yoklateknik mülakat
GelişimGeçmiş

AI Engineer Mülakat Soruları

2025 doğrulanmış AI Engineer mülakat sorusu — cevaplarıyla çöz, açıklamalarıyla öğren, gerçek simülasyonda kendini test et.

Gerçek simülasyonu dene →

Örnek sorular

Agents Tool UseZorluk 1
Bir LLM, konuşma sırasında 'tool calling' (araç çağırma) yaptığında gerçekte ne olur?
  • aModel, hangi aracı kullanmak istediğini belirten yapılandırılmış bir istek (araç adı + argümanlar) üretir; bu aracı asıl çalıştıran ve sonucu geri veren uygulamadır.✓
  • bModel, aracın kodunu kendi çalışma zamanında doğrudan çalıştırır ve sonucu konuşmaya döndürür.
  • cModel konuşmayı duraklatır ve sağlayıcının sunucularında aracı otomatik olarak, uygulamadan hiçbir kod olmadan çalıştırır.
  • dModel, aracın network endpoint'ini uygulamayı hiç devreye sokmadan kendisi çağırır.
Açıklama:Model kendisi kod çalıştırmaz veya network çağrısı yapmaz — sadece yapılandırılmış bir niyet (araç adı + argümanlar) üretir. Bu niyeti parse edip gerçek aracı çalıştırmak ve sonucu geri beslemek uygulamanın sorumluluğundadır. b, c ve d şıkları modele sahip olmadığı bir execution yeteneği atfediyor.
Agents Tool UseZorluk 1
Bir aracın (tool) şemasındaki açıklama metni, tool calling için neden önemlidir?
  • aSadece insanlar için dokümantasyon amaçlıdır ve modelin gerçek davranışına hiçbir etkisi yoktur, çünkü model hangi aracı çağıracağına salt fonksiyonun iç implementasyon koduna bakarak karar verir, şema metnine değil.
  • bModel, bir aracı ne zaman ve nasıl çağıracağına karar verirken adını, açıklamasını ve parametrelerini kullanır; bu yüzden belirsiz bir açıklama yanlış çağrı ihtimalini artırır.✓
  • cAraçların sunucuda hangi sırayla çalışacağını belirler, modelin isteğinden bağımsız olarak.
  • dSadece JSON döndüren araçlar için gereklidir; düz metin döndüren araçların açıklamaya ihtiyacı yoktur.
Açıklama:Şema (ad, açıklama, parametre tanımları) modelin bir aracın ne işe yaradığı ve ne zaman kullanılacağı hakkındaki tek bilgi kaynağıdır. Zayıf bir açıklama, modelin yanlış aracı seçmesine veya argümanları hatalı doldurmasına yol açar. Salt dokümantasyon değil, doğrudan model davranışını şekillendiren bir girdidir.
Agents Tool UseZorluk 1
Klasik 'agent loop' (ajan döngüsü) örüntüsünde, bir iterasyon içindeki adımların tipik sırası nedir?
  • aÖnce eylem yap, sonra düşün ve sonucu hiç incelemeden tekrarla.
  • bOrtamı en baştan yalnızca bir kez gözlemle, sonra daha sonraki hiçbir gözlemin ne gösterdiğine bakmaksızın o ilk eylemi tekrarlamaya devam et.
  • cSıradaki adımı düşün, bir tool call gibi bir eylem yap, sonucu gözlemle ve bu gözlemi sıradaki adıma karar vermek için kullan.✓
  • dMevcut tüm araçları aynı anda çağır, sonra hangi sonucun tutulacağını düşün.
Açıklama:Standart agent loop: düşün → eylem yap → gözlemle → tekrarla. Model sıradaki adımı düşünür, bir eylem gerçekleştirir, sonucu (gözlemi) alır ve bunu bir sonraki muhakemesine dahil eder. a, b ve d şıkları gözlemden muhakemeye geri beslemeyi atlıyor ya da sırayı bozuyor.
Agents Tool UseZorluk 1
LLM ajanlarındaki ReAct örüntüsü neyi ifade eder?
  • aAçık muhakeme adımlarını (düşünceleri) tool call gibi eylemlerle iç içe örmek; her eylem muhakemeyle yönlendirilir, her sonuç da onu günceller.✓
  • bBazı frontend uygulamalarının bir ajanın sohbet arayüzünü göstermek için kullandığı bir UI render framework'ü; modelin kendi muhakemesi ya da araç çağırmasıyla ilgisi yoktur.
  • cModelin yalnızca kullanıcı mesajlarına pasifçe tepki verdiği, konuşma boyunca kendiliğinden asla bir araç çağrısı başlatmasına izin verilmeyen bir teknik.
  • dUygulamanın, altta yatan veri değişmiş olabilse bile aracı tekrar çağırmak yerine önceki bir aracın çıktısını yeniden kullandığı bir önbellekleme stratejisi.
Açıklama:ReAct (Reason+Act), modelin muhakeme izleri ile araç eylemlerini birbirine örerek, her gözlemi sonraki muhakemeyi iyileştirmek için kullandığı bir prompting/ajan örüntüsüdür. Benzer isimli JavaScript UI kütüphanesiyle ilgisi yoktur; önbellekleme veya araçsız sohbet modunu tarif etmez.
Agents Tool UseZorluk 1
Konuşma sırasında model şu yapılandırılmış çıktıyı üretti:
{
  "tool_call": {
    "name": "get_weather",
    "arguments": {"city": "Ankara"}
  }
}

Uygulama sırada ne yapmalı?
  • aBu yapılandırılmış çıktıyı görmezden gel ve doğrudan nihai cevabı üretmeye devam et; sanki model Ankara'daki güncel hava durumunu zaten biliyormuş gibi davran.
  • bBu ham JSON'ı nihai yanıt olarak kullanıcıya gönder.
  • cHiçbir şey çalıştırmadan bunu tamamlanmış bir eylem kaydı olarak veritabanına yaz.
  • dArgümanları parse et, get_weather'ı city="Ankara" ile çalıştır ve sonucu modele araç çıktısı olarak geri ver ki devam edebilsin.✓
Açıklama:Bu JSON sadece bir fonksiyon çağırma isteğidir — model henüz hiçbir hava durumu verisi almadı. Uygulama gerçek fonksiyonu verilen argümanlarla çalıştırmalı ve sonucu bir gözlem olarak geri beslemelidir. a, b ve c şıkları ya execution'ı tamamen atlıyor ya da dahili bir isteği son kullanıcıya sızdırıyor.
Agents Tool UseZorluk 1
Bir destek özelliği, nadiren değişen tek bir statik SSS belgesine bakarak 'İade politikamız nedir?' sorusunu yanıtlamalı. Hangi yaklaşım en uygun?
  • aCevabı arayabilmesi için tool-calling döngüsü, adım limiti ve retry mantığı olan çok adımlı bir agent kur.
  • bİlgili SSS içeriğini barındıran tek bir prompt yeterlidir; bu sabit, tek adımlı lookup için yinelemeli bir agent döngüsüne gerek yoktur.✓
  • cHerhangi bir müşteri sorusu teorik olarak birden çok araç çağrısı gerektirebileceğinden, onlarca araca sahip bir agent şarttır.
  • dModele açık uçlu, sürekli açık bir web arama erişimi verilmeli ki bu sabit belge için bile iade politikasını her istekte sıfırdan bağımsızca yeniden doğrulayabilsin.
Açıklama:İhtiyaç duyulan bilgi zaten bilinen ve sabitse, içeriği barındıran tek bir prompt (ya da tek bir doğrudan lookup) görevi, yinelemeli döngü, adım limiti veya retry yükü olmadan çözer. Sabit, tek adımlı bir cevap için tam teşekküllü bir agent kurmak fayda sağlamadan karmaşıklık ekler.

Konular

Agents Tool Use 75Aimlops Deployment Strategies Ml 75Aimlops Experiment Tracking Reproducibility 75Aimlops Feature Store Data Versioning 75Aimlops Ml Cicd Pipelines 75Aimlops Model Monitoring Drift Detection 75Aimlops Model Versioning Registry 75Aipy Async Concurrency Ml Serving 75Aipy Data Pipeline Dataloader 75Aipy Gpu Memory Management 75Aipy Numpy Vectorization Broadcasting 75Aipy Python Ml Packaging Environments 75Aipy Tensor Ops Autograd 75Embeddings Vector Search 75Evaluation Testing 75Fine Tuning Adaptation 75Inference Serving 75Llm Fundamentals 75Prompt Engineering 75Rag Chunking Indexing 75Rag Embeddings Similarity 75Rag Evaluation 75Rag Generation Context 75Rag Reranking Fusion 75Rag Retrieval 75Rag Retrieval Search 75Safety Guardrails 75

Uzmanlığa göre

LLM/RAG 450MLOps 450Python 450

Kıdeme göre

AI Engineer JuniorAI Engineer MidAI Engineer Senior

Diğer alanlar

BackendFrontendFullstackDevOps / CloudVeritabanıMobilGüvenlikQA / Test OtomasyonuData EngineerOyun GeliştirmeML Engineer

2025 soruluk AI Engineer bankasında kendini sına.

Mülakata başla