example_code.py dosyas\u0131n\u0131n \u00f6zeti:\\n{summary}\")\n\n # Ge\u00e7ici dosyay\u0131 silelim\n os.remove(\"example_code.py\")\n <\/code><\/pre>\nPratik Uygulamalar ve Entegrasyon Stratejileri: AI'\u0131 Projelerinize Nas\u0131l Dahil Edersiniz?<\/h2>\n
Vaka Analizi: E-ticaret Sitesinde Ki\u015fiselle\u015ftirilmi\u015f Pazarlama Otomasyonu<\/h3>\n
\n
\n
\n \n