Kullanım senaryosu
Mühendislik için AI mülakat
TLDR
Bu sayfa yazılım mühendisi, SRE, mobil, veri mühendisi ve ML mühendisi pozisyonları için işe alım yapan teknik liderler içindir. Konumlandırma açıktır: Intrvio özgeçmiş süzgecinden sonra ve canlı kodlama döngüsünden önce gelen tarama aşamasıdır. Karat ve CodeSignal canlı kodlamanın değişmez sahipleridir; biz onlardan önce gelen "bu aday gerçekten mühendis gibi düşünüyor mu?" sorusunu yapılandırılmış olarak yanıtlıyoruz.
GAIA dört yetkinlik üzerinden değerlendirir: teknik derinlik, sistem tasarımı muhakemesi, kalite sahipliği ve iş birliği. Bu çerçeve Google'ın yapılandırılmış mülakat kılavuzuna ve Karat'ın 2026 "İnsan + AI" mühendislik rubrik beyaz kitabındaki gözlemlenebilir-davranış prensibiyle uyumludur — niyet veya stil değil, gerçek davranışları puanlayın.[1][2]
Temel yetkinlikler
1. Teknik derinlik
Çekirdek uygulama, mimari kararlar, hata ayıklama ve trade-off yargısı.
Örnek soru: Geliştirdiğiniz teknik olarak zor bir sistem veya özellikten bahsedin. Hangi takasları yaptınız ve sonucu nasıl doğruladınız?
Puanlama bağlamı: spesifik teknolojileri ve neden seçildiklerini adlandırır, alternatifleri tartışır, doğrulama metodu sunar (yük testi, prod metriği).
2. Sistem tasarımı
Net kısıtlamalarla ölçeklenebilir, sürdürülebilir sistemler tasarlar; başarısızlık modlarını öngörür.
Örnek soru: Bu rolün ana iş akışı için güvenilir bir servis nasıl tasarlardınız? Veri modeli, API'lar, başarısızlık modları ve gözlemlenebilirlik üzerinden geçin.
Puanlama bağlamı: kısıtlamaları erken sorar, veri modelini açıkça çizer, en az iki başarısızlık modunu adlandırır ve gözlemlenebilirlik için somut metrikler önerir.
3. Kalite sahipliği
Test, gözlemlenebilirlik, güvenilirlik ve üretim hesap verebilirliği.
Örnek soru: Üretim kalitesi sorununu kullanıcıları etkilemeden önce bulduğunuz veya önlediğiniz bir zamanı anlatın.
Puanlama bağlamı: spesifik bir bug veya regresyon sahiplenir, izleme/uyarı/test boşluğunu adlandırır ve sonraki adımı (postmortem, rota düzeltme) açıklar.
4. Mühendislik iş birliği
Ürün, tasarım ve mühendislik akranlarıyla net çalışır.
Örnek soru: Başka bir takıma teknik bir yön konusunda anlaşamadığınız bir zamanı anlatın. Bunu nasıl çözdünüz?
Puanlama bağlamı: karşı pozisyonu kendi sözleriyle özetler, paylaşılan kanıt veya prototip kullanır, kararı belgelemekten ve takip etmekten bahseder.
Örnek mülakat akışı
GAIA'nın yaklaşık 40 dakikada bir backend mühendisi adayını taraması:
- 1. Açılış (3 dk). Stack, son rol, son teslim edilen proje.
- 2. Derin daldırma (8 dk). Anlattıkları en zor şeyi sorar; uygulama detayları ve doğrulama.
- 3. Sistem tasarımı (10 dk). Açık uçlu tasarım sorusu; veri modeli, başarısızlık modları.
- 4. Üretim olayı (5 dk). Gerçek bir incident veya yakın kayıp olay; sahiplenme ve sistemik düzeltme.
- 5. İş birliği örneği (5 dk). Anlaşmazlık veya çapraz takım bağımlılığı; çözüm yapısı.
- 6. Stack derinliği (4 dk). Uzmanlık dalına özel teknik takip soruları (DB, eşzamanlılık, ağ).
- 7. Aday soruları (3 dk). Sorularının kalitesi başlı başına bir sinyaldir.
- 8. Kapanış (2 dk). Sonraki adımlar: canlı kodlama döngüsü.
En çok hangi sinyaller önemli
Yapılandırılmış mülakat üzerine yapılan meta-analiz çalışmaları, mühendislik adayları için en güçlü öngörücüleri şu sırayla bulur:
- Yapılandırılmış mülakat + iş örneği (kombine validite ≈ 0.63)[3]
- Yapılandırılmış mülakat tek başına (≈ 0.42)[1]
- İş örneği tek başına (≈ 0.33)
- Genel zihinsel yetenek testi (≈ 0.31)
- Kişilik testi tek başına (≈ 0.10–0.20)
Pratik çıkarım: bu sayfa ilk öğeyi destekler — yapılandırılmış mülakat. Karat veya CodeSignal sonraki iş örneği aşamasını sağlar.
Bu rolde yaygın mülakat hataları
- Trivia sorusu sormak. "Hash map'in altında ne var?" sınavlardan kalmadır; iş trade-off'ları sorun.
- Yanlış aşamada kodlama. Tarama mülakatında kodlamak verim düşürür; yapılandırılmış muhakeme tarama için daha iyidir.
- Stack uzmanlığını kapsamla karıştırmak. Bir mühendisin React'ten Vue'ya geçmesi 2 hafta sürer; muhakeme yeteneği aktarılabilir, framework değildir.
- Fikir ayrılığını kontrolden kaçırmak. Sadece anlaşma olan örnekleri verebilenler genellikle iş birliği boşlukları gösterir.
Örnek rubrik kesiti — sistem tasarımı (BARS)
| Puan | Davranışsal bağlam |
|---|---|
| 5 | Kısıtlamaları erken yüzeye çıkarır, net veri modeli çizer, en az iki başarısızlık modunu adlandırır, ölçek tahmini yapar, ileri taşıma ve geri alma stratejisi tartışır. |
| 4 | İyi yapılandırılmış tasarım, somut bileşenler ve API'lar; başarısızlık modları yüzeyseldir veya ölçek tahmini eksiktir. |
| 3 | Çalışan bir tasarım sunar ancak alternatifleri tartışmaz; gözlemlenebilirlik tartışılmaz. |
| 2 | Doğrudan API'lara veya kütüphanelere atlar; veri modeli yok ve trade-off muhakemesi yok. |
| 1 | Soruyu yeniden çerçevelemeye çalışır, kısıtlamaları sormaz veya genel "mikro hizmetlere böl" cevabı verir. |
Sıkça sorulanlar
- [1] McDaniel, M. A., Whetzel, D. L., Schmidt, F. L., & Maurer, S. D. (1994). The validity of employment interviews: A comprehensive review and meta-analysis. Journal of Applied Psychology, 79(4), 599–616.
- [2] Karat (2026). Human + AI Technical Interview Rubrics for Modern Hiring. Google re:Work, A guide to structured interviewing for better hiring practices.
- [3] Schmidt, F. L., & Hunter, J. E. (1998). The validity and utility of selection methods in personnel psychology. Psychological Bulletin, 124(2), 262–274. See also Sackett, Zhang, Berry, & Lievens (2022) on revised validity estimates after correcting for indirect range restriction.