[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ai-engineer\u002Faimlops-model-monitoring-drift-detection":4,"config":193},null,{"field_key":5,"field_name":6,"seniority":7,"topic_key":8,"topic_name":9,"spec_key":7,"spec_name":7,"locale":10,"cell_total":11,"field_total":12,"seniorities":13,"topics":17,"specs":97,"samples":108},"ai-engineer","AI Engineer","","aimlops-model-monitoring-drift-detection","Aimlops Model Monitoring Drift Detection","tr",75,2025,[14,15,16],"junior","mid","senior",[18,21,24,27,30,33,34,37,40,43,46,49,52,55,58,61,64,67,70,73,76,79,82,85,88,91,94],{"key":19,"name":20,"count":11},"agents-tool-use","Agents Tool Use",{"key":22,"name":23,"count":11},"aimlops-deployment-strategies-ml","Aimlops Deployment Strategies Ml",{"key":25,"name":26,"count":11},"aimlops-experiment-tracking-reproducibility","Aimlops Experiment Tracking Reproducibility",{"key":28,"name":29,"count":11},"aimlops-feature-store-data-versioning","Aimlops Feature Store Data Versioning",{"key":31,"name":32,"count":11},"aimlops-ml-cicd-pipelines","Aimlops Ml Cicd Pipelines",{"key":8,"name":9,"count":11},{"key":35,"name":36,"count":11},"aimlops-model-versioning-registry","Aimlops Model Versioning Registry",{"key":38,"name":39,"count":11},"aipy-async-concurrency-ml-serving","Aipy Async Concurrency Ml Serving",{"key":41,"name":42,"count":11},"aipy-data-pipeline-dataloader","Aipy Data Pipeline Dataloader",{"key":44,"name":45,"count":11},"aipy-gpu-memory-management","Aipy Gpu Memory Management",{"key":47,"name":48,"count":11},"aipy-numpy-vectorization-broadcasting","Aipy Numpy Vectorization Broadcasting",{"key":50,"name":51,"count":11},"aipy-python-ml-packaging-environments","Aipy Python Ml Packaging Environments",{"key":53,"name":54,"count":11},"aipy-tensor-ops-autograd","Aipy Tensor Ops Autograd",{"key":56,"name":57,"count":11},"embeddings-vector-search","Embeddings Vector Search",{"key":59,"name":60,"count":11},"evaluation-testing","Evaluation Testing",{"key":62,"name":63,"count":11},"fine-tuning-adaptation","Fine Tuning Adaptation",{"key":65,"name":66,"count":11},"inference-serving","Inference Serving",{"key":68,"name":69,"count":11},"llm-fundamentals","Llm Fundamentals",{"key":71,"name":72,"count":11},"prompt-engineering","Prompt Engineering",{"key":74,"name":75,"count":11},"rag-chunking-indexing","Rag Chunking Indexing",{"key":77,"name":78,"count":11},"rag-embeddings-similarity","Rag Embeddings Similarity",{"key":80,"name":81,"count":11},"rag-evaluation","Rag Evaluation",{"key":83,"name":84,"count":11},"rag-generation-context","Rag Generation Context",{"key":86,"name":87,"count":11},"rag-reranking-fusion","Rag Reranking Fusion",{"key":89,"name":90,"count":11},"rag-retrieval","Rag Retrieval",{"key":92,"name":93,"count":11},"rag-retrieval-search","Rag Retrieval Search",{"key":95,"name":96,"count":11},"safety-guardrails","Safety Guardrails",[98,102,105],{"key":99,"name":100,"count":101},"llm-rag","LLM\u002FRAG",450,{"key":103,"name":104,"count":101},"mlops","MLOps",{"key":106,"name":107,"count":101},"python","Python",[109,127,140,154,167,180],{"id":110,"topic":9,"difficulty":111,"body":112,"options":113,"correct_key":118,"explanation":126},"019f94fd-6a0c-7497-82e3-41de76d342ad",1,"Prodüksiyon model monitoring'de 'data drift' nedir?",[114,117,120,123],{"key":115,"text":116},"a","Yalnızca serving kodundaki bir hatadan kaynaklanan, girdi verisiyle ilgisi olmayan bir accuracy düşüşü.",{"key":118,"text":119},"b","Modelin girdi özelliklerinin istatistiksel dağılımının, eğitim verisine kıyasla değişmesi.",{"key":121,"text":122},"c","İstek hacmi arttıkça inference latency'sinin zamanla kademeli olarak artması.",{"key":124,"text":125},"d","Girdiler değişmeden, girdi özellikleri ile hedef etiket arasındaki ilişkinin değişmesi.","Data drift, girdi özellik dağılımının modelin eğitildiği dağılımdan uzaklaşmasıdır (örn. ortalama sipariş tutarının zamanla yükselmesi) — girdi-çıktı ilişkisinin kendisi değişmiş olsun ya da olmasın. (a) bir kod hatasını anlatır, istatistiksel bir özellik değil. (c) latency\u002Fperformans konusudur, verinin istatistiğiyle ilgili değildir. (d) concept drift'i tanımlar; bu, girdi-çıktı ilişkisinin değişmesidir ve ayrı bir olgudur.",{"id":128,"topic":9,"difficulty":111,"body":129,"options":130,"correct_key":124,"explanation":139},"019f94fd-6a0d-7001-8f2d-51d6211e9f33","'Concept drift' nedir ve data drift'ten farkı ne?",[131,133,135,137],{"key":115,"text":132},"Concept drift, özellik dağılımının değişmesi demektir; data drift ise etiket dağılımının değişmesi demektir.",{"key":118,"text":134},"Concept drift ve data drift, birbirinin yerine kullanılan aynı olgunun iki adıdır genel olarak.",{"key":121,"text":136},"Concept drift yalnızca computer vision modellerinde, data drift ise yalnızca tabular modellerde görülür.",{"key":124,"text":138},"Concept drift, girdi dağılımları istatistiksel olarak sabit görünse bile, girdiler ile hedef arasındaki gerçek ilişkinin değişmesi demektir.","Concept drift, P(etiket | girdi)'nin değişmesidir — modelin yakalaması gereken temel örüntü değişir (örn. 'dolandırıcılık' sayılan davranış değişir); bu, girdilerin kendisi istatistiksel olarak sabit görünse bile olabilir. (a) tanımları yer değiştiriyor. (b) iki ayrı olguyu tek sayarak önemli bir teşhis ayrımını kaybediyor. (c) her iki kavramın da gerçekte kapsamıyla uyuşmayan bir modalite kısıtlaması uyduruyor.",{"id":141,"topic":9,"difficulty":142,"body":143,"options":144,"correct_key":115,"explanation":153},"019f94fd-6a0d-78a4-8e07-eb77b5fef555",2,"Bir dolandırıcılık tespit modelinin girdi özellikleri (işlem tutarı, merchant kategorisi, saat) eğitim zamanındakiyle istatistiksel olarak aynı görünüyor, ama dolandırıcılar taktik değiştirdiği için modelin precision'ı sert biçimde düşüyor. Bu en olası olarak neyin örneğidir?",[145,147,149,151],{"key":115,"text":146},"Concept drift: aynı görünen girdiler ile dolandırıcılık etiketi arasındaki ilişki değişmiş.",{"key":118,"text":148},"Data drift: girdi özellik dağılımları eğitim dağılımından uzaklaşmış.",{"key":121,"text":150},"Bir etiketleme hatası: gerçek dolandırıcılık etiketleri yanlış veri tipiyle kaydediliyor.",{"key":124,"text":152},"Model overfitting: model eğitim setini ezberlemiş ve yeni işlemlere hiç genelleyememiş.","Girdiler değişmemiş görünse de, onları etikete ('bu dolandırıcılık mı?') bağlayan örüntü değiştiği için bu concept drift'tir (a). (b), özellik dağılımlarının aynı göründüğü öncülüyle elenir. (c) ve (d), senaryonun hiçbir kanıt sunmadığı ilgisiz hata modları (bir veri-tipi hatası ya da eğitim-zamanı genelleme sorunu) uyduruyor.",{"id":155,"topic":9,"difficulty":111,"body":156,"options":157,"correct_key":124,"explanation":166},"019f94fd-6a0e-7b0d-893f-9e139ab1f9de","'Müşteri yaşı' gibi sayısal bir özellik için, ground-truth etikete ihtiyaç duymadan data drift tespiti amacıyla tipik olarak neyi izlersin?",[158,160,162,164],{"key":115,"text":159},"Modelin eğitim repository'sinde şu anda geçen unit test sayısını.",{"key":118,"text":161},"Şu anda deploy edilmiş modeli eğiten kodun tam git commit hash'ini.",{"key":121,"text":163},"Modelin tek bir istek için tahmin döndürmesinin kaç milisaniye sürdüğünü.",{"key":124,"text":165},"Gelen değerlerin dağılımının (ör. ortalama, quantile'lar, histogram) eğitim dağılımıyla nasıl karşılaştığını.","Özellik dağılımı izleme, canlı girdi istatistiklerini (ortalama, quantile'lar, histogram şekli) eğitim baseline'ıyla karşılaştırır ve ground-truth etikete ihtiyaç duymaz (d). (a) ve (b) girdi istatistikleriyle ilgisiz yazılım\u002Frepo metadata'sıdır. (c) latency ölçer, bu bir serving-performans konusudur, dağılımla ilgili değildir.",{"id":168,"topic":9,"difficulty":142,"body":169,"options":170,"correct_key":115,"explanation":179},"019f94fd-6a0f-789b-833e-c56d80361552","Bir modelin downstream performans metriği (accuracy gibi) gözle görülür şekilde bozulmadan önce data drift izlemek neden faydalıdır?",[171,173,175,177],{"key":115,"text":172},"Erken uyarı sinyali olabilir, çünkü girdi kaymaları genelde ölçülebilir bir performans düşüşünden önce ortaya çıkar.",{"key":118,"text":174},"Gerçek performans metriklerini hiç ölçme ihtiyacını ortadan kaldırır, çünkü drift skorları her zaman daha doğrudur.",{"key":121,"text":176},"Bir modelin prodüksiyona deploy edilebilmesi için her cloud sağlayıcının kullanım şartlarınca zorunludur.",{"key":124,"text":178},"Hiçbir özellikte drift tespit edilmediği sürece modelin tahminlerinin doğru kalacağını garanti eder.","Girdilerdeki dağılım kaymaları, gecikmeli bir performans metriğini etkileyecek kadar etiketli sonuç birikmeden önce ortaya çıkabilir; bu yüzden drift izleme daha erken, tamamlayıcı bir sinyal sağlar (a). (b), drift izlemenin performans değerlendirmesinin yerine geçtiğini yanlış iddia ediyor; oysa onu tamamlar. (c) uydurma bir sağlayıcı zorunluluğu icat ediyor. (d), accuracy'nin girdi dağılımı dışındaki etkenlere de bağlı olduğu gerçeğini görmezden gelerek drift izlemenin veremeyeceği bir garanti iddia ediyor.",{"id":181,"topic":9,"difficulty":142,"body":182,"options":183,"correct_key":118,"explanation":192},"019f94fd-6a10-7903-858b-553306f683a0","Bir monitoring dashboard'u son bir ayda 'model performance decay' gösteriyor. Bu terim neyi tanımlar?",[184,186,188,190],{"key":115,"text":185},"Model artifact dosyasının diskteki fiziksel depolama boyutunun kademeli olarak azalması.",{"key":118,"text":187},"Modelin gerçek dünyadaki tahmin kalitesinin (ör. accuracy, precision) yayınlandığı zamana kıyasla kademeli olarak düşmesi.",{"key":121,"text":189},"Depolama maliyetini azaltmak için eski model sürümlerinin model registry'den planlı olarak kaldırılması.",{"key":124,"text":191},"Modelin inference zamanında aldığı özellik sütunu sayısının artması.","Performance decay, genellikle drift ya da değişen bir ortamdan kaynaklanan, tahmin kalitesinin yayın zamanına kıyasla zamanla bozulmasını tanımlar (b). (a) disk kullanımını anlatır, tahmin kalitesiyle ilgisizdir. (c) registry bakımını anlatır, bir kalite sinyali değildir. (d) özellik kümesinde bir şema değişikliğini anlatır; bu drift'in olası bir nedeni olabilir ama decay'in tanımı değildir.",{"fields":194,"seniorities":372,"interview_shapes":373,"locales":378,"oauth":380,"question_count":383,"coach_enabled":384,"jd_match_enabled":384},[195,218,238,255,279,286,305,324,346,353,359,366],{"key":196,"name_tr":197,"name_en":197,"sort":111,"specializations":198},"backend","Backend",[199,202,205,206,209,212,215],{"key":200,"name":201,"field":196},"general","Genel",{"key":203,"name":204,"field":196},"go","Go",{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},"java","Java",{"key":210,"name":211,"field":196},"csharp","C#\u002F.NET",{"key":213,"name":214,"field":196},"nodejs","Node.js",{"key":216,"name":217,"field":196},"php","PHP",{"key":219,"name_tr":220,"name_en":220,"sort":142,"specializations":221},"frontend","Frontend",[222,223,226,229,232,235],{"key":200,"name":201,"field":219},{"key":224,"name":225,"field":219},"javascript","JavaScript",{"key":227,"name":228,"field":219},"typescript","TypeScript",{"key":230,"name":231,"field":219},"react","React",{"key":233,"name":234,"field":219},"vue","Vue",{"key":236,"name":237,"field":219},"angular","Angular",{"key":239,"name_tr":240,"name_en":240,"sort":241,"specializations":242},"fullstack","Fullstack",3,[243,244,245,246,247,248,249,250,251,252,253,254],{"key":200,"name":201,"field":239},{"key":203,"name":204,"field":196},{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},{"key":210,"name":211,"field":196},{"key":213,"name":214,"field":196},{"key":216,"name":217,"field":196},{"key":224,"name":225,"field":219},{"key":227,"name":228,"field":219},{"key":230,"name":231,"field":219},{"key":233,"name":234,"field":219},{"key":236,"name":237,"field":219},{"key":256,"name_tr":257,"name_en":257,"sort":258,"specializations":259},"devops-cloud","DevOps \u002F Cloud",4,[260,261,264,267,270,273,276],{"key":200,"name":201,"field":256},{"key":262,"name":263,"field":256},"aws","AWS",{"key":265,"name":266,"field":256},"gcp","GCP",{"key":268,"name":269,"field":256},"azure","Azure",{"key":271,"name":272,"field":256},"kubernetes","Kubernetes",{"key":274,"name":275,"field":256},"terraform","Terraform",{"key":277,"name":278,"field":256},"linux","Linux",{"key":5,"name_tr":6,"name_en":6,"sort":280,"specializations":281},5,[282,283,284,285],{"key":200,"name":201,"field":5},{"key":106,"name":107,"field":5},{"key":99,"name":100,"field":5},{"key":103,"name":104,"field":5},{"key":287,"name_tr":288,"name_en":289,"sort":290,"specializations":291},"database","Veritabanı","Database",6,[292,293,296,299,302],{"key":200,"name":201,"field":287},{"key":294,"name":295,"field":287},"postgresql","PostgreSQL",{"key":297,"name":298,"field":287},"mysql","MySQL",{"key":300,"name":301,"field":287},"mongodb","MongoDB",{"key":303,"name":304,"field":287},"redis","Redis",{"key":306,"name_tr":307,"name_en":308,"sort":309,"specializations":310},"mobile","Mobil","Mobile",7,[311,312,315,318,321],{"key":200,"name":201,"field":306},{"key":313,"name":314,"field":306},"ios-swift","iOS (Swift)",{"key":316,"name":317,"field":306},"android-kotlin","Android (Kotlin)",{"key":319,"name":320,"field":306},"flutter","Flutter",{"key":322,"name":323,"field":306},"react-native","React Native",{"key":325,"name_tr":326,"name_en":327,"sort":328,"specializations":329},"security","Güvenlik","Security",8,[330,331,334,337,340,343],{"key":200,"name":201,"field":325},{"key":332,"name":333,"field":325},"appsec","AppSec",{"key":335,"name":336,"field":325},"offensive-pentest","Offensive \u002F Pentest",{"key":338,"name":339,"field":325},"cloud-security","Cloud Security",{"key":341,"name":342,"field":325},"devsecops","DevSecOps",{"key":344,"name":345,"field":325},"blue-team-incident","Blue Team \u002F Incident",{"key":347,"name_tr":348,"name_en":349,"sort":350,"specializations":351},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[352],{"key":200,"name":201,"field":347},{"key":354,"name_tr":355,"name_en":355,"sort":356,"specializations":357},"data-engineer","Data Engineer",10,[358],{"key":200,"name":201,"field":354},{"key":360,"name_tr":361,"name_en":362,"sort":363,"specializations":364},"game-dev","Oyun Geliştirme","Game Development",11,[365],{"key":200,"name":201,"field":360},{"key":367,"name_tr":368,"name_en":368,"sort":369,"specializations":370},"ml-engineer","ML Engineer",12,[371],{"key":200,"name":201,"field":367},[14,15,16],{"junior":374,"mid":376,"senior":377},{"questions":375,"median_sec":3},20,{"questions":375,"median_sec":3},{"questions":375,"median_sec":3},[10,379],"en",[381,382],"google","github",21750,true]