Yapay zekâ ekibi kuran birçok şirket aynı sorunla karşılaşıyor: İlanlar yayında, başvurular geliyor, ama doğru kişiyi seçmek zor. Özgeçmişlerde aynı kelimeler tekrar ediyor, mülakatlar görüşmeyi yapanın sezgisine kalıyor ve birkaç ay sonra "beklediğimiz kişi bu değildi" deniyor.
Bu yazıda veri bilimci ve makine öğrenmesi (ML) mühendisi mülakatlarını daha güvenilir hâle getirmek için yapılandırılmış bir yaklaşım sunuyoruz.
Önce rolü netleştirin
Mülakattaki hataların çoğu mülakattan önce yapılıyor: Rol belirsizse doğru soruyu sormak mümkün değil. "Veri bilimci" başlığı çok farklı işleri kapsayabiliyor:
| Rol | Ağırlıklı iş | Mülakatta öncelik |
|---|---|---|
| Veri analisti | Raporlama, analiz, iş sorularına cevap | SQL, istatistik, iletişim |
| Veri bilimci | Modelleme, deney tasarımı, iş problemi çözme | İstatistik, modelleme, problem tanımlama |
| Makine öğrenmesi mühendisi | Modelleri canlıya alma, ölçeklendirme | Yazılım mühendisliği, sistem tasarımı, MLOps |
| MLOps / platform mühendisi | Altyapı, otomasyon, izleme | DevOps, bulut, CI/CD |
| Yapay zekâ ürün sorumlusu | Kullanım senaryosu, önceliklendirme, ekip koordinasyonu | Ürün düşüncesi, iş bilgisi, iletişim |
Rol tanımında şunlar yazılı olmalı: ilk 6 ayda çözülmesi beklenen problemler, çalışılacak veri ve teknolojiler, kiminle çalışacağı ve kıdem seviyesi. Hangi rollere hangi sırayla ihtiyaç olduğunu yapay zekâ ekibi nasıl kurulur yazımızda ele aldık.
Neden yapılandırılmış mülakat?
Yapılandırılmış mülakatta tüm adaylara aynı sorular sorulur ve cevaplar önceden belirlenmiş ölçütlerle puanlanır. İşe alım araştırmalarında bu yaklaşımın gücü defalarca gösterildi: Sackett ve arkadaşlarının 2022'de yayımlanan kapsamlı yeniden analizinde yapılandırılmış mülakatlar, iş performansını öngörmede ortalama geçerliliği en yüksek yöntem olarak öne çıktı. Araştırmacılar bunun her durumda tek bir yöntemi seçmek için bir zorunluluk olmadığını da not ediyor; ama sezgiye dayalı serbest sohbetin yerine sistematik bir yapı kurmanın gerekçesi güçlü.
Önerilen mülakat süreci
1. Ön görüşme (30 dk)
Adayın deneyimini ve rolle uyumunu anlamak için. "Özgeçmişinizdeki en zor projeyi anlatın: problem neydi, siz ne yaptınız, sonuç ne oldu?" sorusu, adayın kendi katkısını ekibin katkısından ayırabilmesini görmek için iyi bir başlangıçtır.
2. Teknik temel (45–60 dk)
Rolün gerektirdiği temel bilgiyi ölçer. Ezber tanım sorularından çok "neden" ve "ne zaman" soruları:
- İstatistik ve değerlendirme: "Dengesiz bir veri setinde doğruluk neden yanıltıcı olabilir? Yerine neye bakarsınız?"
- Modelleme: "Bir modelin eğitimde çok iyi, testte kötü çalıştığını görüyorsunuz. Neleri kontrol edersiniz?"
- Veri: "Veri sızıntısı nedir? Bir projede nasıl fark edersiniz?"
- Mühendislik (ML mühendisi için): "Bir modelin canlıda performansının düştüğünü nasıl anlarsınız? Nasıl bir izleme kurarsınız?"
- LLM uygulamaları (ilgiliyse): "Kurumsal dokümanlarla çalışan bir asistanın cevap kalitesini nasıl ölçersiniz?"
3. Vaka çalışması (2–4 saat, sınırlı süreli)
Gerçek işe en yakın aşama. İyi bir vaka:
- Şirketinizin gerçek problemine benzer ama gizli veri içermeyen, anonim veya sentetik bir veri seti kullanır.
- Süreyi açıkça sınırlar, adayın birkaç gününü almaz.
- "Mükemmel model"den çok yaklaşımı ölçer: problemi nasıl tanımladı, veriyi nasıl inceledi, hangi varsayımları yaptı, sonucu nasıl anlattı?
4. Vaka tartışması (45 dk)
Aday çözümünü panele anlatır; panel sorular sorar. Bu oturum hem çözümün adaya ait olduğunu doğrular hem de adayın gerekçelerini, alternatifleri ve sınırları nasıl düşündüğünü gösterir. "Bir haftanız daha olsaydı ne yapardınız?" sorusu çok şey anlatır.
5. Takım ve iletişim görüşmesi (30–45 dk)
Yapay zekâ projeleri iş birimleriyle sürekli temas gerektirir. "Teknik olmayan bir yöneticiye modelinizin neden yanlış tahmin yaptığını nasıl anlatırsınız?" gibi sorular bu beceriyi ölçer.
Puanlama ölçütleri
Her aşama için ölçütleri ve puan tanımlarını mülakattan önce yazın. Örnek bir değerlendirme tablosu:
| Ölçüt | 1 – Zayıf | 3 – Yeterli | 5 – Güçlü |
|---|---|---|---|
| Problem tanımlama | Doğrudan modele atlıyor | İş sorusunu soruyor | Kararı, başarı ölçütünü ve kısıtları netleştiriyor |
| Veri inceleme | Veriye bakmadan model kuruyor | Temel kontrolleri yapıyor | Sızıntı, eksik veri ve yanlılığı sistematik kontrol ediyor |
| Değerlendirme | Tek bir ölçüye bakıyor | Uygun ölçüyü seçiyor | Ölçünün iş anlamını ve sınırlarını açıklıyor |
| İletişim | Teknik terimlere boğuyor | Anlaşılır anlatıyor | Karar vericiye uygun dille, belirsizlikleri de söyleyerek anlatıyor |
| Mühendislik (rol gerektiriyorsa) | Kod düzensiz | Çalışır ve okunur | Test edilebilir, tekrarlanabilir, canlıya hazır düşünüyor |
İpuçları: - Her panelist puanını bağımsız versin, tartışma puanlardan sonra yapılsın. - Tüm adaylara aynı vaka ve aynı ölçütler uygulansın. - Notlar somut gözlemlere dayansın ("veri sızıntısını kendisi fark etti"), genel izlenimlere değil ("iyi bir enerjisi var").
Sık yapılan hatalar
- Bilmece soruları: İşle ilgisi olmayan zekâ soruları rolün gerektirdiği beceriyi ölçmez.
- Araç ezberi: "Şu kütüphanenin şu parametresi ne yapar?" soruları dokümantasyona bakılarak cevaplanabilecek bilgiyi ölçer.
- Bitmeyen ev ödevleri: Günlerce süren vaka çalışmaları iyi adayları kaçırır.
- Tek kişilik karar: Teknik aşamayı tek bir kişinin sezgisine bırakmak.
- Rolü mülakatta keşfetmek: "Bakalım ne yapabilir" yaklaşımı, karşılaştırmayı imkânsız hâle getirir.
Sonuç
Yapay zekâ rollerinde doğru işe alım; net bir rol tanımı, gerçek işe yakın bir vaka çalışması ve önceden yazılmış ölçütlerle yapılan yapılandırılmış bir mülakatla mümkün. Bu, hem adaylara adil davranmayı hem de kurumun yanlış işe alımın maliyetinden korunmasını sağlar.
Yetenek ve İşe Alım Desteği modülümüzde rol tanımlarını, mülakat soru setlerini, vaka çalışmasını ve puanlama ölçütlerini birlikte hazırlıyor; teknik aşamalarda panelde uzman olarak yer alıyoruz. Aday bulma ve yönlendirme hizmeti vermiyoruz; adayları siz bulursunuz, teknik değerlendirmeyi birlikte yaparız.
Kaynaklar
- Sackett, Zhang, Berry ve Lievens (2022) – Revisiting meta-analytic estimates of validity in personnel selection, Journal of Applied Psychology
- SIOP – Is cognitive ability the best predictor of job performance?
- Chip Huyen – Introduction to Machine Learning Interviews
- Google – Rules of Machine Learning