Yapay Zekâ Modellerini Kendi Verinizle Eğitme (Fine-Tuning) Rehberi
Fine-tuning'e uygulamalı giriş: ne zaman gerekli, veri hazırlığı, LoRA yöntemi, değerlendirme ve maliyet; RAG ile karşılaştırma dahil karar rehberi.
Bu rehberi ücretsiz indir
PDF; kapak ve içindekiler sayfası dahil 5 bölümden ve sık sorulan sorulardan oluşur. Türkçe, A4 formatında, yazdırılabilir.
İndirmek için ücretsiz WebTuring hesabı gerekir. Girişli değilseniz giriş sayfasına yönlendirilirsiniz.
Kısa cevap
Fine-tuning, modelin üslup/format/davranışını kalıcı biçimde özelleştirme yöntemidir; bilgi güncelleme için değil davranış kalıcılığı içindir. Veri 500-5000 örnek, LoRA ile maliyet makul, değerlendirme seti zorunludur.
Karar: Fine-tuning gerekli mi?
Fine-tuning'in doğru kullanımları: Tutarlı çıktı formatı (her zaman aynı JSON yapısı), özel üslup (marka dili, hukuki dil), alan terminolojisi davranışı, küçük modeli büyük modelin yeteneğine yaklaştırmak (damıtma mantığı).
Yanlış kullanımlar: "Bilgisini güncellemek istiyorum" — bunun aracı RAG'dir; bilgi, fine-tuning ile güvenilir biçimde eklenmez ve bayatlar. "Ucuz olsun diye" — önce iyi istem + RAG denemesi yapılmadan fine-tuning'e geçilmez. Karar kuralı: Davranış kalıcı değişecekse fine-tuning, bilgi dışarıdan gelirse RAG; ikisi birlikte de kullanılabilir.
Veri hazırlığı
Format: İstem-cevap çiftleri (JSONL); üretim modelinde tercih çiftleri de kullanılabilir. Miktar: Başlangıç için 500-2000 kaliteli örnek genellikle yeterli; 50 mükemmel örnek, 5000 vasat örnekten iyidir.
Kalite kuralları: Örnekler gerçek kullanım dağılımını temsil etmeli (gerçek isteklerin çeşitliliği), cevaplar tutarlı formatta olmalı, çelişkili örnekler ayıklanmalı. Veri hazırlığı projenin %70'idir: "Veriye göre model" ilkesi burada da geçerlidir.
LoRA: Verimli ince ayar
Tam eğitim, modelin tüm parametrelerini değiştirir — pahalı ve riskli. LoRA, küçük ek katmanlar eğiterek modelin büyük kısmını dondurur: Bellek ve maliyeti kat kat düşürür, tek GPU'da bile yapılabilir.
Pratik akış: Temel model seç (açık ağırlıklı — Llama/Qwen/Mistral ailesi veya sağlayıcının fine-tuning API'si) → veriyi böl (eğitim/doğrulama) → eğitim (birkaç saat) → değerlendirme → tekrar. Sağlayıcı API'leri ile bu akış kodsuz panelden bile yapılabilir; kendi GPU'nuzda açık araçlarla da yürütülür.
Değerlendirme
Ölçüm seti: Eğitim verisinde OLMAYAN 50-100 örnek. Karşılaştırma üçlüsü: Temel model + iyi istem vs fine-tuned model vs (varsa) büyük model. Metrikler: format uyumu, doğruluk, ton tutarlılığı; mümkünse otomatik ölçüm (regex format kontrolü) + insan örneklemi.
İterasyon kuralı: Değerlendirme seti kötü sonuç verirse veriyi analiz edin — hangi örnek türlerinde hata var? Veri düzeltmesi, hiperparametre denemesinden önce gelir. İki iterasyon genelde yeter; bitmeyen eğitim döngüsü, aşırı uyum üretir.
Maliyet ve risk kontrolü
Maliyet kalemleri: Eğitim (LoRA ile birkaç dolar-onlarca dolar düzeyi sağlayıcı API'lerinde; kendi GPU'da zaman maliyeti), değerlendirme ve iterasyon, model sürüm güncellemesi (temel model değişince yeniden eğitim gerekir).
Riskler: Aşırı uyum (eğitim örneklerini ezberleyip genel yeteneği kaybetme), veri hukuku (eğitim verisinin kullanım hakları — müşteri verisiyle eğitim KVKK gereği dikkat ister), geriye dönüş (fine-tuned modeli "unutma" kolay değildir; sürüm kontrolü ve değerlendirme seti arşivi şart).
Sık sorulan sorular
Kaç örnek yeterli?
Göreve bağlı ama pratik kural: 500-2000 kaliteli, çeşitli örnek başlangıç için yeterli. Kalite miktarı yener; 100 mükemmel örnekle deneyip sonuç görmek, 10.000 vasat örnek toplamaktan daha akıllıdır.
Kod yazmadan fine-tuning yapılabilir mi?
Evet; büyük sağlayıcıların panellerinde veri yükleyip eğitimi başlatmak mümkündür. Ancak değerlendirme ve karar süreçleri yine insan işidir — eğitim ucuzlaşsa da ölçüm disiplini değişmez.
Fine-tuned model güncel bilgiye sahip olur mu?
Hayır — eğitim tarihi itibarıyla bilgiyi öğrenir. Güncel bilgi ihtiyacı RAG ile karşılanmalıdır; iki mimari birlikte kullanılır: fine-tuning davranışı, RAG bilgiyi taşır.
