Yapay zekâ geliştiricisi kiralama; makine öğrenmesi (ML), büyük dil modelleri (LLM), RAG mimarileri, bilgisayarlı görü veya MLOps konusunda deneyimli bir mühendisi, kalıcı kadro açmadan belirli bir proje ya da dönem için ekibinize katmanız anlamına gelir. Yapay zekâ projelerinde en zor kısım çoğu zaman modeli seçmek değil; veriyi hazırlamak, sonuçları güvenilir biçimde ölçmek, maliyeti kontrol etmek ve sistemi üretimde ayakta tutmaktır. Bu sayfada bir yapay zekâ geliştiricisinin hangi işleri üstlendiğini, kıdem seviyelerini, teknik değerlendirmede neye baktığımızı ve projenizi riske atmadan nasıl başlayabileceğinizi anlatıyoruz.
Yapay zekâ / ML / LLM geliştiricisi kimdir, ne zaman gerekir?
“Yapay zekâ geliştiricisi” geniş bir şemsiyedir. Pratikte üç ana profil vardır: ML mühendisi (tablo verisi, tahminleme, sınıflandırma, öneri sistemleri), LLM / üretken yapay zekâ mühendisi (RAG, ajanlar, prompt ve araç çağırma tasarımı, ince ayar) ve MLOps mühendisi (model yaşam döngüsü, izleme, dağıtım, maliyet). Bilgisayarlı görü ve konuşma işleme ise ayrı uzmanlık gerektiren alt alanlardır. Doğru profili seçmek, projenin ilk haftalarındaki en önemli karardır.
Tekrarlayan yazışma, belge arama ve veri girişi işleri yoğunsa yapay zekâ ile otomasyon hızlı geri dönüş sağlar. Bkz. RAG sistemi kurulumu, AI ajan ve süreç otomasyonu, kurumsal yapay zekâ asistanı.
Kurumların yapay zekâ projelerinde yaşadığı tipik sorunlar
- Demo üretime geçmiyor: Birkaç günde hazırlanan prototip etkileyici görünür; ancak gerçek belgelerde halüsinasyon, yavaşlık ve tutarsız cevaplar ortaya çıkar.
- Ölçüm yok: “Model iyi mi?” sorusuna cevap verecek bir değerlendirme seti ve metrik tanımlanmamıştır.
- Maliyet kontrolsüz: Token tüketimi, GPU saatleri ve vektör veritabanı maliyetleri kullanım arttıkça beklenmedik biçimde büyür.
- Veri hazırlığı küçümsenir: PDF, tarama, e-posta ve ERP verisinin temizlenmesi projenin en uzun kısmıdır.
- Gizlilik kaygısı: Kişisel veya ticari sır içeren verinin harici bir API’ye gönderilip gönderilmeyeceği netleşmemiştir.
- Yetkinlik açığı: İç ekipte yazılım bilgisi vardır, ancak embedding, reranking, değerlendirme ve MLOps deneyimi yoktur.
Tipik yapay zekâ projeleri
| Proje türü | Örnek kullanım | Ağırlıklı profil |
|---|---|---|
| Kurumsal bilgi asistanı (RAG) | Politika, sözleşme, teknik doküman ve destek kayıtlarında soru-cevap | LLM mühendisi |
| Belge işleme | Fatura, irsaliye, başvuru formu ve sözleşmelerden alan çıkarımı | LLM + OCR / görü |
| AI ajanları ve süreç otomasyonu | Talep sınıflandırma, CRM/ERP’ye kayıt açma, onay akışları | LLM mühendisi + backend |
| Tahminleme | Talep, stok, nakit akışı, kayıp müşteri (churn) tahmini | ML mühendisi |
| Öneri sistemleri | E-ticarette ürün önerisi, içerik kişiselleştirme | ML mühendisi |
| Bilgisayarlı görü | Kalite kontrol, raf analizi, nesne sayımı | Görü mühendisi |
| Konuşma ve çağrı analizi | Transkripsiyon, özetleme, duygu ve konu analizi | Konuşma / LLM mühendisi |
| Model platformu | Model kayıt, izleme, A/B test ve maliyet takibi | MLOps mühendisi |
Kıdem matrisi
| Seviye | Tipik deneyim | Bağımsızlık | Beklenen yetkinlik |
|---|---|---|---|
| Junior | 0–2 yıl | Tanımlı deney ve veri hazırlığı görevleri | Python, pandas, temel scikit-learn, hazır API’lerle basit entegrasyon |
| Mid | 2–5 yıl | Bir bileşeni (ör. RAG hattı) uçtan uca kurar | Embedding ve chunking stratejileri, değerlendirme seti hazırlama, FastAPI ile servisleştirme |
| Senior | 5+ yıl, en az bir üretim sistemi | Mimari karar verir, riskleri yönetir | İnce ayar (LoRA/QLoRA), reranking, guardrail, gözlemlenebilirlik, maliyet optimizasyonu |
| Lead / AI mimarı | 8+ yıl | Strateji, yol haritası, ekip | Kullanım senaryosu önceliklendirme, model ve sağlayıcı seçimi, yönetişim ve uyum çerçevesi |
LLM ekosistemi çok hızlı değiştiği için “yıl” tek başına anlamlı değildir. Bizim için belirleyici olan, adayın en az bir sistemi gerçek kullanıcıya açmış ve üretimde izlemiş olmasıdır.
Beceri ve ekosistem tabloları
Dil, çerçeve ve kütüphaneler
| Kategori | Örnekler |
|---|---|
| Dil | Python (ana dil), gerektiğinde TypeScript, SQL |
| Klasik ML | scikit-learn, XGBoost, LightGBM, statsmodels, Prophet |
| Derin öğrenme | PyTorch, TensorFlow/Keras, Hugging Face Transformers |
| LLM orkestrasyon | LangChain, LlamaIndex, Semantic Kernel, DSPy veya sade SDK tabanlı özel orkestrasyon |
| Model erişimi | OpenAI, Anthropic, Google, Azure OpenAI gibi API’ler; Llama, Mistral, Qwen gibi açık ağırlıklı modeller |
| Servis sunumu | vLLM, Text Generation Inference, Ollama, ONNX Runtime, Triton |
| Görü ve konuşma | OpenCV, YOLO ailesi, Tesseract/PaddleOCR, Whisper tabanlı transkripsiyon |
Veri ve altyapı
| Kategori | Örnekler |
|---|---|
| Vektör veritabanı | pgvector, Qdrant, Weaviate, Milvus, Elasticsearch/OpenSearch vektör arama |
| Veri hattı | Airflow, Prefect, dbt, Spark |
| MLOps | MLflow, Weights & Biases, DVC, Kubeflow, SageMaker, Vertex AI, Azure ML |
| LLM gözlemlenebilirlik ve değerlendirme | Langfuse, Phoenix, Ragas, promptfoo, özel değerlendirme setleri |
| Dağıtım | Docker, Kubernetes, GPU düğümleri, sunucusuz çıkarım uç noktaları |
| Entegrasyon | FastAPI, REST/gRPC, kuyruk sistemleri, n8n gibi iş akışı araçları |
Teknik değerlendirme: adayları nasıl eleriz?
Görüşme konuları
- RAG tasarımı: chunk boyutu ve örtüşme seçimi, hibrit arama (BM25 + vektör), reranking, kaynak gösterme (citation) ve “bilmiyorum” davranışı
- Değerlendirme: altın soru-cevap seti oluşturma, sadakat (faithfulness) ve alaka metrikleri, insan değerlendirmesiyle otomatik değerlendirmenin birleştirilmesi
- Klasik ML: veri sızıntısı (leakage), zaman serisinde doğru doğrulama, dengesiz sınıflar, metrik seçimi (precision/recall, AUC, MAPE)
- İnce ayar ne zaman gerekir, ne zaman prompt ve RAG yeterlidir; LoRA/QLoRA’nın donanım ve veri gereksinimi
- Güvenlik: prompt injection, veri sızdırma, araç çağırmada yetki sınırlandırma, çıktı doğrulama
- Maliyet ve gecikme: önbellekleme, küçük model yönlendirmesi (routing), batch işleme, token bütçesi
Uygulamalı görev
Adaydan, verdiğimiz küçük bir doküman setiyle bir soru-cevap hattı kurmasını ve bunu 20–30 soruluk bir değerlendirme setiyle ölçmesini isteriz. Burada doğru cevap sayısı kadar, adayın hataları nasıl sınıflandırdığına ve bir sonraki iyileştirmeyi nasıl gerekçelendirdiğine bakarız. ML profillerinde ise bir tahminleme görevinde doğrulama stratejisi ve özellik mühendisliği kararları incelenir.
Kod inceleme kriterleri
| Kriter | Neye bakarız |
|---|---|
| Tekrarlanabilirlik | Sabitlenmiş bağımlılıklar, rastgelelik tohumu, deney kaydı |
| Ölçülebilirlik | Değerlendirme kodunun ayrı ve yeniden çalıştırılabilir olması |
| Ayrıştırma | Prompt’ların, yapılandırmanın ve iş mantığının ayrı tutulması |
| Hata yönetimi | API zaman aşımı, oran sınırı (rate limit) ve geri dönüş modeli |
| Güvenlik | Anahtarların koda gömülmemesi, kişisel verinin loglara yazılmaması |
Tipik ekip kompozisyonları
| Senaryo | Önerilen kompozisyon |
|---|---|
| Kullanım senaryosu keşfi ve prototip (PoC) | 1 senior LLM/ML mühendisi + yarı zamanlı iş analisti |
| Kurumsal RAG asistanını üretime alma | 1 senior LLM mühendisi + 1 backend geliştirici + yarı zamanlı DevOps + QA |
| Tahminleme veya öneri sistemi | 1 ML mühendisi + 1 veri mühendisi + iş birimi temsilcisi |
| Çok sayıda modelin yönetildiği platform | 1 MLOps mühendisi + 1 ML mühendisi + bulut mimarı desteği |
| Belge işleme hattı | 1 LLM mühendisi + 1 görü/OCR uzmanı + QA |
Veri hattı ağırlıklı işler için veri mühendisi kiralama, altyapı tarafı için DevOps mühendisi kiralama sayfalarımıza da göz atabilirsiniz.
Kurumsal projelerimizden bazıları
360 Soft ekiplerinin yer aldığı projelerden bazıları: CarrefourSA ve MediaMarkt robotik yapay zekâ arayüzü. Tüm projeler için referanslar.
Çalışma ve teslim modelleri
Yapay zekâ mühendisleri çoğunlukla uzaktan çalışır; ancak verinin kurum dışına çıkamadığı durumlarda yerinde veya VPN üzerinden kurum ağına bağlı hibrit çalışma tercih edilir. Şirket içi (on-premise) model kurulumunda donanım ve ağ ekibiyle yakın çalışma gerektiği için ilk haftalarda yerinde bulunmak faydalıdır.
- Staff augmentation (ekibinize geliştirici ekleme): Geliştirici sizin ekibinizde, sizin araçlarınız ve sprint düzeninizle çalışır. Teknik yönetim sizdedir. Staff augmentation nedir?
- Dedicated team (size ayrılmış ekip): Geliştirici, proje yöneticisi ve gerekirse test uzmanından oluşan, sizin ürününüze çalışan ekip. Dedicated team modeli
- Managed service: Üretimdeki modellerin izlenmesi, yeniden eğitimi ve maliyet takibi gibi işleri SLA ile üstleniriz.
- Proje bazlı geliştirme: Kapsamı belli işi biz üstleniriz; teslim tarihine ve kabul kriterlerine göre ilerleriz. Özel yazılım geliştirme
Süreç ve tipik süreler
| Adım | İçerik | Tipik süre |
|---|---|---|
| 1. Kullanım senaryosu görüşmesi | Hedef, veri kaynakları, gizlilik kısıtları, başarı ölçütü | 1–3 iş günü |
| 2. Aday eşleştirme | ML, LLM veya MLOps profiline göre değerlendirilmiş adaylar | 5–10 iş günü |
| 3. Mülakat ve sözleşme | Sizin teknik görüşmeniz, hizmet sözleşmesi, NDA, veri işleme şartları | 1–2 hafta |
| 4. Keşif ve veri değerlendirmesi | Veri envanteri, kalite analizi, değerlendirme setinin hazırlanması | 2–4 hafta |
| 5. Prototip | Ölçülebilir ilk sürüm ve hata analizi | 3–6 hafta |
| 6. Üretime alma ve izleme | Güvenlik, gözlemlenebilirlik, maliyet panosu, kullanıcı geri bildirimi | 4–8 hafta |
Ne zaman kiralamalı, ne zaman kadroya almalı?
| Durum | Önerilen yol |
|---|---|
| Yapay zekânın değerini henüz doğrulamadınız | Kiralık senior ile sınırlı süreli PoC |
| Birkaç kullanım senaryosu üretime çıkacak, ürün stratejiniz AI merkezli | Lead/AI mimarını kadroya alın, uygulayıcıları kiralayın veya karma kurun |
| Belirli bir uzmanlık (ince ayar, görü, MLOps) eksik | Süreli uzman kiralama ve bilgi transferi |
| Sistem pahalı ve yavaş | Kısa süreli optimizasyon projesi |
| Veri kurum dışına çıkamıyor | Yerinde/hibrit çalışan kiralık ekip ve şirket içi model |
Kadro, freelancer ve outsourcing karşılaştırması
| Kriter | Kadrolu çalışan | Freelancer | 360 Soft ile kiralama / outsourcing |
|---|---|---|---|
| İşe alım süresi | Uzun; nitelikli aday havuzu dar | Hızlı ama doğrulaması zor | Genellikle 1–3 hafta |
| Uzmanlık genişliği | Bir veya iki kişiyle sınırlı | Kişiye bağlı | İhtiyaca göre farklı profiller |
| Veri güvenliği | İç politikalarla | Takibi zor | Sözleşme, NDA, veri işleme şartları |
| Süreklilik | Yüksek | Düşük | Değişim taahhüdüyle |
| Maliyet yapısı | Sabit | Değişken | Adam/ay, proje veya sonuç bazlı |
KPI ve SLA tablosu
| Gösterge | Ne ölçer | Örnek hedef belirleme |
|---|---|---|
| Cevap doğruluğu / sadakat | RAG cevaplarının kaynağa dayanması | Altın sette proje başında belirlenen eşik |
| Erişim başarısı (recall@k) | Doğru belgenin getirilip getirilmediği | Değerlendirme setinde düzenli ölçüm |
| Model metrikleri | Tahmin kalitesi (MAPE, F1, AUC vb.) | Yöntem veya basit referans modele göre karşılaştırma |
| Gecikme (p95) | Kullanıcı deneyimi | Kullanım senaryosuna göre saniye cinsinden üst sınır |
| İstek başına maliyet | Token / GPU verimliliği | Aylık bütçe ve istek hacmine göre |
| Halüsinasyon / reddetme oranı | Güvenilirlik | Örneklem bazlı insan değerlendirmesiyle takip |
| Model sapması (drift) uyarısı | Verinin zamanla değişmesi | İzleme panosu ve yeniden eğitim tetikleyicisi |
| Olay yanıt süresi | Üretim desteği | Sözleşmede tanımlı |
Fiyatı belirleyen faktörler
| Faktör | Etkisi |
|---|---|
| Profil ve kıdem | LLM/MLOps senior profilleri ve ince ayar deneyimi olanlar daha nadirdir |
| Veri durumu | Dağınık, taranmış veya etiketsiz veri, hazırlık eforunu artırır |
| Altyapı | GPU, model API ve vektör veritabanı maliyetleri hizmet bedelinden ayrı planlanır |
| Gizlilik gereksinimi | Şirket içi kurulum ve yerinde çalışma ek efor gerektirir |
| Süre ve doluluk | Uzun süreli, tam zamanlı çalışmada aylık bedel düşer |
| Destek seviyesi | 7/24 izleme veya nöbet gerekiyorsa maliyete yansır |
- Adam/ay: Kiralık mühendis veya ekip için aylık tam zamanlı çalışma üzerinden faturalama.
- Saatlik: Mimari danışmanlık, sistemin denetimi veya kısa süreli destek.
- Sabit fiyat: Kapsamı ve kabul kriterleri net bir PoC veya entegrasyon.
- Sonuç bazlı (outcome-based): Değerlendirme setinde belirli bir eşiğe ulaşmak gibi ölçülebilir hedeflere bağlı ödeme; ölçüm yöntemi baştan yazılı olmalıdır.
Kendi senaryonuzu ekip içi işe alım ile kiralama maliyet karşılaştırma aracında hesaplayabilir, yazılı teklif için teklif formunu doldurabilirsiniz.
Riskler ve önlemler
| Risk | Önlem |
|---|---|
| Halüsinasyon ve yanlış bilgi | Kaynak gösterme, “bilmiyorum” davranışı, kritik işlemlerde insan onayı |
| Prompt injection ve veri sızıntısı | Girdi/çıktı filtreleri, araç yetkilerinin sınırlandırılması, belge düzeyinde erişim kontrolü |
| Sağlayıcıya bağımlılık | Model soyutlama katmanı, alternatif model testleri |
| Maliyetin kontrolden çıkması | Kullanıcı ve özellik bazlı maliyet izleme, önbellek, küçük model yönlendirmesi |
| Ölçülemeyen başarı | Proje başında değerlendirme seti ve kabul kriteri |
| Bilginin tek kişide kalması | Deney kayıtları, mimari karar notları, devir-teslim planı |
Güvenlik, KVKK/GDPR, NDA ve fikri mülkiyet
- Kişisel veri: Modele gönderilecek verilerde KVKK ve gerekiyorsa GDPR kapsamında hukuki dayanak, aydınlatma, veri minimizasyonu ve maskeleme uygulanır. Yurt dışındaki bir API’ye veri aktarımı söz konusuysa yurt dışı aktarım kuralları değerlendirilir.
- Model sağlayıcı şartları: Kurumsal API’lerin verileri eğitimde kullanıp kullanmadığı, saklama süreleri ve veri bölgesi sözleşme düzeyinde kontrol edilir.
- Düzenleyici çerçeve: AB pazarına hizmet veren kurumlar için AB Yapay Zekâ Yasası (AI Act) risk sınıflandırması ve şeffaflık yükümlülükleri dikkate alınmalıdır; sektörünüze özgü düzenlemeler (finans, sağlık vb.) için hukuk biriminizle birlikte çalışırız.
- NDA ve IP: Prompt’lar, değerlendirme setleri, ince ayarlı model ağırlıkları ve kodun mülkiyeti sözleşmede size ait olarak tanımlanır.
- Erişim: Üretim verisine en az yetkiyle, kayıt altında erişim; API anahtarları kasada (secret manager) tutulur.
Hukuki not
360 Soft’un geliştirici kiralama hizmeti, 4857 sayılı İş Kanunu’nun 2. maddesi çerçevesinde hizmet alımı / alt işverenlik ilişkisi olarak kurgulanır. Aynı Kanun’un 7. maddesindeki geçici iş ilişkisi İŞKUR’dan izinli özel istihdam büroları aracılığıyla kurulabilir; 360 Soft özel istihdam bürosu değildir.
Temsili senaryo: iç doküman asistanı
Temsili senaryodur. Orta ölçekli bir üretim firması, kalite prosedürleri ve teknik şartnamelerde arama yapmak için bir asistan ister. Ekibe dört aylığına bir senior LLM mühendisi ve yarı zamanlı bir backend geliştirici eklenir. İlk üç haftada belgeler envanterlenir, taranmış PDF’ler OCR’dan geçirilir ve kalite biriminden alınan 50 soruluk bir değerlendirme seti hazırlanır. Prototipte hibrit arama ve reranking kullanılır; her cevap kaynak belge ve sayfa numarasıyla verilir, kaynak bulunamazsa asistan bunu açıkça söyler. Kişisel veri içeren belgeler kapsam dışında bırakılır ve erişim, kullanıcının yetkili olduğu klasörlerle sınırlandırılır. Üretime geçişte maliyet ve kalite panosu kurulur; bilgi, kurum içi ekibe devredilir. Gerçek sonuçlar verinin kalitesine ve kapsamına göre değişir.
Yapay zekâ geliştiricisi seçerken kontrol listesi
- İhtiyacınız ML, LLM, görü veya MLOps profillerinden hangisine uyuyor?
- Aday üretimde çalışan bir yapay zekâ sistemi kurdu ve izledi mi?
- Değerlendirme setini nasıl hazırlayacağını ve hangi metrikleri kullanacağını anlatabiliyor mu?
- Maliyet ve gecikme optimizasyonu konusunda somut örnek verebiliyor mu?
- Prompt injection, veri sızıntısı ve yetkilendirme risklerini biliyor mu?
- KVKK ve verinin yurt dışına aktarımı konusunda farkındalığı var mı?
- Kullandığınız bulut ve veri altyapısına (Azure, AWS, GCP, şirket içi) aşina mı?
- Sözleşmede veri işleme, NDA, IP devri ve değişim koşulları açık mı?
- Proje sonunda bilgi transferi ve dokümantasyon planı var mı?
Sık sorulan sorular
Verilerimiz modele eğitim için gider mi?
Kurumsal API’lerin çoğu varsayılan olarak müşteri verisini eğitimde kullanmaz; yine de sağlayıcının güncel sözleşme şartlarını birlikte kontrol ederiz. Hassas veriler için maskeleme veya şirket içi model seçenekleri değerlendirilir.
Şirket içi model kurabilir misiniz?
İhtiyaca göre açık ağırlıklı modellerle şirket içi kurulum değerlendirilir. Donanım, beklenen kullanıcı sayısı ve kalite hedefi birlikte ele alınarak doğru model boyutu seçilir.
WhatsApp botu yapıyor musunuz?
Evet, bkz. n8n WhatsApp chatbot.
ML mühendisi ile LLM mühendisi arasındaki fark nedir?
ML mühendisi genellikle kendi verinizle tahmin, sınıflandırma veya öneri modelleri eğitir. LLM mühendisi ise hazır büyük dil modellerini RAG, ajan ve entegrasyonlarla iş süreçlerinize uyarlar. Bazı projeler her iki profili birden gerektirir.
İnce ayar (fine-tuning) mi yapmalıyız, RAG mı kurmalıyız?
Bilgiye erişim ve güncellik sorunlarında genellikle RAG ile başlanır. Belirli bir üslup, format veya dar bir görevde tutarlılık gerekiyorsa ve yeterli örnek veri varsa ince ayar değerlendirilir.
Bir prototip ne kadar sürede hazırlanır?
Veri erişimi hazırsa ölçülebilir bir prototip genellikle 3–6 hafta sürer. Veri hazırlığı gerekiyorsa süre uzar.
Yapay zekâ projesinin başarısını nasıl ölçeceğiz?
Proje başında gerçek sorulardan ve beklenen cevaplardan oluşan bir değerlendirme seti hazırlarız. Kalite, gecikme ve maliyet bu sete göre düzenli olarak raporlanır.
Sistemlerimizle (ERP, CRM) entegrasyon yapılabilir mi?
Evet. API, veritabanı veya iş akışı araçları üzerinden entegrasyon kurulur; yazma yetkisi gerektiren işlemlerde onay adımı eklenmesini öneririz.
Geliştirici memnun kalmadığımızda değiştirilebilir mi?
Evet. Değişim koşulları ve yeni aday sunma süresi sözleşmede yazılıdır; devir-teslimi biz yönetiriz.
Model ve API maliyetleri hizmet bedeline dahil mi?
Genellikle hayır. Model API, GPU ve bulut maliyetleri ayrı kalem olarak planlanır; hesapların sizin adınıza açılmasını ve maliyetin şeffaf izlenmesini öneririz.
Ürettiğiniz kod ve modellerin hakları kime ait?
Sözleşmede aksi kararlaştırılmadıkça kod, prompt’lar, değerlendirme setleri ve ince ayarlı model ağırlıkları size devredilir. Temel modelin lisans koşulları geçerlidir.
Yarı zamanlı yapay zekâ danışmanı kiralanabilir mi?
Evet. Mimari danışmanlık, sistemin denetimi veya iç ekibe mentorluk için saatlik ya da yarı zamanlı modeller uygundur.
İlgili sayfalar
Yapay zekâ mühendisi için görüşelim
Kullanım senaryonuzu, veri kaynaklarınızı ve gizlilik kısıtlarınızı kısaca yazın; uygun profili ve yazılı teklifi paylaşalım. Telefon: +90 850 335 10 87 · E-posta: info@360-soft.com · İletişim formu. 360 Soft Marketing Yazılım ve Danışmanlık Ltd. Şti., Nidakule Ataşehir, İstanbul.
Ekibinizi büyütmek mi istiyorsunuz? İhtiyacınızı yazın, uygun geliştiricileri ve yazılı teklifi paylaşalım. Teklif alın · WhatsApp · +90 850 335 10 87
Bu sayfa 360 Soft Yetkili Temsilcisi Yasir Bünyamin İncedere tarafından hazırlanmıştır. Son güncelleme: Kasım 2026.
İlgili hizmetler
- Java Geliştirici KiralamaJava geliştirici kiralama: Spring Boot, Kafka, JPA ve mikroservis uzmanları. Kıdem matrisi, ekosistem…
- Python Geliştirici KiralamaPython geliştirici kiralama: Django, FastAPI, veri mühendisliği, ML ve LLM uzmanları. Profil seçimi, kıdem…
- Angular Geliştirici KiralamaAngular geliştirici kiralama: TypeScript, RxJS, NgRx ve AngularJS taşıma uzmanları. Kıdem matrisi, ekosistem…
- Vue.js Geliştirici KiralamaVue.js geliştirici kiralama: Vue 3, Nuxt, Pinia ve Vue 2 geçişi uzmanları. Kıdem matrisi, ekosistem, ekip…
- .NET Geliştirici Kiralama.NET geliştirici kiralama: ASP.NET Core, EF Core, Azure ve Framework modernizasyonu; kıdem matrisi, teknik…
- Android Geliştirici KiralamaAndroid geliştirici kiralama: Kotlin, Jetpack Compose, el terminali ve Google Play yayın uzmanları. Kıdem…