Bir Ürün Direktörünün Yeniden İş Yapmayı %25 Azaltmak İçin Kullandığı Kesin Yapay Zekâ Teslimat Yığını
Yapay zekâ saniyeler içinde kod üretebilir. Ancak mimari olmadan, yalnızca yanlış şeyi daha hızlı teslim etmenize yardımcı olur. Bu röportajda, bir Ürün Direktörü ve Mühendislik Direktörü, prototip süresini yarıya indirmek, yeniden işi %25 azaltmak ve yapay zekâ destekli bir yazılım geliştirme yaşam döngüsü için güvenlik sınırları tasarlamak üzere kullandığı mimari öncelikli yapay zekâ sistemini paylaşıyor.
Yurii Lozinskyi
Verysell'de Ürün Direktörü ve Mühendislik Direktörü
Yapay Zekâ Liderliği: Yapay zekâ, manuel görevleri yapay zekâyı işleyişe yerleştirerek azaltırken proje yönetimini koordinasyondan sistem tasarımına kaydırıyor.
Mimarinin Rolü: Sağlam mimari, yapay zekâ tarafından üretilen işlerin kalite standartları ve hedeflerle uyumlu olmasını sağlayarak yapay zekâ teslimat karmaşasını önler.
Prototip Verimliliği: Mimari rehberliğindeki yapay zekâ maliyetleri büyük ölçüde azaltır ve prototiplerin fikirden çalışan modele dönüşümünü günler içinde hızlandırır.
Mühendis Değeri: Yapay zekâ, mimari tasarımı güçlendirerek ve rastgele kodlamayı azaltarak kıdemli mühendislerin değerini artırır.
Proje Yönetimindeki Değişim: Geleceğin proje yöneticisi rolleri koordinasyon için yapay zekâdan yararlanacak ve tasarım, strateji ile yönetişime daha fazla odaklanacak.
Yurii Lozinskyi, Verysell AI şirketinde Ürün Direktörü ve Mühendislik Direktörü olarak görev yapıyor ve burada AI teslimatına liderlik ediyor. 25 yıllık deneyimiyle yazılım ve AI girişimlerini ölçülebilir iş sonuçlarına dönüştürmek, onun uzmanlık alanı.
Biz de bunu nasıl yaptığını öğrenmek için kendisiyle oturup konuştuk. Bize anlattıkları şöyle.
AI'ın yalnızca gösterişli bir oyuncak olmadığından emin olmak
AI sistemlerinin, yazılım teslimatının ve iş gerçeklerinin kesiştiği noktada yaşayan bir ürün ve mühendislik lideriyim. Bankacılık, sigortacılık, ITSM/MSP platformları, perakende ve sağlık hizmetleri alanlarında 15 yılı aşkın süredir ürünler geliştirip teslim ediyorum. Bir şekilde sigortacılık sektörüne dönüp duruyorum; çünkü karmaşıklığın ve etkinin her ikisinin de yüksek olduğu yer burası.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Şu anda projeleri geleneksel anlamda yönetmiyorum. Projelerin nasıl yürütülmesi gerektiğini tasarlıyor ve teslimat sırasında sürecin içinde kalmaya çalışıyorum. Bu; birden fazla ekip ve müşteri genelinde işletim modelleri, AI destekli teslimat kalıpları ve hipotez doğrulama yol haritaları anlamına geliyor.
Kısacası, günlük işim AI'ın kenarda duran gösterişli bir oyuncak değil, işin uçtan uca tanımlanma, yürütülme ve yönetilme biçiminin bir parçası olduğundan emin olmak.
AI, proje yönetimini koordinasyondan sistem tasarımına nasıl taşıyor?
Teslimat liderliği, takvim yönetiminden sistem tasarımına kayıyor. Durum toplantılarında veya artık makinelerin saniyeler içinde ürettiği çıktıları elle hazırlamakta çok daha az zaman harcıyorum. AI bir planın ya da özetin ilk sürümünü yazmama yardımcı olabiliyorsa, bunu memnuniyetle ona bırakıyorum.
Bugün birçok proje yöneticisi zamanının hâlâ %40–60'ını durum bilgisi peşinde koşmaya, manuel raporlamaya, temel riskleri belirlemeye ve bilgileri araçlar ile kişiler arasında taşımaya harcıyor. AI ile güçlendirilmiş bir ortamda bu oran %10–15'in altına düşüyor; çünkü yerleşik aracılar Jira/Linear, Slack/Teams ve dokümanlar arasında güncellemeleri, özetleri, hatırlatıcıları ve basit eskalasyonları yönetiyor.
Bunun karşılığında işim bir katman yukarı taşındı: kısıtları, kabul kriterlerini, koruyucu önlemleri ve geri bildirim döngülerini düşünüyorum. Başka bir deyişle, insanların ve AI aracılarının üzerinde çalıştığı “rayları” tasarlıyorum.
Mimariyi önceleyen bir yaklaşımım var: Mimari Vizyon Belgeleri için çerçeve olarak C4 modelini ve ISO/IEC 25010'u kullanıyor, ardından bunları istem olarak değerlendiriyorum. Eğlenceli kısım da bu — mimariyi AI için bir API gibi ele almak. Mimari dokümanlarınız rafa kaldırılacak belgeler değil, AI destekli yazılım geliştirme yaşam döngüsü (SDLC) için yakıttır. Buna birazdan daha ayrıntılı değineceğim.
AI hızlı ilerlemeyi son derece kolaylaştırıyor; dolayısıyla benim rolüm, hızlı ilerlediğimizden ama doğru yönde ilerlediğimizden emin olmak. Bu nedenle “Bu hafta kim ne yapıyor?” diye sormak yerine, “Sistemimiz yanlış şeyi hızlı bir şekilde teslim etmeyi zorlaştırıyor mu?” diye soruyorum.
AI hızlı ilerlemeyi son derece kolaylaştırıyor; dolayısıyla benim rolüm, hızlı ilerlediğimizden doğru yönde ilerlediğimizden emin olmak.
Mimari, AI kaynaklı teslimat kaosunu neden önler?
C4'ü, ISO 25010'u ve Mimari Vizyon Belgelerini seviyorum; çünkü bunlar AI'ın teslimata entegre edilmesi için bir omurga oluşturuyor. Bu omurga olmadan AI, teslimatta hızla bir başka kaos kaynağına dönüşebilir.
Özellikle:
- C4, AI'a sistemin bir haritasını sunar. “Biraz kod yaz” demek yerine “Bu bağlam ve kapsayıcı içinde, şu arayüzlere göre bu değişikliği uygula” diyebiliriz. Bu, AI tarafından üretilen işin net mimari sınırlar içinde kalmasını sağlar.
- ISO 25010, “iyi” kavramını “derleniyor” olmanın ötesinde tanımlar. Kalite niteliklerini (performans, güvenlik, sürdürülebilirlik ve güvenilirlik) somut senaryolara dönüştürüp bunları istemlere ve kabul kriterlerine dahil ediyoruz. Böylece AI, yalnızca işlevselliğe değil, açık kalite beklentilerine uygun PoC'ler ve testler üretir.
- Mimari Vizyon Belgeleri her şeyi bütünleştirir. İş hedeflerini, C4 görünümlerini ve ISO tarzı kalite senaryolarını hem insanlar hem de AI için tek bir anlatıda bir araya getirir. İnsanlar için bir hizalama çıktısı görevi görürler. AI içinse kod, test ve dokümantasyon üretiminde birincil bağlam kaynağıdırlar.
Birlikte, AI'ı rastgele bir süper güç olmaktan çıkarıp net sınırları, izlenebilirliği ve ne inşa etmeyi amaçladığımıza dair ortak bir anlayışı olan, AI destekli SDLC'nin kontrollü bir bileşenine dönüştürürler.
Mimari rehberliğinde yapay zekâ prototipleriyle yanlış yapmanın maliyeti nasıl azaltılır?
İşte bir örnek. “Eski dünyada” fikirden tıklanabilir bir prototipe dönüşmesi yaklaşık iki hafta sürecek bir yapay zekâ eşleştirme özelliğimiz vardı.
Jira görevleriyle ve gelişigüzel istemlerle başlamak yerine, önce kısa bir Mimari Vizyon Belgesi yazdık. C4 tarzı diyagramlar çizdik: sistem bağlamı, ilgili kapsayıcılar, temel bileşenler ve birkaç ISO-25010 esintili kalite senaryosu (ör. gecikme, denetlenebilirlik, hata yönetimi).
Ardından bu mimariyi yapay zekâ için bir API olarak ele aldık:
- Vizyon Belgesi'ni ve C4 parçalarını, istemler için tek doğruluk kaynağı olarak kodlama asistanımıza verdik.
- Belirtilen kapsayıcılar ve arayüzler içinde iskelet kodu, temel akış mantığını ve ilk testleri oluşturmasını istedik.
Yapay zekâdan “Bana biraz kod yaz” demiyor, “Bu belirli etkileşimi, şu kısıtlar ve şu kalite nitelikleriyle uygula” diyorsunuz. Bu, tamamen farklı bir yaklaşım. Sonuç olarak her şeyi sıfırdan elle kodlamak yerine birkaç gün içinde tutarlı bir PoC üretti.
Mühendisler yine de inceleme yapıp sorunları düzeltti, ancak:
- “Bunu denemeliyiz” dememizden “paydaşlar çalışan bir prototipte gezinebiliyor” noktasına gelmemiz yaklaşık on iş gününden üç veya dört güne düştü. Mimari, belirsiz dilekler yerine istemlerinize temel oluşturduğunda inandırıcı bir prototipe ne kadar hızlı ulaşabildiğiniz neredeyse haksızlık gibi hissettiriyor.
- Yapay zekâ tarafından oluşturulan kod mimariye işlenmiş sınırlara ve kalıplara zaten uyduğu için yeniden çalışma döngülerinde %20–25 oranında azalma gördük.
- Mühendisler, kalıp kod ve birleştirici kod için yaklaşık %20 daha az zaman harcadıklarını bildirdi; bu da ayrı bir “entegrasyon mühendisi” rolünü fiilen ortadan kaldırdı.
- Asistan, belgelenmiş kalite senaryolarını kullanarak muhtemelen bu kadar erken yazmayacağımız uç durum testleri önerdiğinden, ilgili bölümün test kapsamı ilk seferde daha yüksek çıktı.
Başka bir deyişle, mimariyi açık ve yapılandırılmış hâle getirdiğimizde yapay zekâ, akıllı bir otomatik tamamlama gibi davranmayı bırakıp sistem haritasını gerçekten anlayan, harika belgeler yazan ve hiç uyumayan bir yardımcı mühendis gibi davranmaya başladı.
En önemlisi de yanlış yapmanın maliyetini azalttı; karmaşık alanlarda tam olarak istediğiniz şey budur.
Yapay zekâ kıdemli mühendisleri neden daha az değil, daha değerli hâle getiriyor?
Ne düşünüyor olursanız olun, yapay zekâ kıdemli mühendisleri daha az değil, daha değerli hâle getiriyor.
Yapay zekâyı zayıf bir mimariye ve zayıf bir muhakemeye bağlarsanız daha hızlı bir karmaşa elde edersiniz. Onu güçlü bir mimarın yönetimine verdiğinizde ise bir kıdemli mühendis öğle yemeğinden önce beş tasarımı inceleyebilir ve yine de paydaşlarla konuşacak vakit bulabilir.
Yapay zekâ bazı beceri açıklarını kapatır, ancak rastgele kodlama ile amaçlı tasarım arasındaki farkı büyütür.
Yapay zekâyı zayıf bir mimariye ve zayıf bir muhakemeye bağlarsanız daha hızlı bir karmaşa elde edersiniz. Onu güçlü bir mimarın yönetimine verdiğinizde ise bir kıdemli mühendis öğle yemeğinden önce beş tasarımı inceleyebilir ve yine de paydaşlarla konuşacak vakit bulabilir.
Hoşça kal iş analisti — hoş geldin konu uzmanı.
Yapay zekâ ile hangi teslimat görevleri önce otomatikleştirilmeli?
Şu anda teslimat çalışmalarının otomasyona en uygun bölümleri “bağlam ağırlıklı, kalıp açısından zengin, egosu düşük” faaliyetlerdir:
- Belirtildiği gibi, Mimari Vizyon Belgeleri ve C4/ISO 25010 spesifikasyonlarından PoC kodu ve testleri oluşturma
- Karar günlükleri, tasarım seçenekleri ve risk listeleri hazırlama
- Dağınık Slack yazışmalarını, gelecekteki halinizin ağlamadan okuyabileceği bir şeye dönüştürme
Yapay zekâ öneriler sunma konusunda mükemmeldir; sorumluluk alma konusunda ise berbattır. İnsanların hâlâ kesinlikle söz sahibi olduğu alanlar şunlardır:
- Sorunu çerçevelemek
- Risk ile hız arasında denge kurmak
- Düzenleyici ve etik sınırları ele almak
- “Teknik olarak doğru” olan bir şeyin yine de yayımlanması yanlış olduğunda buna karar vermek
Şu anda en verimli yaklaşım, erken keşif ve tasarım döngülerini sıkıştırmaktır. Ajanlar, tutarlı bir spesifikasyonu makul yollara dönüştürme konusunda iyidir. Ancak bir yolun politik, etik veya stratejik açıdan yanlış olduğunu henüz anlayamazlar; bu nedenle kontrol kesin olarak insanlarda kalır.
Proje yöneticileri neden seremoni yerine geri bildirim döngülerine öncelik vermeli?
Geleneksel proje yönetimi çoğu zaman net bir amacı olmayan pek çok ritüel içerir. Ben de bu yaklaşımdan uzaklaşıp seremoniden çok geri bildirime öncelik veren sistemlere yöneliyorum.
Uygulamada bunun anlamı şudur:
- Daha az monolitik plan; daha fazla küçük ve test edilebilir hipotez
- Daha az büyük durum toplantısı; yapay zekâ tarafından otomatik olarak özetlenen daha fazla eş zamansız güncelleme
- Daha az şişirilmiş gereksinim belgesi; hem insanların hem de yapay zekânın üzerinde işlem yapabileceği daha fazla yaşayan Mimari Vizyon Belgesi
Tarihlere, bütçelere ve risklere hâlâ önem veriyoruz. Ancak insanlar tasarıma, kararlara ve paydaşların gerçeklerine odaklanabilsin diye kayıt tutma işlerini yapay zekâya bırakıyoruz.
İronik olan şu ki ritüellerin yarısını ortadan kaldırdığınızda insanlar geriye kalan yapıya daha fazla saygı gösteriyor.
İronik olan şu ki ritüellerin yarısını ortadan kaldırdığınızda insanlar geriye kalan yapıya daha fazla saygı gösteriyor.
Yapay zekâ entegrasyonları GitHub ve CI/CD içinde proje teslimatını nasıl kolaylaştırıyor?
Teknik açıdan “hafif ilerlemek”, yalnızca başka bir gösterge paneli eklemek değil, yapay zekâyı doğrudan depoya ve ortamlara bağlamak anlamına geliyordu.
Özellikle Codex adlı bir yapay zekâ kodlama asistanını GitHub depolarımıza ve CI/CD işlem hattımıza entegre ettik. Mühendisler alıştıkları IDE'de çalışıyor; ancak asistan depo yapısını görebiliyor ve C4 tarzı mimari diyagramlar ile bir Mimari Vizyon Belgesi üzerinden yukarıda bahsettiğim her şeyi yapabiliyor. Mühendis başına aylık yaklaşık $20 USD maliyetle bu, kullanabileceğiniz neredeyse diğer tüm üretkenlik kaldıraçlarından daha ucuzdur.
Ayrıca, yapay zekâ destekli değişiklikleri tek tıklamayla özel bir prototip ortamına dağıtabilmek için basit dağıtım otomasyonu (GitHub tabanlı işlem hatları) kullanıyoruz.
İstem oluşturma bile kısmen otomatikleştirildi: Modern bir GPT sınıfı model (GPT-5.2), Mimari Vizyon Belgelerimizden Eraser gibi araçlar için yapılandırılmış istemler oluşturabiliyor.
Önemli olan, tüm bunların standart güvenlik sınırları içinde gerçekleşmesidir: Mühendisler hâlâ her çekme isteğini inceliyor, CI/CD hâlâ çalışıyor ve insan onayı olmadan hiçbir şey üretime alınmıyor. Yapay zekâ sıkıcı kısımları hızlandırıyor; tasarım, risk ve son kararın sorumluluğu ise insanlarda kalıyor.
Yapay zekâ prototipleri teslimat ritüellerini neden yeniden tanımlıyor?
Tüm bunlar teslimat ritüellerimiz üzerinde büyük bir etki yarattı.
Kapsamı tanımlamak eskiden “Saatlerce konuşalım, sonra hepimizin görmezden geleceği bir belge yazalım.” demekti. Şimdi ise “Hızla bir prototipe ulaşalım ve etkileşimli bir şey üzerinden tartışalım.” diyoruz.
Üst düzey bir sonuçla başlıyor, bunu bir Mimari Vizyon Belgesi'ne kaydediyor, C4 görünümlerini taslak hâline getiriyor ve ardından bir PoC veya en azından gerçekçi bir maket oluşturmak için yapay zekâyı kullanıyoruz. Birdenbire herkesin bir görüşü oluyor — çünkü tepki verebilecekleri somut bir şey var.
Başka bir deyişle, madde işaretleri etrafında değil, davranış etrafında uyum sağlıyoruz.
Doğrulamayı, yapay zekâ tarafından oluşturulan testler (kapsam ve gerileme testleri için harika) ile insanlar tarafından tasarlanan senaryoların (yargı ve sıra dışı uç durumlar için harika) bir bileşimiyle gerçekleştiriyoruz.
Yürütme yönetimini “görev atama” yaklaşımından “akış tasarlama” yaklaşımına taşıyoruz: Bu iş parçasını bundan sonra kim veya ne, hangi bağlamla görmeli?
Basit bir yapay zekâ teslimat yığını nasıl görünür?
Yığınım görüşlerimi yansıtıyor ama basit.
Mimari ve uyum için C4 tarzı diyagramlar ve Eraser gibi araçlarda oluşturulan Mimari Vizyon Belgeleri kullanıyorum. Bu, bunları insanların önünde kolayca yinelemeyi ve ardından yapay zekâya aktarmayı sağlıyor.
Belirtimler için amacı, kısıtları ve kalite niteliklerini bir LLM'nin anlayabileceği şekilde açıklayan, metin öncelikli belgeleri tercih ediyorum.
Mühendislik tarafında, güçlü yapay zekâ desteğine sahip modern IDE'ler ile bu mimari çıktılardan doğrudan PoC uygulamaları ve testleri oluşturmak için Claude Code ve Codex gibi araçları kullanıyorum. Üretim ortamına yönelik özelliklerin tamamını yapay zekâya devretmedim. Taslak hazırlıyor, iskelet oluşturuyor ve öneriler sunuyor. Üretimde neyin yer alacağına hâlâ mühendisler — gerçek mühendisler — karar veriyor.
Önemli olan şu ki, bu araçların her biri artık bir ada olmaktan çıktı. Artık yapay zekâ destekli bir SDLC'ye bağlanmış durumdalar: gereksinimlerin, mimarinin, kodlamanın, testlerin ve hatta yönetişimin tümünde destekleyici bir katman bulunuyor.
Uygulamada, bu değişimin teslimat genelinde yaklaşık %18-25 oranında üretkenlik artışı sağlayacağını düşünüyorum. Ancak açık olmak gerekirse, bu sayı bir kuruluşun başlangıç noktasına — olgunluğuna, mevcut süreçlerine ve mimari disiplinine — büyük ölçüde bağlı.
Seçici araç kullanımı yapay zekâ destekli teslimatı nasıl geliştiriyor?
Geçen yıl boyunca her şeyi aynı anda “yapay zekâ destekli” hâle getirmeye çalışmak yerine, araçları bilinçli bir şekilde değiştirmeye ve pilot olarak kullanmaya başladık.
Teslimat tarafında, hafif Miro yol haritası oluşturma çalışmaları ve mimari atölyeleri için Miro'yu kullanıma sunduk; ancak bunu yalnızca birkaç küçük projede pilot olarak uyguladık. Amacımız, yapay zekâ tarafından oluşturulan özetlerle birleştirilen Miro panolarının uzun slayt destelerinin ve manuel uyum belgelerinin yerini ne ölçüde alabileceğini değerlendirmekti. İlk sinyaller olumlu, ancak bunu varsayılan hâle getirmeden önce yaklaşımı son hâline getirip ölçeklendirmemiz gerekiyor.
Belgelendirme ve belirtimler için Mimari Vizyon Belgelerinde metin öncelikli bir belgelendirme aracını kullanmaya devam ettik. Üzerine çok hafif Özel GPT'lerle yapay zekâ desteği ekledik — sürdürmediğimiz ve istemlere iyi dönüşmeyen büyük, statik belirtim belgelerini sessizce kullanımdan kaldırdık.
Yukarıda bundan söz ettim, ancak mühendislik tarafında PoC iskeleti oluşturma ve test üretimi için Git depomuzla ve CI işlem hattımızla entegre bir yapay zekâ kodlama asistanı olarak Codex'i ekledik; mevcut IDE'lerimizi ve dağıtım araçlarımızı koruduk. Başka bir deyişle, yığını henüz söküp atmıyoruz. Yapay zekâyı, açıkça zaman kazandırdığı yerlere üst katman olarak ekliyor; şirket genelinde kullanıma sunmadan önce bunu kontrollü pilotlarda deniyoruz.
Yığını henüz söküp atmıyoruz. Yapay zekâyı, açıkça zaman kazandırdığı yerlere üst katman olarak ekliyor; şirket genelinde kullanıma sunmadan önce bunu kontrollü pilotlarda deniyoruz.
Proje yönetimi önümüzdeki beş yılda nereye gidiyor?
Beş yıl sonra, yalnızca koordinasyon rolü olarak “proje yöneticisi” teknoloji sektöründe büyük ölçüde ortadan kalkacak. İş varlığını sürdürecek, ancak yerleşik yapay zekâ aracıları araçlarınızın içinde koordinasyonun, takibin ve raporlamanın çoğunu üstlenecek.
Eskiden PM olarak adlandırılan insanlar ya yapay zekâ destekli SDLC'ler ve yönetişim modelleri tasarlama görevinde daha üst bir seviyeye çıkacak ya da ürün ve strateji rollerine yatay geçiş yapacak.
PM performans panoları “zamanında / bütçe dâhilinde” yaklaşımından, aktif olarak şekillendirdikleri küçük bir sistem metrikleri kümesine kayacak: değişiklikler için teslim süresi, üretime kaçan kusur oranı, karar gecikmesi, deney hacmi ve paydaş güven skorları. Sayımların çoğunu yapay zekâ gerçekleştirecek. PM'ler, daha fazla bileti takip ettikleri için değil, daha iyi çalışma yöntemleri tasarladıkları için bu sayıların doğru yönde ilerlemesinden sorumlu olacak.
“Durum takibi” işinde kalan PM'lerin yerini, bunu 7/24 yapan ve aynı anda altı panoyu güncellemekten rahatsız olmayan botlar sessizce alacak.
Ürün yöneticileri AI'yi öğrenilecek bir konu olarak değil, ekip arkadaşı olarak görmeli
Tavsiyem şu: Yeni bir çerçeveymiş gibi “AI'yi öğrenmeye” çalışmayı bırakın ve onu belirli güçlü yönleri ve kör noktaları olan yeni bir ekip arkadaşı olarak görün. Biz kendi ekip arkadaşımıza şaka yollu "gptBuddy" diyoruz.
Bir iş akışı, bir ekip ve önem taşıyan bir metrik seçin ve acımasız bir deney yürütün. Anlamlı bir iyileşme görmüyorsanız kurulumu değiştirin veya durun.
AI'nin gerçek değeri dışarıdan bakıldığında sıkıcı görünür. İnsanların beklediği bilim kurgu şeyleri değildir. Göz alıcı olmayan, zamanla biriken kazanımlardır: test oluşturma, belgeleri düzenleme, iskelet oluşturma, farklı seçenekleri keşfetme ve benzeri.
Aynı zamanda gözünüzü araçlardan kaldırın ve kuruluşunuz için AI destekli bir yazılım geliştirme yaşam döngüsünün (SDLC) nasıl görüneceğini tasarlayın. Bunu yapmazsanız, başkası yapacak — ekipleri daha az toplantıyla ve daha az dramayla daha hızlı ilerleyecek.
Yeni bir çerçeveymiş gibi “AI’yi öğrenmeye” çalışmayı bırakın ve onu belirli güçlü yönleri ve kör noktaları olan yeni bir ekip arkadaşı olarak görün.
Takip edin
Yurii Lozinskyi, AI, mühendislik, ürün ve teslimat konularındaki teknik bilgi birikimini paylaşırken onu LinkedIn ve Dev.to üzerinden takip edebilirsiniz. Ayrıca Verysell AI'ye göz atın.
Dijital Proje Yöneticisi'nde daha fazla uzman röportajı sizlerle olacak!
