Fine-tuning nedir?

Bu derste, hazır eğitilmiş bir yapay zekâ modelini kendi görevinize uyarlamayı sağlayan fine-tuning kavramını baştan sona işliyoruz: ne işe yarar, nasıl yapılır, prompt yazmaktan farkı nedir ve en sık yapılan hatalar hangileridir. Bu ders, Yapay Zekâ dersleri bölümümüzdeki "Yapay Zekâ Modelleri ve Araçları" ünitesinin bir parçasıdır.

Fine-tuning Nedir?

Fine-tuning, Türkçesiyle ince ayar; daha önce devasa bir veri kümesiyle eğitilmiş (ön eğitimli) bir yapay zekâ modelini, belirli bir görevinize ya da alanınıza ait küçük bir veriyle yeniden ve kısmen eğitmek demektir. Modelin genel dil becerisi yerinde kalır; siz ona "artık bu işi, bu biçimde yap" demiş olursunuz. Sonuç, göreve özelleşmiş yeni bir model sürümüdür.

Bunu bir insan benzetmesiyle düşünün: genel kültürü çok yüksek bir yeni çalışan, işe girdiğinde şirketin dilini ve iş yapma tarzını öğrenmek için kısa bir oryantasyon eğitimi alır. Fine-tuning de modele uygulanan bu oryantasyondur. Buna karşılık her konuşmada modele uzun talimatlar yazmak (prompt), yolda gördüğü herkese aynı tarifleri tekrarlamak gibidir: işe yarar ama kalıcı değildir.

Ön Eğitim ile Fine-tuning Arasındaki Fark

Bir dil modelinin yetiştirilmesi iki evreden oluşur ve maliyetleri birbirinden çok farklıdır:

• Ön eğitim (pre-training): Model, milyarlarca cümleyle eğitilir; dilin işleyişini ve dünya hakkındaki genel örüntüleri öğrenir. Bu evre büyük bütçe ve veri merkezi boyutunda donanım gerektirir; yalnızca büyük kuruluşlar yürütebilir.
• Fine-tuning: Aynı model, yüzlerce ilâ binlerce örnekten oluşan özel bir veriyle kısa bir eğitim turu daha geçirir. Bugün tek bir güçlü ekran kartıyla ya da bulut üzerinde kısa bir işlemle yapılabilir.

Teknik özü şudur: modelin içindeki "ağırlık" denen sayısal değerlerin bir kısmı (ya da tamamı) sizin verinize göre güncellenir. Yani fine-tuning ile istediğiniz davranışı her seferinde prompt ile anlatmak yerine, modelin içine kalıcı olarak işlemiş olursunuz.

Fine-tuning Nasıl Yapılır?

En yalın hâliyle süreç üç adımdan oluşur:

1. Veriyi hazırla: Görevi temsil eden talimat–yanıt çiftleri toplayın. Örneğin bir müşteri desteği modeli için, gerçek destek yazışmalarından seçilmiş ve düzeltilmiş örnekler kullanılır.
2. Eğit: Modeli bu veriyle birkaç tur (epoch) çalıştırın. Kapalı sağlayıcıların konsollarındaki ince ayar seçenekleri ya da açık ağırlıklı modeller için Hugging Face gibi platformlar, teknik yükün büyük kısmını üstlenir.
3. Ölç: Modeli, eğitimde göstermediğiniz örneklerle test edin ve eski sürümle karşılaştırın.

Verinin biçimi genellikle basittir: bir yanda kullanıcı talimatı, öbür yanda arzulanan ideal yanıt. Modelin "öğrendiği" şey, bu örneklerden çıkardığı örüntüdür; bu yüzden verinin tutarlılığı, miktarından daha önemlidir.

Fine-tuning Yöntemleri

Tam ince ayar (full fine-tuning)

Modelin tüm ağırlıkları güncellenir. En esnek yoldur ama bellek ve maliyet yükü büyüktür; genellikle büyük ekiplerin tercih ettiği yöntemdir.

LoRA ve QLoRA (verimli ince ayar)

Bugün bireylerin ve küçük ekiplerin fiilen standardı LoRA'dır (Low-Rank Adaptation). Fikir basittir: orijinal ağırlıklara dokunma, yanına küçük "adaptör" katmanlar ekle ve yalnızca onları eğit. Eğitilen parametre sayısı azaldığı için eğitim hem ucuzlar hem hızlanır. QLoRA ise modeli sıkıştırılmış biçimde yükleyerek aynı işi daha az bellekle yapar; sayesinde bireysel geliştiriciler, Llama ve Mistral gibi açık ağırlıklı modelleri kendi bilgisayarlarında ince ayarlayabilir.

Talimat ince ayarı (instruction tuning)

ChatGPT benzeri asistanların sorulara düzgün biçimde yanıt vermesini sağlayan katman budur: modele çeşitli talimat–yanıt örnekleri gösterilir. İnsan geri bildirimiyle güçlendirilmiş sürümleri (RLHF) de günümüz modellerinin standart parçasıdır; kullanıcıya sunulan modeller çoğunlukla bu eğitimden geçmiş hâlde gelir.

Fine-tuning Ne Zaman Gerekir, Ne Zaman Gereksizdir?

Fine-tuning güçlü bir araçtır ama her sorunun cevabı değildir. Karar verirken şu ayrıma bakabilirsiniz:

• İnce ayar uygundur: Tutarlı bir konuşma tonu ya da çıktı biçimi gerektiğinde (marka dili, destek yanıtları, daima aynı yapıda JSON üretme), dar ve net tanımlı bir görevi daha küçük ve ucuz bir modelle çözmek istediğinde, genel modellerin zayıf kaldığı yoğun bir alan jargonu (hukuk, tıp, teknik doküman) söz konusu olduğunda.
• İnce ayar gereksizdir: Amacınız yalnızca modele yeni bilgi vermekse, biçimlendirme isteğiniz birkaç prompt ya da few-shot örnekle karşılanabilecek kadar basitse ya da işi birkaç promptla halledecekseniz. Bu durumlarda önce prompt tasarımını ve bağlam ekleme yöntemini denemek daha akıllıcadır.

Fine-tuning ile RAG ayrımını tek cümleyle özetlersek: fine-tuning davranış öğretir, RAG bilgi temin eder. Modelin tonunu ince ayarla sabitler, güncel bilgileri yanıt anında RAG ile besleyebilirsiniz; ikisi birlikte de kullanılır. Ayrıntılar için RAG nedir? dersimize bakabilirsiniz.

Sık Yapılan Hatalar ve Yanılgılar

1. Yeni bilgi eklemek için ince ayar yapmak: En yaygın yanılgıdır. İnce ayar, gördüğü örneklerde güçlüdür ama güncel ve geniş bir bilgi birikimini güvenilir biçimde hatırlamaz; bilgi gereksiniminde RAG daha doğru seçimdir.
2. Düşük kaliteli ya da çelişkili veri: Veri setinde aynı türdeki sorulara farklı tarzlarda yanıtlar varsa model tutarsız öğrenir. Beş yüz özenli örnek, yirmi bin dağınık örnekten daha iyi sonuç verebilir.
3. Ezberleme (overfitting): Veri azsa ve eğitim uzun sürerse model örnekleri ezberler. Belirtisi: eğitimdeki sorularda mükemmel, dışındaki sorularda zayıf performans.
4. Genel yeteneği köreltmek: Çok dar bir veriyle agresif eğitim, modelin başka konulardaki becerisini düşürebilir; buna "felaket unutması" (catastrophic forgetting) denir. LoRA gibi yöntemler bu riski azaltır.
5. Yanlış ölçmek: Modeli yalnızca eğitimde kullandığınız örneklerle sınamak gerçek başarıyı yansıtmaz; ayrı bir test seti şarttır.
6. "Her modelde mümkün" sanmak: Kapalı modellerde ince ayar imkânı sağlayıcıdan sağlayıcıya değişir; ayrıntı için Kapalı yapay zekâ modelleri dersine bakabilirsiniz. Açık ağırlıklı modellerde ise (Llama, Mistral, Gemma, Qwen gibi) ince ayar tamamen sizin kontrolünüzdedir.

Kısacası fine-tuning, hazır modelleri kendi işinize uyarlamanın 2024-2025 itibarıyla bireylerin bile erişebildiği somut bir yoludur: doğru senaryoda prompt yükünü azaltır, tutarlılığı artırır ve küçük modellerle maliyet avantajı sağlar. Yol haritanızı çizerken model seçimi için Yapay zekâ modeli karşılaştırma dersine, kendi kontrolünüzdeki seçenekler için Açık kaynak yapay zekâ modelleri dersine, ince ayarlı modeli bulut üzerinden çağırmanın pratik tarafı için de AI API nasıl kullanılır? dersine göz atabilirsiniz.