Yapay Zeka Portföyü Nasıl Hazırlanır?

Yapay zeka portföyü, LLM entegrasyonu, veri setleri ve RAG sistemleri gibi uygulamalı projelerin kod yapısını, model performansını ve işlevselliğini belgeleyen somut çalışmalar bütünüdür.

Yapay zeka alanında teknik yetkinlik sergilemek, akademik iddiaların veya teorik algoritmaların ötesine geçerek üretim ortamına hazır (production-ready) sistemler geliştirmeyi zorunlu kılar. İşletme sahipleri, teknoloji liderleri ve yatırımcılar için bir mühendisin ya da ekibin değerini kanıtlayan ana unsur, iş süreçlerindeki darboğazları çözen, ölçeklenebilir ve doğrulanabilir sistemlerdir. Bu rehberde Yapay Zeka Portföyü Nasıl Hazırlanır? sorusunun operasyonel adımlarını, endüstri standardı mimarileri, veri güvenliği protokollerini ve model değerlendirme süreçlerini teknik derinlikle inceliyoruz.

Yapay Zeka Portföyü Nedir ve Neden Stratejik Değer Taşır?

Yapay zeka portföyü, bir geliştiricinin, veri bilimcinin veya makine öğrenmesi mühendisinin yalnızca kod yazma becerisini değil; karmaşık iş problemlerini algoritmik çözümlere dönüştürme, belirsizlikleri yönetme ve kısıtlı kaynaklarla optimum performans elde etme kabiliyetini kanıtlayan doğrulanabilir bir arşivdir. Geleneksel yazılım portföyleri genellikle deterministik mantık, nesne yönelimli programlama kabiliyeti ve kullanıcı arayüzü entegrasyonlarına odaklanırken; yapay zeka portföyleri olasılıksal (probabilistic) modelleri, veri kaymalarını (data drift), gecikme optimizasyonlarını ve model güvenliğini merkezine alır.

Kurumsal karar vericiler ve teknik liderler açısından incelendiğinde, portföyün değeri projenin "çalışıyor" olmasından ziyade "nasıl çalıştığı" ve "hangi sınırlara sahip olduğu" ile ölçülür. Bir API çağrısı yaparak hazır bir büyük dil modelinden yanıt almak günümüz teknik ekosisteminde herhangi bir farklılaştırıcı değer taşımaz. Fark yaratan unsur; modelin token maliyetlerinin nasıl optimize edildiği, bağlam penceresinin (context window) nasıl yönetildiği, bilgi alma (retrieval) süreçlerindeki gürültünün nasıl elendiği ve sistemin halüsinasyon üretme ihtimaline karşı hangi güvenlik katmanlarının kurgulandığıdır.

Stratejik bir portföy, teknik kararların arkasındaki iş gerekçelerini sergilemelidir. Örneğin, belirli bir görev için milyarlarca parametreli kapalı kaynak bir model (örneğin GPT-4o sınıfı) yerine, 8 milyar parametreli açık kaynaklı bir modelin (örneğin Llama 3 tabanlı bir mimarinin) LoRA (Low-Rank Adaptation) ile ince ayardan geçirilerek tercih edilmesinin getirdiği %85 maliyet tasarrufu ve veri egemenliği avantajı açıkça belgelenmelidir. Bu yaklaşım, karar vericilere adayın sadece bir uygulayıcı değil, aynı zamanda operasyonel maliyetleri ve veri güvenliğini düşünen bir sistem mimarı olduğunu gösterir.

Teknik ekosistemde güven kazanmanın yolu, projelerin sınırlarını dürüstçe açıklayabilmekten geçer. Modelin hangi senaryolarda başarısız olduğunu, sınır durumların (edge cases) nasıl tespit edildiğini ve başarısızlık durumunda devreye giren yedek sistem mekanizmalarını şeffafça ortaya koyan bir portföy, sadece başarı hikayesi sunan yüzeysel projelere kıyasla kurumsal ölçekte katbekat daha yüksek değer taşır.

Başarılı Bir Yapay Zeka Portföyünün Temel Bileşenleri

Profesyonel bir yapay zeka portföyü, rastgele derlenmiş kod parçacıklarından veya izole edilmiş Jupyter Notebook dosyalarından oluşamaz. Endüstri standardı bir sunum; yazılım mühendisliği disiplini, matematiksel titizlik ve mimari vizyonun bir araya gelmesini gerektirir. Teknik karar vericilerin bir repozitörü incelediğinde ilk baktığı nokta, kodun yeniden üretilebilir (reproducible) olup olmadığı ve kurumsal yazılım geliştirme pratiklerine uygunluğudur.

1. Kod Yapısı ve Repozitör Düzeni (GitHub ve Hugging Face)

GitHub ve Hugging Face repozitörleriniz, teknik profesyonelliğinizin doğrudan vitrinidir. Bir repozitörde aranan ilk standart, deterministik ortam kurulumudur. Projenin bağımlılıkları sadece gevşek bir requirements.txt ile değil, kilitlenmiş sürümleri barındıran poetry.lock, Pipfile.lock veya doğrudan bir Dockerfile ile tanımlanmalıdır. Python tabanlı modern AI projelerinde modüler yapı, kodun tek bir betik dosyasına yığılmasını engeller.

ai-project-repository/
├── configs/                  # Hiperparametre ve model yapılandırmaları (.yaml)
├── data/                     # Veri sözlükleri ve örnekleme kılavuzları (ham veri hariç)
├── src/                      # Modüler çekirdek kaynak kodlar
│   ├── data_loader.py        # Veri çekme ve temizleme boru hatları
│   ├── embeddings.py         # Vektörleştirme ve parçalama (chunking) mantığı
│   ├── evaluation.py         # Metrik doğrulama ve test algoritmaları
│   └── inference.py          # Üretim ortamı çıkarım motoru
├── tests/                    # Birim (unit) ve entegrasyon testleri (pytest)
├── Dockerfile                # Kapsayıcı dağıtım yapılandırması
├── README.md                 # Kapsamlı sistem mimarisi ve çalıştırma dokümanı
└── pyproject.toml            # Bağımlılık ve paket yönetim tanımı

Hugging Face ekosisteminde ise model kartları (Model Cards) ve veri seti kartları (Dataset Cards) eksiksiz doldurulmalıdır. Modelin hangi donanım üzerinde ne kadar sürede eğitildiği, hangi temel ağırlıkların kullanıldığı, CO2 ayak izi ve bilinen sınırlamaları bu alanlarda net biçimde yer almalıdır.

2. Model Performansı ve Metriklerin Belgelenmesi

Bir modelin "iyi çalıştığını" iddia etmek kurumsal dünyada karşılık bulmaz. Başarı, nesnel ve sektörel olarak kabul görmüş metriklerle kanıtlanmalıdır. Doğal Dil İşleme (NLP) ve LLM tabanlı sistemlerde ROUGE-1, ROUGE-L, BLEU, BERTScore gibi geleneksel metriklerin yanı sıra; güncel üretim standartları olan Ragas çerçevesi (Faithfulness, Answer Relevance, Context Precision, Context Recall) üzerinden alınmış somut puanlar sunulmalıdır.

Bu metriklerin yalnızca tek bir nihai rakam olarak değil; farklı hiperparametre varyasyonları, farklı parçalama (chunking) stratejileri ve farklı sıcaklık (temperature) değerleri altında nasıl tepki verdiğini gösteren kıyaslama tabloları eklenmelidir.

3. Sistem Mimarisi ve Veri Akış Şemaları

Bir yapay zeka çözümü nadiren tek bir modelden ibarettir; veri tabanları, önbellek katmanları, API ağ geçitleri ve doğrulama mekanizmalarıyla konuşur. Portföyünüzdeki her projenin dokümantasyonunda, verinin sisteme girişinden nihai çıktının kullanıcıya ulaştığı ana kadarki yaşam döngüsünü açıklayan bir sistem mimarisi bulunmalıdır.

Mimaride şu bileşenler açıkça ayrıştırılmalıdır:

• Veri Alımı (Ingestion): Ham verinin temizlenmesi, PII (Kişisel Tanımlanabilir Bilgi) taramasından geçirilmesi ve biçimlendirilmesi.

• Parçalama ve Vektörleştirme (Chunking & Embedding): Hangi gömme (embedding) modelinin neden seçildiği, parçalama boyutunun (token chunk size) ve örtüşme (overlap) oranının gerekçeleri.

• Arama ve Sıralama (Retrieval & Re-ranking): Vektör veritabanından yapılan anlamsal aramadan sonra bir Cross-Encoder ile yeniden sıralama yapılıp yapılmadığı.

• Çıkarım ve Doğrulama Katmanı (Guardrails): Üretilen yanıtın kurumsal politikalara ve doğruluk eşiklerine uygunluğunu denetleyen mekanizma.

Portföyünüzde Olması Gereken 3 Kritik Proje Tipi

Portföyünüzü yapılandırırken genel kabul görmüş oyuncak veri setlerinden (Titanic, MNIST, Iris çiçeği gibi) kesinlikle uzak durmalısınız. Kurumsal dünyada talep gören yetkinlikler; dağınık verileri anlamlandırabilen, operasyonel iş akışlarına entegre olabilen ve kısıtlı donanımlarla yüksek performans üretebilen sistemlerdir. Aşağıdaki üç proje türü, eksiksiz bir yapay zeka portföyünün omurgasını oluşturur.

A. RAG (Retrieval-Augmented Generation) Destekli Bilgi Yönetim Sistemi

Basit bir PDF okuyucu veya temel bir LangChain demosu portföy için yetersizdir. Endüstriyel bir RAG projesi, gelişmiş bilgi alma tekniklerini (Advanced RAG) bünyesinde barındırmalıdır. Bu projede, şirket içi dokümantasyonları, teknik kılavuzları veya yasal metinleri anlamsal olarak indeksleyen bir mimari inşa edilmelidir.

Projeye derinlik kazandırmak için şu teknik adımları entegre etmelisiniz:

• Hibrit Arama (Hybrid Search): Hem anahtar kelime tabanlı BM25 algoritmasını hem de yoğun vektör aramasını (Dense Vector Search) birleştiren hibrit yapılar (örneğin Qdrant, Milvus veya Pinecone üzerinde Reciprocal Rank Fusion - RRF kullanımı).

• Yeniden Sıralama (Re-ranking): İlk aşamada dönen en alakalı 20 parçanın (chunks), bge-reranker-large gibi bir model ile yeniden sıralanarak en yüksek anlamsal yoğunluğa sahip 3-5 parçaya indirilmesi.

• Kendi Kendini Düzeltici RAG (Self-Corrective RAG): Modelin, aldığı bilginin soruyu yanıtlamak için yeterli olup olmadığını değerlendirdiği, yetersizse arama sorgusunu dinamik olarak yeniden formüle ettiği döngüsel mantık.

B. API Entegrasyonlu ve İnsan Denetimli (Human-in-the-Loop) AI Otomasyonu

İşletmeler, kontrolsüz çalışan yapay zeka sistemlerinden doğabilecek yasal ve finansal risklerden çekinir. Bu nedenle portföyünüzde, otonom kararlar alabilen ancak kritik eşiklerde insan onayına başvuran (Human-in-the-Loop) bir iş akışı otomasyonu bulunmalıdır.

Örnek Senaryo: E-ticaret platformları için tedarikçi faturalarını analiz eden, fatura anomalilerini yakalayan ve ERP sistemlerine kayıt oluşturan bir sistem. Model faturadaki ürün kalemlerini %98'in üzerinde bir güven skoruyla çıkarırsa işlem otomatik onaylanır; güven skoru %80-95 aralığında kalırsa insan operatörün önüne inceleme paneli düşer; %80 altındaysa sistem faturayı reddedip doğrudan ilgili departmana uyarı bileti açar. Bu senaryo, Pydantic ile yapılandırılmış veri doğrulama, FastAPI ile mikroservis entegrasyonu ve Celery / Redis ile asenkron görev kuyruklarının yönetimini içermelidir.

C. Veri Seti Temizliği ve Özel Model Fine-Tuning (İnce Ayar) Çalışması

Büyük dil modellerinin her görevde başarılı olamadığı durumlarda, belirli bir alanın jargonu ve veri biçimi için özelleştirilmiş modeller gerekir. Bu projede, genel amaçlı bir modelin (örneğin Mistral-7B veya Llama-3-8B), alana özgü bir veri seti üzerinde parametre verimli yöntemlerle nasıl eğitildiği sergilenmelidir.

Bu projeyi portföye koyarken şunları detaylandırmalısınız:

1. Veri Kürasyonu: Ham verinin nasıl toplandığı, çoğaltılmış verilerin (deduplication) nasıl elendiği, MinHash algoritmaları ve sentetik veri üretim teknikleri (örneğin kurallara dayalı veri artırma).

2. Eğitim Stratejisi: QLoRA (Quantized Low-Rank Adaptation) kullanılarak 4-bit nicelleştirilmiş (quantized) temel ağırlıklar üzerinde LoRA adaptörlerinin eğitilmesi, GPU VRAM kullanımının nasıl 16 GB altına çekildiği.

3. Çıkarım Optimizasyonu: Eğitilen modelin vLLM veya Ollama üzerinde GGUF/AWQ formatına dönüştürülerek saniyedeki token üretim hızının (tokens per second) nasıl artırıldığı.

Yapay Zeka Projelerinde Risk ve Kısıt Yönetiminin Gösterilmesi

Deneyimsiz uygulayıcılar modelleri kusursuz sistemler gibi sunarken, kıdemli mühendisler modellerin zaaflarını bilir ve bu zaafları sistem düzeyinde absorbe edecek mekanizmalar kurar. Portföyünüzde yer alan projelerin üretim ortamında karşılaşabileceği siber güvenlik risklerini, gizlilik ihlallerini ve bütçe aşımı tehlikelerini nasıl yönettiğinizi belgelemeniz, teknik olgunluğunuzu kanıtlamanın en kesin yoludur.

Veri Gizliliği ve Güvenlik Protokolleri (Hassas Verilerin Korunması)

Projelerinizde kullanıcıdan veya veritabanından gelen verilerin genel amaçlı modellere kontrolsüz biçimde gönderilmediğini göstermelisiniz. KVKK (Kişisel Verilerin Korunması Kanunu) ve GDPR (Genel Veri Koruma Tüzüğü) prensipleri uyarınca; ad, soyad, TC kimlik numarası, kredi kartı bilgisi veya sağlık verileri gibi PII sınıfına giren veriler sistem sınırlarında maskelenmelidir.

Portföyünüzde açık kaynaklı araçlar (örneğin Microsoft Presidio) entegrasyonunu sergileyebilirsiniz. Bu mekanizmada, kullanıcı girdisi modele ulaşmadan önce bir Regex ve Named Entity Recognition (NER) filtresinden geçer. Girdi içerisindeki hassas unsurlar <PERSON_1>, <CREDIT_CARD_1> şeklinde anonimleştirilir, model çıkarımı tamamlandıktan sonra yanıt kullanıcıya sunulurken tersine eşleme (de-anonymization) yapılır. Böylece üçüncü parti API sağlayıcılarının sunucularına hiçbir zaman hassas veri iletilmez.

Halüsinasyon Riskini Azaltma ve Doğruluk (Accuracy) Testleri

Halüsinasyon (modelin uydurma yanıtlar üretmesi), üretken yapay zekanın doğasında bulunan olasılıksal yapının kaçınılmaz bir yan etkisidir. Projenizde halüsinasyonu "engellediğinizi" iddia etmek teknik gerçeklerle bağdaşmaz; ancak bu riski nasıl tespit edip minimize ettiğinizi göstermelisiniz.

Bu süreçte kullanılan endüstri standardı yöntem LLM-as-a-Judge yaklaşımıdır. Üretilen yanıtın doğruluğunu ölçmek için daha yetkin bir model hakem olarak konumlandırılır. Hakem modele aşağıdaki değerlendirme yönergesi verilir ve çıkarımın bağlama dayalı olup olmadığı puanlanır:

Girdi Bağlamı: {retrieved_context}
Kullanıcı Sorusu: {user_query}
Model Yanıtı: {generated_answer}

Görev: Model yanıtının her bir cümlesini yalnızca girdi bağlamında yer alan bilgilerle
karşılaştırarak doğrulayın. Bağlamda bulunmayan hiçbir dış bilgiyi veya varsayımı
kabul etmeyin. Eğer yanıtta bağlam dışı bir iddia varsa, bunu 'HALÜSİNASYON' olarak
işaretleyin ve gerekçesini belirtin. Puan: [0.0 - 1.0]

Ayrıca Guardrails AI veya NeMo Guardrails gibi açık kaynaklı çerçeveler kullanılarak, modelin yanıt sınırlarının katı kurallarla çizildiği, zararlı veya konu dışı sorguların sisteme girmeden elendiği mimariler gösterilmelidir.

Token Yönetimi ve API Maliyet Optimizasyonu

Milyonlarca kullanıcının sorgu attığı bir kurumsal senaryoda, optimize edilmemiş API çağrıları işletmeleri sürdürülemez maliyetlerle karşı karşıya bırakır. Portföyünüzde bu maliyet kısıtlarını nasıl aştığınızı gösteren somut optimizasyon stratejileri yer almalıdır:

• Anlamsal Önbellekleme (Semantic Caching): Redis veya GPTCache kullanarak, daha önce sorulmuş benzer anlamsal soruların LLM'e gitmeden önbellekten döndürülmesi. Örneğin "Şirket içi izin politikası nedir?" ile "İzin alma prosedürü nasıl çalışır?" sorularının kosinüs benzerliği %95 üzerindeyse, doğrudan önbellekteki yanıt döndürülerek API maliyeti ve gecikme sıfıra indirilir.

• Küçük Modellere Yönlendirme (Model Routing): Basit sınıflandırma ve özetleme görevlerinin ucuz ve hızlı modellere (örneğin gpt-4o-mini veya Haiku), karmaşık mantık ve kodlama gerektiren görevlerin ise daha yetkin modellere yönlendirildiği dinamik yönlendirici (router) yapıları.

• Prompt Kompresyonu (Prompt Compression): LLMLingua gibi araçlarla, bağlamdaki gereksiz dolgu sözcüklerin anlamsal kayıp olmaksızın elenerek prompt token boyutunun %30-50 oranında düşürülmesi.

Yapay Zeka Portföyünüzü Dağıtabileceğiniz ve Sergileyebileceğiniz Platformlar

Teknik karar vericiler, karmaşık kurulum adımlarını takip etmek veya yerel makinelerinde gigabaytlarca model ağırlığı indirmek için vakit harcamaz. Bir projenin etki yaratabilmesi için saniyeler içinde incelenebilir, test edilebilir ve çıktılarının gözlemlenebilir olması gerekir. Projelerinizi doğru platformlarda, uygun mimarilerle sergilemek bu nedenle teknik çalışmanın kendisi kadar kritiktir.

Canlı İnteraktif Demolar: Streamlit, Gradio ve Vercel Entegrasyonları

Her yapay zeka projesinin arkasında çalışan karmaşık algoritmaları, karar vericilerin deneyimleyebileceği sade bir kullanıcı arayüzü ile desteklemelisiniz. Python ekosisteminde çalışan mühendisler için Streamlit ve Gradio en pratik ve güçlü iki araçtır:

• Hugging Face Spaces: Gradio veya Streamlit tabanlı demolarınızı doğrudan bir Hugging Face Space üzerinde barındırabilirsiniz. Bu platform, açık kaynak topluluğuyla etkileşime geçmek ve modellerin çıkarım yeteneklerini sergilemek için küresel kabul görmüş bir standarttır.

• Vercel & Next.js Entegrasyonları: Eğer tam donanımlı bir ürün hissi vermek istiyorsanız, modelinizin arka ucunu FastAPI veya Modal / RunPod üzerinde barındırıp, ön yüzünü Vercel AI SDK kullanarak modern bir Next.js şablonu ile sunabilirsiniz. Bu yaklaşım, sadece bir yapay zeka geliştiricisi değil, aynı zamanda tam teşekküllü dijital ürünler ortaya koyabilen bir mühendis olduğunuzu kanıtlar.

Demolarınızda mutlaka örnek girdiler (preset examples) yer almalıdır. Sisteme ilk kez giriş yapan bir karar verici, prompt kutusuna ne yazacağını düşünmek zorunda kalmamalı; tek bir tıklamayla tipik bir kullanım senaryosunu (örneğin karmaşık bir finansal metnin anlamsal özeti veya anomalili bir veri setinin tespiti) anında çalıştırabilmelidir.

Teknik Raporlama, Dokümantasyon ve Karar Vericiler İçin Yönetici Özetleri

Projenizin repozitöründeki README.md dosyası, sadece geliştiricilere yönelik bir kılavuz olmanın ötesine geçmelidir. İyi bir teknik dokümantasyon, iki farklı okuyucu profiline aynı anda hitap eder: teknik mühendisler ve stratejik karar vericiler.

Dokümantasyonunuzu şu hiyerarşiyle yapılandırmalısınız:

1. Yönetici Özeti (Executive Summary): Proje hangi iş problemini çözüyor? Sistemin uygulanmasıyla hangi operasyonel maliyet yüzde kaç oranında düşürüldü ya da hangi süreç ne kadar hızlandırıldı?

2. Sistem Mimarisi Diyagramı: Verinin sisteme nasıl girdiği, vektörleştiği ve çıkarım yapıldığı adımların sade bir akış tablosu.

3. Teknoloji Yığını (Tech Stack): Kullanılan Python sürümü, temel kütüphaneler (örneğin PyTorch, vLLM, LangChain/LlamaIndex), veritabanı (Qdrant, Redis) ve altyapı araçları.

4. Kıyaslama ve Karşılaştırma Sonuçları: Alternatif modellere karşı elde edilen gecikme, doğruluk ve maliyet verileri.

5. Yerel Kurulum Adımları (Quickstart): Üç adımda (Klonlama -> Konfigürasyon -> Docker Çalıştırma) sistemin ayağa kalkmasını sağlayan deterministik komutlar.

Portföy Hazırlarken Sık Yapılan Hatalar ve Gerçekçi Çözümler

Yapay zeka alanında portföy inceleyen teknik yöneticiler, binlerce benzer başvuru arasından hızlı bir eleme yapar. Yapılan en büyük hata, hacim ile kaliteyi birbirine karıştırmaktır. Onlarca tamamlanmamış, yüzeysel veya kopyalanmış proje içeren bir portföy; baştan sona düşünülmüş, test edilmiş ve belgelenmiş tek bir üretim seviyesi projenin sağladığı güveni sağlayamaz.

Aşağıdaki karşılaştırma tablosu, karar vericilerin portföy projelerini değerlendirirken aradığı niteliksel farkları netleştirmektedir:

Projelerinizde sadece başarıları değil, süreç boyunca karşılaştığınız teknik zorlukları ve bu zorlukları aşmak için aldığınız mimari kararları da anlatmalısınız. Örneğin: "İlk mimaride bağlam boyutu aşıldığında sistem çökmekteydi; bu sorunu aşmak için harici bir Cross-Encoder sıralayıcısı ekledik ve token tüketimini %42 oranında düşürdük" şeklindeki bir teknik not, adayın kriz yönetimi ve mühendislik reflekslerini mükemmel şekilde ortaya koyar.

Karar Vericiler ve Mühendisler İçin Geleceğe Hazır Portföy Stratejileri

Yapay zeka ekosistemi, temel modellerin yeteneklerinin ve kütüphanelerin aylar içinde değiştiği yüksek tempolu bir dinamizme sahiptir. Dün standart kabul edilen teknikler bugün yerini daha optimize mimarilere bırakabilmektedir. Bu nedenle sürdürülebilir bir portföy, belirli bir kütüphaneye veya sağlayıcıya bağımlı kalmayan, temel yazılım ve veri mühendisliği ilkelerini merkezine alan bir felsefe üzerine inşa edilmelidir.

Geleceğe hazır bir portföy kurgularken şu yeni nesil alanlara odaklanmak rekabet avantajı sağlar:

1. Çok Modlu (Multimodal) Sistemler: Yalnızca metin işleyen modellerin ötesine geçerek; ses, görsel ve tablo verilerini birleştiren karmaşık boru hatları geliştirmek. Örneğin, teknik servis raporlarındaki şemaları ve fotoğrafları analiz ederek arıza tespiti yapan ve metinsel onarım talimatı üreten bir sistem.

2. Otonom Ajanlar (AI Agents) ve Araç Kullanımı (Tool Calling): Tek bir sorguya yanıt vermekten ziyade, kendisine verilen üst düzey bir hedefi alt görevlere bölen, harici SQL veritabanlarını sorgulayan, web araması yapan ve elde ettiği verileri birleştirerek aksiyon alan çoklu ajan (multi-agent) çerçeveleri (örneğin LangGraph veya CrewAI mimarileri).

3. Uç Cihazlarda Yapay Zeka (Edge AI & Small Language Models): Bulut maliyetlerinin ve veri gizliliği endişelerinin arttığı bir dünyada, 1 milyar ile 3 milyar parametre arasındaki küçük modellerin (SLM - Small Language Models; örneğin Phi-3 veya Gemma sınıfı) yerel cihazlarda, tarayıcı içinde (WebGPU) veya kısıtlı donanımlarda optimum gecikmeyle çalıştırılmasını sağlayan projeler.

Yapay zeka sistemleri iş süreçlerine dahil edildikçe, modellerin açıklanabilirliği (XAI - Explainable AI) ve yasal çerçevelere uyumu şirketler için birincil öncelik haline gelmektedir. Portföyünüzde yer alan her çalışmanın kod standardı, güvenlik filtresi ve maliyet hesabı, sizin kurumsal seviyede sorumluluk alabilecek bir profesyonel olduğunuzun en somut kanıtıdır.