ASELSAN’a Dönen Mühendisler: Yapay Zekâ Ekipleri Büyüyor

ASELSAN Genel Müdürü Ahmet Akyol’un paylaştığı iki sayı, Türkiye’de teknoloji ekosisteminin nabzını tutuyor: Geçen yıl “ASELSAN’da mühendis olacağım” diyerek geri dönüş başvurusu yapan 245 kişi, bu yılın ilk 9 ayında 700’e ulaşmış. Bu, sadece bir istihdam haberi değil; yapay zekâ (YZ), veri analitiği ve dijitalleşme projelerinin insan kaynağı cephesinde önemli bir kırılma.

Ben bu tabloyu şöyle okuyorum: Türkiye’de “iş var mı?” tartışmasından çok, “hangi uzmanlık, hangi projede, hangi ölçekle?” tartışmasına geçiyoruz. Üstelik bu dönüş dalgası, yalnızca savunma sanayini değil; üretim ve akıllı fabrikalar ile beraber finans ve bankacılıkta yapay zekâ uygulamalarını da hızlandırabilecek bir yetkinlik birikimi taşıyor.

Bu yazıda, ASELSAN’a geri dönüşlerin arkasındaki dinamikleri, bunun YZ odaklı projelere nasıl yansıdığını ve bankacılık tarafında “buradan bize ne çıkar?” sorusunun somut cevaplarını ele alacağım.

700 başvuru ne anlatıyor? Asıl sinyal “yetkinlik pazarı”nda

Kısa cevap: 700 başvuru, ücret/yan haklardan önce proje ölçeği, teknoloji derinliği ve ülkeye dönme motivasyonunun güçlendiğini gösterir.

Başvuruların artması genelde iki şeyin işaretidir: Birincisi, kurumun proje portföyü genişliyordur; ikincisi, dışarıdaki yetenek “geri dönmeye değer” bir ortam görüyordur. ASELSAN gibi büyük Ar-Ge organizasyonlarında bu ortamı belirleyen faktörler daha nettir:

• Zor problem seti: Gerçek zamanlı sistemler, gömülü yazılım, sensör füzyonu, görüntü işleme, siber güvenlik, haberleşme… Bunların çoğu, yapay zekânın üretim sahasına indiği alanlarla kesişir.
• Veri ve donanım erişimi: YZ yalnızca model değil; veri boru hattı, etiketleme, simülasyon, test altyapısı ve güçlü hesaplama gerektirir.
• Sistem mühendisliği kültürü: YZ’yi “demo”dan “ürüne” taşımak, disiplinli doğrulama ve güvenilirlik ister.

Buradaki kritik detay şu: Yurt dışından dönen mühendisler, genellikle sadece teknik bilgi değil, çalışma pratiği getirir. “Nasıl kod yazılır?”dan çok “Nasıl ürünleştirilir? Nasıl ölçeklenir? Nasıl regülasyona hazırlanır?” gibi soruların cevabını.

Geri dönen mühendisler YZ projelerini nasıl hızlandırır?

Kısa cevap: Geri dönüş, YZ’de en büyük darboğaz olan ürünleştirme ve ölçekleme becerilerini güçlendirir.

Yapay zekâ projelerinde Türkiye’de sık görülen bir durum var: Model laboratuvarda güzel çalışır, sahada performans düşer. Sebep çoğu zaman modelin kendisi değil; veri kalitesi, MLOps, izleme, geri besleme döngüsü ve güvenlik eksikleridir. Yurt dışı deneyimi olan mühendisler, özellikle şu başlıklarda fark yaratır:

MLOps ve yaşam döngüsü disiplini

YZ ekipleri büyüdükçe “tek seferlik eğitim” yaklaşımı biter. Yerine model yaşam döngüsü yönetimi gelir:

• Veri sürümleme ve veri sözlüğü
• Model sürümleme ve model registry
• Drift takibi (veri ve model kayması)
• A/B testleri ve kademeli canlıya alma
• Geri dönüş planı (rollback) ve güvenli devreye alma

Bu disiplin, savunma sanayinde kritik olduğu kadar bankacılıkta da kritiktir; çünkü bankada model hatası “yanlış reklam gösterimi” değil, yanlış kredi kararı demek olabilir.

Gerçek zamanlı karar sistemleri

Savunma projelerinde gecikme toleransı düşüktür. Bu kültür, bankacılıkta da hızla değer üretir:

• Dolandırıcılık tespiti (fraud) için milisaniye seviyesinde skor
• Müşteri etkileşiminde anlık teklif/limit önerisi
• ATM/şube operasyonlarında anlık anomali tespiti

Güvenilirlik, test ve doğrulama

Akıllı fabrika ya da bankacılık fark etmez: YZ’nin güvenilir olması gerekir. Bu da:

• Senaryo tabanlı test setleri
• Sınır durumları (edge cases)
• Simülasyon ve stres testleri
• Açıklanabilirlik ve izlenebilirlik

demektir. Burada mühendislik kası devreye girer.

Tek cümlelik özet: Modeli yapmak kolaylaştı; asıl zor olan onu güvenli, izlenebilir ve sürdürülebilir şekilde çalıştırmak.

Akıllı fabrikalarda YZ: Savunma sanayinden üretime akan know-how

Kısa cevap: ASELSAN’daki istihdam artışı, “Üretim ve Akıllı Fabrikalarda Yapay Zekâ” gündeminde kestirimci bakım, kalite kontrol ve üretim optimizasyonu gibi alanlara hız kazandırır.

Serimizin ana temasına bağlayalım: Akıllı fabrikalarda YZ’nin üç “para kazandıran” kullanım alanı var.

1) Kestirimci bakım (predictive maintenance)

Sensörlerden gelen titreşim, sıcaklık, akım gibi sinyallerle arıza olmadan önce tahmin yapmak mümkündür. Yurt dışı deneyimi olan ekiplerin katkısı burada genelde şuradan gelir:

• Saha verisinin gürültüsünü yönetme
• Sensör kalibrasyonu ve veri güvenilirliği
• Modelin bakım ekipleri tarafından “kullanılabilir” hale getirilmesi

Kestirimci bakım, bankacılığa uzak gibi durur; ama değil. Bankaların ATM filoları, veri merkezi altyapısı ve ödeme sistemleri de benzer şekilde kestirimci bakımdan fayda görür.

2) Görüntüyle kalite kontrol

Görüntü işleme + derin öğrenme ile üretim hattında kusur tespiti, fireyi düşürür. Savunma sanayindeki optik/algılayıcı tecrübesi, bu alanda ciddi avantaj sağlar:

• Farklı ışık koşullarına dayanıklılık
• Düşük hata toleransı (false negative maliyeti yüksek)
• Modelin üretim hattına entegre edilmesi (PLC/MES entegrasyonu)

3) Üretim planlama ve optimizasyon

YZ sadece görüntü veya sensör değildir; talep tahmini, çizelgeleme, stok optimizasyonu da YZ’nin alanı. Bu kas bankacılıkta birebir karşılık bulur: likidite tahmini, nakit yönetimi, şube/çağrı merkezi kapasite planlama gibi.

Bankacılıkta yapay zekâ: Geri dönüş dalgası neden önemli?

Kısa cevap: Bankacılık YZ’de rekabet, “model sayısı” değil doğru veri-ürün ekibini kurma yarışıdır; mühendis geri dönüşü bu ekipleri güçlendirir.

Finans ve bankacılıkta yapay zekâ uygulamaları 2025’in sonunda üç baskı altında gelişiyor:

1. Maliyet baskısı: Operasyonel verim şart.
2. Dolandırıcılık baskısı: Saldırılar daha sofistike.
3. Regülasyon ve risk: Model yönetişimi (governance) zorunlu.

Bu üçlü baskının ortak ihtiyacı, yüksek disiplinli mühendislik. Savunma kökenli yaklaşımın bankaya katkısı özellikle şu alanlarda görünür:

• Model risk yönetimi: Modelin nerede hata verdiğini bilmek, raporlamak, izlemek
• Siber güvenlik ve veri güvenliği: YZ modellerine yönelik saldırılar (veri zehirleme, prompt injection, model sızdırma) gündemde
• Uçtan uca mimari: Veri gölü + özellik mağazası (feature store) + gerçek zamanlı karar motoru

Birçok kurum “YZ ekibi kurduk” diyor ama asıl farkı yaratan ekip yapısı şudur: Veri bilimci + ML mühendisi + veri mühendisi + ürün sahibi + risk/uyum aynı masada oturur. Geri dönen yetenek, bu masanın “mühendislik” tarafını kalınlaştırır.

Kurumlar için pratik plan: YZ yeteneğini çekmek ve tutmak

Kısa cevap: Yetenek çekmek, ilandan çok problem seçimi ve çalışma sistemi ile olur.

ASELSAN örneğini “bizim kurumda nasıl olur?” diye okuyanlar için uygulanabilir bir çerçeve bırakayım. Banka, üretim şirketi ya da teknoloji firması fark etmez.

1) Proje portföyünü “vitrin” gibi değil “ürün” gibi yönetin

İnsanlar sunum değil, sonuç görmek istiyor. YZ projeleri için hedefler:

• Ölçülebilir KPI (ör. fraud kaybında düşüş, çağrı merkezinde AHT azalması)
• Canlıya alma takvimi
• Veri sahipliği ve sorumlulukları

2) MLOps’ı “opsiyon” değil temel altyapı sayın

MLOps yoksa YZ, tekrarlanan yangın söndürme işine döner. Minimum paket:

• Otomatik eğitim/dağıtım hattı
• İzleme ve alarm
• Model kartları ve dokümantasyon

3) Hibrit çalışma ve geri dönüş destekleri net olmalı

2025’te geri dönüş kararları sadece maaşla verilmiyor. Okul, aile, şehir, kariyer rotası… Kurumların netleştirmesi gerekenler:

• Rol ve yetki sınırları
• Teknik liderlik yolu (people management şart değil)
• Eğitim bütçesi ve konferans/sertifika desteği

4) Etik ve uyum çerçevesini erkenden kurun

Bankacılıkta özellikle:

• Veri minimizasyonu
• Ayrımcılık (bias) testleri
• Açıklanabilirlik
• İnsan-onayı gerektiren karar noktaları

kurulmadan ölçek büyütmek riskli.

Sık sorulan 5 soru (sahadan)

ASELSAN’a dönüş bankacılığı gerçekten etkiler mi?

Evet. Çünkü dönüşün taşıdığı şey yalnızca kişi sayısı değil; mühendislik kültürü ve ölçekli proje deneyimi. Bankacılığın YZ ihtiyacı da tam burada.

YZ’de en çok hangi roller kritik?

2025 sonunda kritik roller: veri mühendisi, ML mühendisi (MLOps), siber güvenlik uzmanı, ürün sahibi (AI product), model risk/uyum.

Akıllı fabrikalarda YZ’nin en hızlı geri dönüş sağlayan alanı hangisi?

Genelde görüntüyle kalite kontrol ve kestirimci bakım. Çünkü hatalı ürün ve plansız duruş maliyeti görünür ve ölçülebilir.

Bankalarda en hızlı değer yaratan YZ kullanımı?

Çoğu bankada ilk üç: dolandırıcılık tespiti, müşteri hizmetleri otomasyonu (temsilci asistanları dahil), kredi risk skorlamasında iyileştirme.

“Yetenek var ama veri dağınık” sorunu nasıl çözülür?

Önce veri sahipliğini netleştirin. Ardından veri sözlüğü, kalite metrikleri, erişim politikaları ve ortak bir özellik katmanı kurun.

Nereye gidiyoruz? “İnsan kaynağı” artık stratejik altyapı

ASELSAN’a geri dönmek isteyen mühendis sayısının 9 ayda 700’e çıkması, bana göre tek bir şeyi söylüyor: Türkiye’de yüksek teknoloji projelerinde ölçek büyüyor ve buna uygun insan kaynağı yeniden kümeleniyor. Bu, “Üretim ve Akıllı Fabrikalarda Yapay Zekâ” tarafında da, finans ve bankacılıkta yapay zekâ uygulamalarında da doğrudan hızlanma demek.

Eğer bankada ya da üretim şirketinde YZ programı yürütüyorsanız, bu haberi “savunma sanayi gündemi” diye kenara koymayın. Yetenek piyasası yeniden şekillenirken, iyi ekipler kuran kurumlar 2026’ya çok daha güçlü girer.

Benim önerim net: YZ stratejisini model listesinden çıkarın; insan, süreç ve MLOps altyapısı olarak yeniden yazın. Peki sizin kurumunuzda geri dönüş dalgasını yakalayacak en kritik açık hangi rolde: veri mühendisliği mi, MLOps mı, yoksa ürün sahipliği mi?