B\u00fcy\u00fck Dil Modellerini (LLM) ince ayarlaman\u0131n (fine-tuning) her zaman devasa veri setleri gerektirdi\u011fi yayg\u0131n bir yan\u0131lg\u0131d\u0131r. Oysa g\u00fcn\u00fcm\u00fcz teknolojileri ve yenilik\u00e7i yakla\u015f\u0131mlar sayesinde, k\u00fc\u00e7\u00fck veri setleriyle bile etkili LLM optimizasyonu yapmak m\u00fcmk\u00fcn. Bu makalede, bu miti \u00e7\u00fcr\u00fctecek y\u00f6ntemleri, stratejileri ve ger\u00e7ek d\u00fcnya uygulamalar\u0131n\u0131 derinlemesine inceleyece\u011fiz.<\/p>\n
Yapay zeka d\u00fcnyas\u0131nda son y\u0131llar\u0131n en \u00e7ok konu\u015fulan konular\u0131ndan biri olan B\u00fcy\u00fck Dil Modelleri (LLM’ler), milyarlarca parametreye sahip ve internet \u00fczerindeki devasa metin verileriyle e\u011fitilmi\u015f yapay zeka modelleridir. Bu modeller, insan dilini anlama, metin \u00fcretme, \u00e7eviri yapma ve sorular\u0131 yan\u0131tlama gibi geni\u015f bir yelpazede g\u00f6revleri \u00fcst\u00fcn bir ba\u015far\u0131yla yerine getirebilirler. Ancak, bir LLM genel ama\u00e7l\u0131 olarak e\u011fitildi\u011finde, belirli bir ni\u015f alana veya spesifik bir g\u00f6reve \u00f6zel olarak optimize edilmemi\u015f olabilir. \u0130\u015fte tam bu noktada, “ince ayar” (fine-tuning) kavram\u0131 devreye girer.<\/p>\n
\u0130nce ayar, \u00f6nceden e\u011fitilmi\u015f bir LLM’yi, belirli bir g\u00f6rev veya veri k\u00fcmesi \u00fczerinde ek e\u011fitimden ge\u00e7irerek performans\u0131n\u0131 art\u0131rma s\u00fcrecidir. Temelde bir transfer \u00f6\u011frenme tekni\u011fi olan ince ayar, modelin genel dil yeteneklerini korurken, onu belirli bir ba\u011flama veya kullan\u0131m durumuna adapte etmeyi ama\u00e7lar. \u00d6rne\u011fin, genel bir LLM, hukuk metinlerini analiz etme veya t\u0131p alan\u0131nda sorular\u0131 yan\u0131tlama konusunda yeterli hassasiyete sahip olmayabilir. Bu gibi durumlarda, ilgili alana ait k\u00fc\u00e7\u00fck ama kaliteli bir veri setiyle yap\u0131lacak ince ayar, modelin bu ni\u015f g\u00f6revlerdeki do\u011frulu\u011funu ve tutarl\u0131l\u0131\u011f\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131rabilir.<\/p>\n
Veri seti boyutunun ince ayar \u00fczerindeki etkisi, uzun s\u00fcre bu konudaki en b\u00fcy\u00fck tart\u0131\u015fma noktalar\u0131ndan biri olmu\u015ftur. Geleneksel olarak, derin \u00f6\u011frenme modellerinin ba\u015far\u0131l\u0131 bir \u015fekilde e\u011fitilmesi i\u00e7in b\u00fcy\u00fck veri setlerinin vazge\u00e7ilmez oldu\u011fu d\u00fc\u015f\u00fcn\u00fcl\u00fcyordu. Bu d\u00fc\u015f\u00fcnce, LLM’lerin milyarlarca parametreye sahip olmas\u0131 ve bu parametreleri optimize etmek i\u00e7in \u00e7ok say\u0131da \u00f6rnek gerektirdi\u011fi varsay\u0131m\u0131na dayan\u0131yordu. Nitekim, s\u0131f\u0131rdan bir LLM e\u011fitmek ger\u00e7ekten de muazzam miktarda veri ve hesaplama g\u00fcc\u00fc gerektirir. Ancak ince ayar, s\u0131f\u0131rdan e\u011fitimden farkl\u0131d\u0131r; model zaten geni\u015f bir dil bilgisine sahiptir ve biz sadece bu bilgiyi belirli bir alana y\u00f6nlendirmeye \u00e7al\u0131\u015f\u0131r\u0131z. Dolay\u0131s\u0131yla, t\u00fcm modeli ba\u015ftan sona e\u011fitmek yerine, sadece belirli katmanlar\u0131n\u0131 veya eklentilerini g\u00fcncellemek, \u00e7ok daha az veriyle de ba\u015far\u0131l\u0131 sonu\u00e7lar elde etmemizi sa\u011flar.<\/p>\n
\u0130nce ayar ile kar\u0131\u015ft\u0131r\u0131lmamas\u0131 gereken bir di\u011fer \u00f6nemli kavram ise “istem m\u00fchendisli\u011fi” (prompt engineering) veya “ba\u011flam i\u00e7i \u00f6\u011frenme” (in-context learning)’dir. \u0130stem m\u00fchendisli\u011fi, modele do\u011fru sorular\u0131 sorarak veya yeterli ba\u011flam\u0131 sa\u011flayarak, mevcut modelin performans\u0131n\u0131 optimize etme sanat\u0131d\u0131r. Bu y\u00f6ntem, herhangi bir model de\u011fi\u015fikli\u011fi yapmadan, modelin mevcut yeteneklerini en iyi \u015fekilde kullanmay\u0131 hedefler. Oysa ince ayar, modelin a\u011f\u0131rl\u0131klar\u0131n\u0131 do\u011frudan de\u011fi\u015ftirerek, onun temel davran\u0131\u015f\u0131n\u0131 ve bilgisini kal\u0131c\u0131 olarak adapte etmeyi i\u00e7erir. \u0130stem m\u00fchendisli\u011fi h\u0131zl\u0131 sonu\u00e7lar verebilirken, ince ayar, modelin daha derinlemesine ve kal\u0131c\u0131 bir \u015fekilde \u00f6\u011frenmesini sa\u011flar. \u00d6zellikle \u00e7ok spesifik terminolojiler veya karma\u015f\u0131k \u00e7\u0131kar\u0131mlar gerektiren ni\u015f g\u00f6revlerde, istem m\u00fchendisli\u011finin s\u0131n\u0131rlar\u0131na ula\u015f\u0131ld\u0131\u011f\u0131nda ince ayar, \u00e7ok daha g\u00fc\u00e7l\u00fc ve verimli bir \u00e7\u00f6z\u00fcm sunabilir. Bu sayede, yapay zeka ve do\u011fal dil i\u015fleme alan\u0131ndaki uygulamalar\u0131n \u00e7e\u015fitlili\u011fi ve etkinli\u011fi art\u0131r\u0131l\u0131rken, gereksiz kaynak t\u00fcketiminin de \u00f6n\u00fcne ge\u00e7ilir.<\/p>\n
B\u00fcy\u00fck Dil Modellerini (LLM) ince ayarlamak i\u00e7in her zaman devasa, milyarlarca tokenl\u0131k veri setlerine ihtiya\u00e7 duyuldu\u011fu inanc\u0131, \u00f6zellikle LLM’lerin ilk ortaya \u00e7\u0131kt\u0131\u011f\u0131 ve s\u0131f\u0131rdan e\u011fitim maliyetlerinin \u00e7ok y\u00fcksek oldu\u011fu d\u00f6nemlerde peki\u015fmi\u015ftir. Bu mit, k\u0131smen modelin karma\u015f\u0131kl\u0131\u011f\u0131na ve e\u011fitim i\u00e7in gereken hesaplama g\u00fcc\u00fcne atfedilebilir. Ancak teknoloji geli\u015ftik\u00e7e ve “transfer \u00f6\u011frenme” gibi kavramlar daha iyi anla\u015f\u0131ld\u0131k\u00e7a, bu d\u00fc\u015f\u00fcncenin her zaman do\u011fru olmad\u0131\u011f\u0131n\u0131 g\u00f6rmeye ba\u015flad\u0131k. Ger\u00e7ek \u015fu ki, k\u00fc\u00e7\u00fck veri setleriyle etkili LLM ince ayar\u0131 yapmak sadece m\u00fcmk\u00fcn de\u011fil, ayn\u0131 zamanda belirli senaryolarda olduk\u00e7a verimli ve gerekli bir yakla\u015f\u0131md\u0131r.<\/p>\n
Bu mitin ortaya \u00e7\u0131kmas\u0131ndaki temel nedenlerden biri, “e\u011fitim” ile “ince ayar” aras\u0131ndaki fark\u0131n yeterince vurgulanmamas\u0131d\u0131r. S\u0131f\u0131rdan bir LLM e\u011fitmek, modelin dili ve d\u00fcnya bilgisini s\u0131f\u0131rdan \u00f6\u011frenmesini gerektirir ki bu, milyarlarca veri noktas\u0131 ve haftalarca GPU s\u00fcresi demektir. Oysa ince ayar, zaten \u00f6nceden e\u011fitilmi\u015f, geni\u015f bir dil bilgisine sahip bir modelin \u00fczerine in\u015fa edilir. Model, dilin genel yap\u0131s\u0131n\u0131, gramer kurallar\u0131n\u0131, kelime anlamlar\u0131n\u0131 ve geni\u015f d\u00fcnya bilgisini zaten bilmektedir. Bizim ince ayar ile yapt\u0131\u011f\u0131m\u0131z \u015fey, bu genel bilgiyi belirli bir ni\u015f alana veya g\u00f6reve odaklamakt\u0131r. Bu durum, bir \u00e7ocu\u011fa okuma yazma \u00f6\u011fretmek yerine, zaten okuma yazma bilen birine belirli bir uzmanl\u0131k alan\u0131 hakk\u0131nda bilgi vermek gibidir; ikincisi \u00e7ok daha az \u00e7aba ve veri gerektirir.<\/p>\n
Transfer \u00f6\u011frenme, bu paradigmada merkezi bir rol oynar. \u00d6nceden e\u011fitilmi\u015f bir modelin, bir g\u00f6revden edindi\u011fi bilgiyi ba\u015fka bir benzer g\u00f6reve aktarmas\u0131 ilkesine dayan\u0131r. LLM’ler ba\u011flam\u0131nda, \u00f6nceden e\u011fitilmi\u015f modelin genel dil anlama ve \u00fcretme yetene\u011fi, daha spesifik g\u00f6revler i\u00e7in bir “ba\u015flang\u0131\u00e7 noktas\u0131” g\u00f6revi g\u00f6r\u00fcr. Bu sayede, modelin t\u00fcm parametrelerini s\u0131f\u0131rdan \u00f6\u011frenmesi yerine, sadece g\u00f6reve \u00f6zg\u00fc ince ayarlar yapmas\u0131 yeterli olur. Bu da, \u00e7ok daha k\u00fc\u00e7\u00fck veri setleriyle bile anlaml\u0131 performans art\u0131\u015flar\u0131 elde etmenin kap\u0131s\u0131n\u0131 aralar. \u00dcstelik, modelin \u00f6nceden edindi\u011fi geni\u015f bilgi, k\u00fc\u00e7\u00fck veri setlerinde olas\u0131 a\u015f\u0131r\u0131 uyum (overfitting) riskini de azaltmaya yard\u0131mc\u0131 olur, \u00e7\u00fcnk\u00fc model genelleme yetene\u011fini b\u00fcy\u00fck \u00f6l\u00e7\u00fcde korur.<\/p>\n
K\u00fc\u00e7\u00fck veri setleriyle ba\u015far\u0131l\u0131 ince ayar i\u00e7in baz\u0131 kritik stratejiler bulunmaktad\u0131r. \u00d6ncelikle, veri kalitesi, miktar\u0131ndan \u00e7ok daha \u00f6nemlidir. Az say\u0131da ancak m\u00fckemmel derecede etiketlenmi\u015f ve g\u00f6revi iyi temsil eden \u00f6rnekler, binlerce g\u00fcr\u00fclt\u00fcl\u00fc veya alakas\u0131z \u00f6rnekten daha de\u011ferli olabilir. \u0130kincil olarak, “Parametre Etkin \u0130nce Ayar” (PEFT) metodolojileri, bu alanda devrim yaratm\u0131\u015ft\u0131r. LoRA (Low-Rank Adaptation) ve QLoRA gibi teknikler, modelin t\u00fcm a\u011f\u0131rl\u0131klar\u0131n\u0131 de\u011fi\u015ftirmek yerine, sadece k\u00fc\u00e7\u00fck, eklenti (adapter) a\u011f\u0131rl\u0131klar\u0131n\u0131 ayarlayarak veya d\u00fc\u015f\u00fck s\u0131ral\u0131 matris \u00e7arpanlar\u0131 ekleyerek ince ayar yap\u0131lmas\u0131na olanak tan\u0131r. Bu y\u00f6ntemler, \u00e7ok daha az hesaplama kayna\u011f\u0131 ve dolay\u0131s\u0131yla daha az veri ile h\u0131zl\u0131 ve etkili ince ayar yap\u0131lmas\u0131na imkan tan\u0131r. Modelin orijinal a\u011f\u0131rl\u0131klar\u0131 donduruldu\u011fu i\u00e7in, a\u015f\u0131r\u0131 uyum riski de azal\u0131r ve yaln\u0131zca g\u00f6reve \u00f6zel bilgileri \u00f6\u011frenmeye odaklan\u0131l\u0131r.<\/p>\n
Peki, ne t\u00fcr g\u00f6revlerde k\u00fc\u00e7\u00fck veri setleri yeterli olabilir? \u00d6zellikle ni\u015f alanlar, dilin belli n\u00fcanslar\u0131 veya s\u0131n\u0131rl\u0131 domain bilgisi gerektiren g\u00f6revler bu kategoriye girer. \u00d6rne\u011fin, belirli bir \u015firketin \u00fcr\u00fcnleriyle ilgili m\u00fc\u015fteri \u015fikayetlerini s\u0131n\u0131fland\u0131rma, belirli bir hukuki terimin ge\u00e7ti\u011fi c\u00fcmlelerdeki ba\u011flam\u0131 anlama, belirli bir t\u0131bbi raporun ana hatlar\u0131n\u0131 \u00e7\u0131karma veya belirli bir stil veya tona sahip metinler \u00fcretme gibi g\u00f6revler, genellikle k\u00fc\u00e7\u00fck ve \u00f6zenle haz\u0131rlanm\u0131\u015f veri setleriyle ba\u015far\u0131l\u0131 bir \u015fekilde ince ayar yap\u0131labilir. Bu, ayn\u0131 zamanda, daha k\u00fc\u00e7\u00fck b\u00fct\u00e7eli projelerin veya bireysel geli\u015ftiricilerin de LLM teknolojilerinden faydalanmas\u0131n\u0131 m\u00fcmk\u00fcn k\u0131larak, yapay zekan\u0131n demokratikle\u015fmesine katk\u0131da bulunur. K\u0131sacas\u0131, b\u00fcy\u00fck veri setlerinin gereklili\u011fi, LLM ince ayar\u0131 ba\u011flam\u0131nda bir mit olmaktan \u00f6teye ge\u00e7memekte, aksine k\u00fc\u00e7\u00fck ve kaliteli verinin g\u00fcc\u00fc g\u00fcn ge\u00e7tik\u00e7e daha da \u00f6nem kazanmaktad\u0131r.<\/p>\n
K\u00fc\u00e7\u00fck veri setleriyle B\u00fcy\u00fck Dil Modellerini (LLM) ince ayarlamak, do\u011fru stratejiler ve teknikler uyguland\u0131\u011f\u0131nda son derece etkili olabilir. Bu b\u00f6l\u00fcmde, bu s\u00fcrecin temel ta\u015flar\u0131n\u0131 olu\u015fturan veri haz\u0131rl\u0131\u011f\u0131 ve Parametre Etkin \u0130nce Ayar (PEFT) metodolojilerini detayl\u0131 bir \u015fekilde inceleyece\u011fiz. Bu yakla\u015f\u0131mlar, k\u0131s\u0131tl\u0131 kaynaklara sahip olsan\u0131z bile, modelinizi belirli bir g\u00f6reve veya domaine m\u00fckemmel bir \u015fekilde adapte etmenizi sa\u011flar.<\/p>\n
K\u00fc\u00e7\u00fck veri setleriyle ince ayar yaparken, veri kalitesi miktar\u0131n \u00f6n\u00fcne ge\u00e7er. Az say\u0131da \u00f6rne\u011finiz olsa bile, bu \u00f6rneklerin g\u00f6revi net bir \u015fekilde temsil etmesi ve y\u00fcksek do\u011frulukta etiketlenmesi kritiktir. \u0130\u015fte bu a\u015famada uygulayabilece\u011finiz baz\u0131 ipu\u00e7lar\u0131 ve teknikler:<\/p>\n
Parametre Etkin \u0130nce Ayar (PEFT) y\u00f6ntemleri, b\u00fcy\u00fck LLM’lerin tamam\u0131n\u0131 e\u011fitmek yerine, sadece k\u00fc\u00e7\u00fck bir k\u0131sm\u0131n\u0131 veya eklenen yeni katmanlar\u0131 e\u011fiterek ince ayar yapmay\u0131 sa\u011flayan tekniklerdir. Bu, bellek ve hesaplama maliyetlerini dramatik bir \u015fekilde d\u00fc\u015f\u00fcr\u00fcrken, genellikle tam ince ayara yak\u0131n performans elde etmenizi sa\u011flar. PEFT, \u00f6zellikle k\u00fc\u00e7\u00fck veri setleriyle \u00e7al\u0131\u015f\u0131rken a\u015f\u0131r\u0131 uyum (overfitting) riskini de azalt\u0131r, \u00e7\u00fcnk\u00fc modelin orijinal, geni\u015f bilgi taban\u0131n\u0131 b\u00fcy\u00fck \u00f6l\u00e7\u00fcde korur.<\/p>\n
Bu stratejiler ve PEFT teknikleri sayesinde, k\u00fc\u00e7\u00fck veri setleriyle bile LLM’lerinizi belirli g\u00f6revler i\u00e7in olduk\u00e7a yetkin hale getirebilirsiniz. Unutmay\u0131n, \u00f6nemli olan miktardan ziyade kalitedir ve do\u011fru ara\u00e7larla k\u0131s\u0131tl\u0131 veriden bile maksimum fayda sa\u011flamak m\u00fcmk\u00fcnd\u00fcr.<\/p>\n
Teorik bilgiler ne kadar de\u011ferli olsa da, ger\u00e7ek d\u00fcnya uygulamalar\u0131, k\u00fc\u00e7\u00fck veri setleriyle ince ayar yapman\u0131n ne kadar etkili olabilece\u011fini somut bir \u015fekilde g\u00f6sterir. A\u015fa\u011f\u0131da, bu yakla\u015f\u0131mlar\u0131n ba\u015far\u0131yla uyguland\u0131\u011f\u0131 iki vaka analizini bulacaks\u0131n\u0131z. Bu \u00f6rnekler, \u00e7e\u015fitli sekt\u00f6rlerde nas\u0131l de\u011ferli sonu\u00e7lar elde edildi\u011fini ve b\u00fcy\u00fck veri setlerinin her zaman bir zorunluluk olmad\u0131\u011f\u0131n\u0131 kan\u0131tl\u0131yor.<\/p>\n
Senaryo:<\/strong> Orta \u00f6l\u00e7ekli bir e-ticaret \u015firketi, genel bir LLM tabanl\u0131 sohbet botunu kullanarak m\u00fc\u015fteri destek hizmetlerini otomatize etmeyi hedefliyordu. Ancak, genel ama\u00e7l\u0131 LLM, \u015firketin kendine \u00f6zg\u00fc \u00fcr\u00fcn terminolojisi, s\u0131k\u00e7a sorulan sorular (SSS) ve \u015firket politikalar\u0131 hakk\u0131nda yeterli bilgiye sahip de\u011fildi. M\u00fc\u015fteri temsilcilerinin rutin ve tekrar eden sorulara harcad\u0131\u011f\u0131 zaman\u0131 azaltmak, \u015firketin \u00f6ncelikleri aras\u0131ndayd\u0131. S\u0131f\u0131rdan b\u00fcy\u00fck bir veri seti olu\u015fturmak hem zaman al\u0131c\u0131 hem de maliyetli olacakt\u0131.<\/p>\n Veri Seti:<\/strong> \u015eirket, ince ayar i\u00e7in nispeten k\u00fc\u00e7\u00fck bir veri seti olu\u015fturmaya karar verdi. Bu veri seti \u015funlar\u0131 i\u00e7eriyordu:<\/p>\n Toplamda yakla\u015f\u0131k 1000 \u00f6rnekten olu\u015fan bu veri seti, genel bir LLM i\u00e7in \u00e7ok k\u00fc\u00e7\u00fck g\u00f6r\u00fcnse de, y\u00fcksek kalitede ve hedefe odaklanm\u0131\u015f bir yap\u0131ya sahipti.<\/p>\n Uygulanan Teknikler:<\/strong><\/p>\n Sonu\u00e7lar:<\/strong> 3-4 saatlik k\u0131sa bir e\u011fitim s\u00fcresinin ard\u0131ndan ince ayarl\u0131 modelin performans\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde artt\u0131.<\/p>\n Bu vaka, k\u00fc\u00e7\u00fck ve kaliteli bir veri setinin, do\u011fru ince ayar teknikleriyle birle\u015fti\u011finde, genel bir LLM’yi belirli bir i\u015f alan\u0131na ba\u015far\u0131yla adapte edebilece\u011fini g\u00f6steriyor.<\/p>\n Senaryo:<\/strong> B\u00fcy\u00fck bir hukuk b\u00fcrosu, her g\u00fcn gelen y\u00fczlerce sayfal\u0131k hukuki dok\u00fcman\u0131 (mahkeme kararlar\u0131, s\u00f6zle\u015fmeler, kanun maddeleri) \u00f6zetlemek i\u00e7in harcanan insan eme\u011finden tasarruf etmek istiyordu. Genel ama\u00e7l\u0131 \u00f6zetleme modelleri, hukuki metinlerin karma\u015f\u0131k yap\u0131s\u0131 ve spesifik terminolojisi nedeniyle yetersiz kal\u0131yordu. Hukuk b\u00fcrosunun elinde, daha \u00f6nce insanlar taraf\u0131ndan \u00f6zetlenmi\u015f, ancak s\u0131n\u0131rl\u0131 say\u0131da (yakla\u015f\u0131k 700-800 adet) hukuki dok\u00fcman ve \u00f6zet \u00e7ifti bulunuyordu.<\/p>\n Veri Seti:<\/strong> Yakla\u015f\u0131k 750 adet hukuki dok\u00fcman ve bunlar\u0131n uzmanlar taraf\u0131ndan yaz\u0131lm\u0131\u015f k\u0131sa \u00f6zetlerinden olu\u015fan bir veri seti kullan\u0131ld\u0131. Bu veri seti, son derece y\u00fcksek kaliteli ve domain’e \u00f6zg\u00fcyd\u00fc.<\/p>\n Uygulanan Teknikler:<\/strong><\/p>\n Sonu\u00e7lar:<\/strong> QLoRA ile yap\u0131lan ince ayar, birka\u00e7 g\u00fcnl\u00fck e\u011fitim s\u00fcresinin ard\u0131ndan dikkat \u00e7ekici sonu\u00e7lar verdi.<\/p>\n Bu \u00f6rnekler, k\u00fc\u00e7\u00fck ve kaliteli veri setleriyle, do\u011fru PEFT teknikleri kullan\u0131larak, genel ama\u00e7l\u0131 LLM’lerin belirli sekt\u00f6rlerin ni\u015f ihtiya\u00e7lar\u0131na nas\u0131l ba\u015far\u0131yla adapte edilebilece\u011fini net bir \u015fekilde ortaya koymaktad\u0131r. B\u00fcy\u00fck veri seti miti, bu t\u00fcr ba\u015far\u0131 hikayeleriyle giderek daha fazla \u00e7\u00fcr\u00fct\u00fclmektedir.<\/p>\n Art\u0131k teorik bilgileri ve vaka analizlerini geride b\u0131rakt\u0131\u011f\u0131m\u0131za g\u00f6re, k\u00fc\u00e7\u00fck bir veri seti kullanarak bir B\u00fcy\u00fck Dil Modelini (LLM) nas\u0131l ince ayar yapabilece\u011fimize dair uygulamal\u0131 bir \u00f6rne\u011fe ge\u00e7elim. Bu \u00f6rnekte, Python ve Hugging Face ekosistemindeki pop\u00fcler k\u00fct\u00fcphaneleri ( \u0130lk olarak, gerekli k\u00fct\u00fcphaneleri y\u00fckleyelim ve ince ayar i\u00e7in kullanaca\u011f\u0131m\u0131z \u00f6rnek veri setini olu\u015ftural\u0131m. Bu veri seti, pozitif veya negatif duyguyu ifade eden k\u0131sa metinlerden olu\u015facak.<\/p>\n <\/code><\/p>\n \u0130nce ayar yapaca\u011f\u0131m\u0131z temel modeli (burada <\/code><\/p>\n \u015eimdi LoRA konfig\u00fcrasyonunu tan\u0131mlayacak ve <\/code><\/p>\n Yukar\u0131daki kod bloklar\u0131, LoRA ve QLoRA kullanarak k\u00fc\u00e7\u00fck bir veri setiyle LLM ince ayar\u0131 yapman\u0131n temel ad\u0131mlar\u0131n\u0131 g\u00f6stermektedir. Bu \u00f6rnek, metinler aras\u0131 duygu analizi yapmak i\u00e7in tasarlanm\u0131\u015f olsa da, benzer bir yakla\u015f\u0131mla herhangi bir metin s\u0131n\u0131fland\u0131rma, metin \u00fcretme veya \u00f6zetleme g\u00f6revi i\u00e7in modellerinizi \u00f6zelle\u015ftirebilirsiniz. Unutmay\u0131n, bu kodlar bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r ve ger\u00e7ek d\u00fcnya uygulamalar\u0131 i\u00e7in daha fazla deneme ve optimizasyon gerektirebilir.<\/p>\n K\u00fc\u00e7\u00fck veri setleriyle LLM ince ayar\u0131 yaparken temel ad\u0131mlar\u0131 anlad\u0131k. \u015eimdi, deneyimli kullan\u0131c\u0131lar i\u00e7in baz\u0131 ileri d\u00fczey ipu\u00e7lar\u0131na ve LLM uygulamalar\u0131n\u0131 mobil platformlara ta\u015f\u0131rken dikkate al\u0131nmas\u0131 gereken mobil uyumlu HTML tasar\u0131m\u0131na de\u011finelim. Bu bilgiler, projelerinizin performans\u0131n\u0131 art\u0131r\u0131rken, son kullan\u0131c\u0131 deneyimini de optimize etmenize yard\u0131mc\u0131 olacakt\u0131r.<\/p>\n K\u00fc\u00e7\u00fck veri setleriyle ince ayar yapman\u0131n en b\u00fcy\u00fck risklerinden biri, modelin e\u011fitim verisine a\u015f\u0131r\u0131 uyum sa\u011flamas\u0131d\u0131r. Bu durumda model, e\u011fitim verisindeki spesifik \u00f6r\u00fcnt\u00fcleri ezberler ve daha \u00f6nce g\u00f6rmedi\u011fi verilere genelleme yapmada ba\u015far\u0131s\u0131z olur. A\u015f\u0131r\u0131 uyumu \u00f6nlemek i\u00e7in a\u015fa\u011f\u0131daki stratejileri uygulayabilirsiniz:<\/p>\n \u0130nce ayar sonras\u0131 modelinizin performans\u0131n\u0131 do\u011fru bir \u015fekilde de\u011ferlendirmek ve optimize etmek, projenizin ba\u015far\u0131s\u0131 i\u00e7in kritik \u00f6neme sahiptir.<\/p>\n LLM'ler genellikle bulutta \u00e7al\u0131\u015fsa ve sonu\u00e7lar\u0131 bir API \u00fczerinden sunsa da, bu sonu\u00e7lar\u0131n bir web aray\u00fcz\u00fc arac\u0131l\u0131\u011f\u0131yla kullan\u0131c\u0131lara g\u00f6sterildi\u011fi durumlar yayg\u0131nd\u0131r. Bu aray\u00fczlerin mobil uyumlu olmas\u0131, kullan\u0131c\u0131 deneyimi a\u00e7\u0131s\u0131ndan kritik \u00f6neme sahiptir. \u0130\u015fte mobil uyumlu HTML sa\u011flamak i\u00e7in baz\u0131 temel ad\u0131mlar ve CSS Media Query \u00f6rnekleri:<\/p>\n <\/code><\/p>\n <\/code><\/p>\n <\/code><\/p>\n Bu ileri d\u00fczey ipu\u00e7lar\u0131 ve mobil uyumluluk notlar\u0131, LLM projelerinizin hem teknik performans\u0131n\u0131 hem de kullan\u0131c\u0131ya sunulan son deneyimi \u00fcst d\u00fczeye \u00e7\u0131karman\u0131za yard\u0131mc\u0131 olacakt\u0131r. Unutmay\u0131n, iyi bir \u00fcr\u00fcn sadece g\u00fc\u00e7l\u00fc bir modele sahip olmakla kalmaz, ayn\u0131 zamanda eri\u015filebilir ve kullan\u0131c\u0131 dostu bir aray\u00fcze de sahip olmal\u0131d\u0131r.<\/p>\n Bu makalede derinlemesine inceledi\u011fimiz gibi, B\u00fcy\u00fck Dil Modellerini (LLM) ince ayarlamak i\u00e7in her zaman devasa veri setlerine ihtiya\u00e7 duyuldu\u011fu inanc\u0131, modern yapay zeka teknikleri \u0131\u015f\u0131\u011f\u0131nda ge\u00e7erlili\u011fini yitirmektedir. Parametre Etkin \u0130nce Ayar (PEFT) y\u00f6ntemleri, \u00f6zellikle LoRA ve QLoRA gibi teknikler sayesinde, k\u00fc\u00e7\u00fck ve y\u00fcksek kaliteli veri setleriyle bile olduk\u00e7a etkili ve performansl\u0131 LLM optimizasyonlar\u0131 yapmak m\u00fcmk\u00fcnd\u00fcr. Bu yakla\u015f\u0131mlar, sadece kaynak k\u0131s\u0131tlamalar\u0131 olan geli\u015ftiriciler ve \u015firketler i\u00e7in de\u011fil, ayn\u0131 zamanda ni\u015f alanlarda \u00f6zelle\u015ftirilmi\u015f ve hassas modeller olu\u015fturmak isteyen herkes i\u00e7in de\u011ferli bir kap\u0131 aralamaktad\u0131r.<\/p>\n Ger\u00e7ek d\u00fcnya vaka analizleri, k\u00fc\u00e7\u00fck veri setleriyle bile m\u00fc\u015fteri destek botlar\u0131ndan hukuki metin \u00f6zetlemeye kadar geni\u015f bir yelpazede ba\u015far\u0131 hikayeleri sunmaktad\u0131r. \u00d6nemli olan, veri kalitesine odaklanmak, do\u011fru \u00f6n i\u015fleme tekniklerini uygulamak, veri art\u0131rma y\u00f6ntemlerinden faydalanmak ve modelinize en uygun PEFT metodolojisini se\u00e7mektir. B\u00fcy\u00fck veri, bir modelin e\u011fitilmesi i\u00e7in bir se\u00e7enek olabilir, ancak ni\u015f bir g\u00f6reve ince ayar yap\u0131lmas\u0131 i\u00e7in kesinlikle bir zorunluluk de\u011fildir. Bu paradigma de\u011fi\u015fimi, yapay zeka teknolojilerinin daha geni\u015f kitleler taraf\u0131ndan eri\u015filebilir ve uygulanabilir hale gelmesine olanak tan\u0131maktad\u0131r.<\/p>\n Cevap: Evet, \u00e7o\u011fu \u00f6nceden e\u011fitilmi\u015f LLM, k\u00fc\u00e7\u00fck bir veri setiyle ince ayar yap\u0131labilir. Ancak, temel modelin boyutu ve yap\u0131s\u0131 (\u00f6rne\u011fin, GPT-3 gibi kapal\u0131 kaynak modeller veya Llama, Phi gibi a\u00e7\u0131k kaynak modeller) ve kullan\u0131lacak PEFT tekni\u011fi, s\u00fcrecin uygulanabilirli\u011fini ve ba\u015far\u0131 oran\u0131n\u0131 etkiler. Genellikle, PEFT y\u00f6ntemleri sayesinde, k\u00fc\u00e7\u00fck veri setleriyle bile \u00e7o\u011fu LLM'de anlaml\u0131 adaptasyonlar elde edilebilir.<\/p>\n<\/div>\n Cevap: En b\u00fcy\u00fck risk a\u015f\u0131r\u0131 uyum (overfitting) ihtimalidir. Model, s\u0131n\u0131rl\u0131 e\u011fitim verisini ezberleyip genelleme yetene\u011fini kaybedebilir. Ayr\u0131ca, k\u00fc\u00e7\u00fck veri setleri, modelin \u00f6\u011frenmesini istedi\u011finiz spesifik \u00f6r\u00fcnt\u00fcleri yeterince temsil etmeyebilir, bu da modelin yanl\u0131\u015f veya eksik \u00f6\u011frenmesine yol a\u00e7abilir. Bu riskleri azaltmak i\u00e7in veri art\u0131rma, erken durdurma ve reg\u00fclarizasyon teknikleri kullan\u0131lmal\u0131d\u0131r.<\/p>\n<\/div>\n Cevap: \"K\u00fc\u00e7\u00fck\" tan\u0131m\u0131 g\u00f6receli olsa da, LLM ince ayar\u0131 ba\u011flam\u0131nda genellikle y\u00fczlerce ila birka\u00e7 bin \u00f6rnekten olu\u015fan veri setleri \"k\u00fc\u00e7\u00fck\" olarak kabul edilir. On binlerce \u00f6rne\u011fe sahip veri setleri orta b\u00fcy\u00fckl\u00fckte, y\u00fcz binlerce ve \u00fczeri ise b\u00fcy\u00fck olarak nitelendirilir. Ancak veri kalitesi ve g\u00f6revin karma\u015f\u0131kl\u0131\u011f\u0131, \u00f6rnek say\u0131s\u0131ndan \u00e7ok daha belirleyici olabilir.<\/p>\n<\/div>\n Cevap: En iyi k\u00fc\u00e7\u00fck veri seti genellikle projenizin spesifik ihtiyac\u0131na g\u00f6re olu\u015fturulur. \u015eirket i\u00e7i belgeler, mevcut SSS'ler, ge\u00e7mi\u015f m\u00fc\u015fteri g\u00f6r\u00fc\u015fmeleri (anonimle\u015ftirilmi\u015f), alan uzmanlar\u0131 taraf\u0131ndan elle etiketlenmi\u015f \u00f6rnekler veya ni\u015f konularda \u00f6zel olarak derlenmi\u015f a\u00e7\u0131k kaynak veri setleri iyi ba\u015flang\u0131\u00e7 noktalar\u0131d\u0131r. Kalite, miktardan \u00f6nemlidir; bu nedenle titizlikle temizlenmi\u015f ve etiketlenmi\u015f verilere odaklan\u0131n.<\/p>\n<\/div>\n Cevap: \u0130stem m\u00fchendisli\u011fi, LLM'lerin performans\u0131n\u0131 model de\u011fi\u015fiklikleri yapmadan iyile\u015ftirmek i\u00e7in g\u00fc\u00e7l\u00fc bir ara\u00e7t\u0131r ve bir\u00e7ok durumda yeterli olabilir. Ancak, \u00e7ok spesifik terminoloji, derinlemesine ni\u015f bilgi veya modelin genel olarak \u00f6\u011frenmedi\u011fi yeni davran\u0131\u015f kal\u0131plar\u0131 gerektiren g\u00f6revlerde ince ayar, istem m\u00fchendisli\u011finin s\u0131n\u0131rlar\u0131n\u0131 a\u015farak daha do\u011fru, tutarl\u0131 ve ba\u011flama \u00f6zg\u00fc \u00e7\u0131kt\u0131lar sa\u011flayabilir. \u0130nce ayar, modelin temel bilgi taban\u0131n\u0131 kal\u0131c\u0131 olarak adapte ederken, istem m\u00fchendisli\u011fi sadece mevcut bilgiyi y\u00f6nlendirir.<\/p>\n<\/div>\n <\/body><\/p>\n","protected":false},"excerpt":{"rendered":"B\u00fcy\u00fck Dil Modellerini (LLM) ince ayarlaman\u0131n (fine-tuning) her zaman devasa veri setleri gerektirdi\u011fi yayg\u0131n bir yan\u0131lg\u0131d\u0131r. Oysa g\u00fcn\u00fcm\u00fcz…","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"csco_page_header_type":"","csco_page_load_nextpost":"","csco_page_subscribe_form":"","csco_page_contact_form":"","footnotes":""},"categories":[1],"tags":[],"class_list":{"0":"post-33429","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n\n
\n
\n
Vaka Analizi 2: Hukuki Metin \u00d6zeti \u00c7\u0131karma<\/h3>\n
\n
\n
Uygulamal\u0131 Bir \u00d6rnek: K\u00fc\u00e7\u00fck Veriyle LLM \u0130nce Ayar\u0131 (Kod Bloklar\u0131yla)<\/h2>\n
transformers<\/code>, peft<\/code>, bitsandbytes<\/code>, trl<\/code>) kullanarak LoRA ile bir modelin ince ayar\u0131n\u0131 ad\u0131m ad\u0131m g\u00f6sterece\u011fiz. Amac\u0131m\u0131z, basit bir duygu analizi g\u00f6revi i\u00e7in genel bir LLM’yi \u00f6zelle\u015ftirmek.<\/p>\nOrtam Kurulumu ve Veri Y\u00fckleme<\/h3>\n
\n# Gerekli k\u00fct\u00fcphaneleri y\u00fckleyin\n# pip install transformers peft bitsandbytes accelerate trl\n\nimport torch\nfrom datasets import Dataset\nfrom transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig, TrainingArguments\nfrom peft import LoraConfig, get_peft_model, prepare_model_for_kbit_training\nfrom trl import SFTTrainer\n\n# Basit bir veri seti olu\u015ftural\u0131m (JSON format\u0131n\u0131 taklit eden bir Python listesi)\n# Ger\u00e7ek bir senaryoda bu veriyi bir CSV veya JSON dosyas\u0131ndan y\u00fcklerdiniz.\ndata = [\n {\"text\": \"Bu harika bir \u00fcr\u00fcn, kesinlikle tavsiye ederim! Duygu: Pozitif\"},\n {\"text\": \"M\u00fc\u015fteri hizmetleri inan\u0131lmazd\u0131, \u00e7ok memnun kald\u0131m. Duygu: Pozitif\"},\n {\"text\": \"Tamamen hayal k\u0131r\u0131kl\u0131\u011f\u0131na u\u011frad\u0131m, bir daha asla almam. Duygu: Negatif\"},\n {\"text\": \"Beklentilerimin \u00e7ok alt\u0131nda kald\u0131, hi\u00e7 be\u011fenmedim. Duygu: Negatif\"},\n {\"text\": \"Bu filmi izlemeyi \u00e7ok sevdim, harika bir deneyimdi. Duygu: Pozitif\"},\n {\"text\": \"Tam bir zaman kayb\u0131yd\u0131, \u00e7ok s\u0131k\u0131c\u0131 buldum. Duygu: Negatif\"},\n {\"text\": \"\u00dcr\u00fcn\u00fcn kalitesi m\u00fckemmel, tek kelimeyle bay\u0131ld\u0131m. Duygu: Pozitif\"},\n {\"text\": \"Berbat bir hizmet, bir daha asla kullanmam. Duygu: Negatif\"},\n {\"text\": \"\u015eiddetle tavsiye ederim, i\u015fimi \u00e7ok kolayla\u015ft\u0131rd\u0131. Duygu: Pozitif\"},\n {\"text\": \"Kesinlikle tavsiye etmiyorum, param bo\u015fa gitti. Duygu: Negatif\"},\n]\n\n# Hugging Face Dataset format\u0131na d\u00f6n\u00fc\u015ft\u00fcrelim\ndataset = Dataset.from_list(data)\n\nprint(\"Veri Seti Haz\u0131r:\")\nprint(dataset[0])\n<\/pre>\nModeli ve Tokenizer'\u0131 Haz\u0131rlama<\/h3>\n
microsoft\/phi-2<\/code> gibi nispeten k\u00fc\u00e7\u00fck bir model tercih ediyoruz) ve onunla uyumlu tokenizer'\u0131 y\u00fckleyece\u011fiz. QLoRA kullanaca\u011f\u0131m\u0131z i\u00e7in, modeli 4-bit kuantizasyon ile y\u00fcklemek i\u00e7in BitsAndBytesConfig<\/code> ayarlar\u0131n\u0131 da yapaca\u011f\u0131z.<\/p>\n\n# Model ismini belirle\nmodel_name = \"microsoft\/phi-2\" # Veya daha k\u00fc\u00e7\u00fck bir model, \u00f6rn: \"distilbert-base-uncased\"\n # E\u011fer phi-2 kullan\u0131yorsan\u0131z, daha fazla GPU belle\u011fine ihtiyac\u0131n\u0131z olabilir.\n\n# Kuantizasyon konfig\u00fcrasyonu\nbnb_config = BitsAndBytesConfig(\n load_in_4bit=True,\n bnb_4bit_quant_type=\"nf4\",\n bnb_4bit_compute_dtype=torch.float16,\n bnb_4bit_use_double_quant=False,\n)\n\n# Modeli y\u00fckle\nmodel = AutoModelForCausalLM.from_pretrained(\n model_name,\n quantization_config=bnb_config,\n torch_dtype=torch.float16,\n device_map=\"auto\",\n trust_remote_code=True,\n)\nmodel.config.use_cache = False # E\u011fitim s\u0131ras\u0131nda cache'i devre d\u0131\u015f\u0131 b\u0131rak\nmodel.config.pretraining_tp = 1\n\n# Tokenizer'\u0131 y\u00fckle\ntokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)\ntokenizer.pad_token = tokenizer.eos_token # Pad token'\u0131 EOS token'\u0131 olarak ayarla\ntokenizer.padding_side = \"right\" # Tokenizer'\u0131n sa\u011fdan padding yapmas\u0131n\u0131 sa\u011fla\n\n# Modeli k-bit e\u011fitim i\u00e7in haz\u0131rla\nmodel = prepare_model_for_kbit_training(model)\nprint(\"Model ve Tokenizer Haz\u0131r.\")\n<\/pre>\nLoRA Ayarlar\u0131n\u0131 Yap\u0131land\u0131rma ve Modeli E\u011fitme<\/h3>\n
SFTTrainer<\/code> kullanarak modelimizi k\u00fc\u00e7\u00fck veri setimiz \u00fczerinde e\u011fitece\u011fiz. SFTTrainer<\/code> (Supervised Fine-tuning Trainer), \u00f6zellikle LLM'lerin denetimli ince ayar\u0131 i\u00e7in tasarlanm\u0131\u015f bir ara\u00e7t\u0131r.<\/p>\n\n# LoRA konfig\u00fcrasyonu\nlora_config = LoraConfig(\n r=32, # LoRA rank'i (daha y\u00fcksek de\u011fer daha fazla parametre, potansiyel olarak daha iyi performans ama daha fazla bellek)\n lora_alpha=64, # LoRA scaling alpha\n target_modules=[\n \"q_proj\",\n \"k_proj\",\n \"v_proj\",\n \"o_proj\",\n \"gate_proj\",\n \"up_proj\",\n \"down_proj\",\n ], # Fine-tune edilecek mod\u00fcller. Genellikle dikkat mekanizmas\u0131 katmanlar\u0131 hedeflenir.\n bias=\"none\", # Bias'\u0131 fine-tune etme\n lora_dropout=0.05, # LoRA katmanlar\u0131na dropout ekle\n task_type=\"CAUSAL_LM\", # Causal Language Modeling g\u00f6revi i\u00e7in\n)\n\n# Modeli PEFT modeli olarak ayarla\nmodel = get_peft_model(model, lora_config)\nmodel.print_trainable_parameters() # E\u011fitilebilir parametre say\u0131s\u0131n\u0131 kontrol et\n\n# E\u011fitim arg\u00fcmanlar\u0131\ntraining_arguments = TrainingArguments(\n output_dir=\".\/results\", # Sonu\u00e7lar\u0131n kaydedilece\u011fi dizin\n num_train_epochs=5, # E\u011fitim epoch say\u0131s\u0131 (k\u00fc\u00e7\u00fck veri seti i\u00e7in daha fazla olabilir)\n per_device_train_batch_size=2, # Her cihaz i\u00e7in batch boyutu\n gradient_accumulation_steps=4, # Gradyan biriktirme ad\u0131mlar\u0131\n optim=\"paged_adamw_32bit\", # Optimizasyon algoritmas\u0131\n save_steps=100, # Ka\u00e7 ad\u0131mda bir modelin kaydedilece\u011fi\n logging_steps=10, # Ka\u00e7 ad\u0131mda bir loglama yap\u0131laca\u011f\u0131\n learning_rate=2e-4, # \u00d6\u011frenme oran\u0131\n weight_decay=0.001, # A\u011f\u0131rl\u0131k azaltma\n fp16=True, # 16-bit float hassasiyetini kullan\n max_grad_norm=0.3, # Maksimum gradyan normu\n max_steps=-1, # Manuel epoch say\u0131s\u0131n\u0131 kullan (-1)\n warmup_ratio=0.03, # Is\u0131nma oran\u0131\n group_by_length=True, # Verileri uzunlu\u011fa g\u00f6re grupland\u0131rarak verimlili\u011fi art\u0131r\n lr_scheduler_type=\"cosine\", # \u00d6\u011frenme oran\u0131 zamanlay\u0131c\u0131s\u0131\n report_to=\"tensorboard\", # E\u011fitim metriklerini TensorBoard'a raporla\n)\n\n# SFTTrainer'\u0131 ba\u015flat\ntrainer = SFTTrainer(\n model=model,\n train_dataset=dataset,\n peft_config=lora_config,\n dataset_text_field=\"text\", # Veri setindeki metin alan\u0131n\u0131n ad\u0131\n tokenizer=tokenizer,\n args=training_arguments,\n packing=False, # Veri paketlemeyi devre d\u0131\u015f\u0131 b\u0131rak (daha az bellek i\u00e7in)\n max_seq_length=512, # Maksimum s\u0131ra uzunlu\u011fu\n)\n\n# Modeli e\u011fit\ntrainer.train()\n\n# E\u011fitilmi\u015f modeli kaydet\ntrainer.save_model(\"fine_tuned_phi_2_sentiment\")\n\nprint(\"Model ba\u015far\u0131yla ince ayarland\u0131 ve kaydedildi!\")\n<\/pre>\ntarget_modules<\/code> parametresi, LoRA'n\u0131n hangi model katmanlar\u0131na uygulanaca\u011f\u0131n\u0131 belirler. Genellikle dikkat mekanizmalar\u0131ndaki 'query' (q_proj), 'key' (k_proj), 'value' (v_proj) ve 'output' (o_proj) projeksiyonlar\u0131 hedeflenir. Deneyerek en iyi performans\u0131 veren mod\u00fclleri bulabilirsiniz.\n<\/div>\n\u0130leri D\u00fczey \u0130pu\u00e7lar\u0131 ve Mobil Uyumlu Tasar\u0131m \u0130\u00e7in Notlar<\/h2>\n
K\u00fc\u00e7\u00fck Veri Setlerinde A\u015f\u0131r\u0131 Uyumdan (Overfitting) Ka\u00e7\u0131nma<\/h3>\n
\n
\n
lora_dropout<\/code> parametresi ile uygulanabilir.<\/li>\nTrainingArguments<\/code> i\u00e7inde weight_decay<\/code> parametresiyle ayarlan\u0131r.<\/li>\n<\/ul>\n<\/li>\nr<\/code> (rank) parametresini d\u00fc\u015f\u00fcrmek, e\u011fitilebilir parametre say\u0131s\u0131n\u0131 azaltarak a\u015f\u0131r\u0131 uyum riskini d\u00fc\u015f\u00fcrebilir.<\/li>\nModel De\u011ferlendirmesi ve Optimizasyonu<\/h3>\n
\n
\n
LLM Uygulamalar\u0131nda Mobil Uyumlu HTML Nas\u0131l Sa\u011flan\u0131r?<\/h3>\n
\n
<\/code> b\u00f6l\u00fcm\u00fcne a\u015fa\u011f\u0131daki meta etiketini ekleyin. Bu, taray\u0131c\u0131ya sayfan\u0131n cihaz geni\u015fli\u011fine uygun olarak \u00f6l\u00e7eklenmesi gerekti\u011fini bildirir.<\/li>\n<\/ul>\n\n\n<\/pre>\n\n
\nimg, video {\n max-width: 100%;\n height: auto;\n display: block; \/* Gereksiz bo\u015fluklar\u0131 kald\u0131r\u0131r *\/\n}\n<\/pre>\n\n
\n\/* Genel stil - Masa\u00fcst\u00fc i\u00e7in varsay\u0131lan *\/\nbody {\n font-family: Arial, sans-serif;\n margin: 20px;\n}\n\n.container {\n width: 80%;\n margin: 0 auto;\n padding: 20px;\n background-color: #f0f0f0;\n}\n\n\/* Mobil cihazlar i\u00e7in Media Query *\/\n@media (max-width: 768px) { \/* Ekran geni\u015fli\u011fi 768 pikselden az oldu\u011funda *\/\n body {\n margin: 10px;\n }\n\n .container {\n width: 95%; \/* Mobil ekranlarda daha geni\u015f alan kullan *\/\n padding: 10px;\n }\n\n h2 {\n font-size: 1.5em; \/* Mobil i\u00e7in ba\u015fl\u0131k boyutunu k\u00fc\u00e7\u00fclt *\/\n }\n\n p {\n font-size: 0.9em; \/* Mobil i\u00e7in paragraf metin boyutunu k\u00fc\u00e7\u00fclt *\/\n }\n}\n\n@media (max-width: 480px) { \/* Ekran geni\u015fli\u011fi 480 pikselden az oldu\u011funda (telefonlar i\u00e7in) *\/\n .container {\n padding: 5px;\n }\n\n \/* E\u011fer bir navigasyon men\u00fcs\u00fc varsa, mobil i\u00e7in dikey hale getirme *\/\n nav ul {\n flex-direction: column;\n }\n nav li {\n margin-bottom: 5px;\n }\n}\n<\/pre>\n\n
Sonu\u00e7: B\u00fcy\u00fck Veri Bir Zorunluluk De\u011fil, Bir Se\u00e7enek<\/h2>\n
S\u0131k\u00e7a Sorulan Sorular (SSS)<\/h3>\n
SSS 1: Herhangi bir LLM, k\u00fc\u00e7\u00fck bir veri setiyle ince ayar yap\u0131labilir mi?<\/h4>\n
SSS 2: K\u00fc\u00e7\u00fck veri setleriyle ince ayar yapman\u0131n riskleri nelerdir?<\/h4>\n
SSS 3: Ka\u00e7 \u00f6rnek \"k\u00fc\u00e7\u00fck\" bir veri seti say\u0131l\u0131r?<\/h4>\n
SSS 4: \u0130nce ayar i\u00e7in en iyi k\u00fc\u00e7\u00fck veri seti nereden bulunur?<\/h4>\n
SSS 5: Sadece istem m\u00fchendisli\u011fi (prompt engineering) yeterli olmaz m\u0131?<\/h4>\n