B\u00fcy\u00fck Dil Modelleri (LLM) geli\u015ftirmek, karma\u015f\u0131k ve \u00e7ok katmanl\u0131 bir s\u00fcre\u00e7tir. Ancak do\u011fru ara\u00e7 setiyle bu s\u00fcreci basitle\u015ftirmek ve verimli hale getirmek m\u00fcmk\u00fcn. Bu kapsaml\u0131 rehber, veri haz\u0131rl\u0131\u011f\u0131ndan model da\u011f\u0131t\u0131m\u0131na uzanan t\u00fcm a\u015famalarda ihtiyac\u0131n\u0131z olan temel ve ileri d\u00fczey ara\u00e7lar\u0131 ke\u015ffetmenizi sa\u011flayacak, projelerinizi bir \u00fcst seviyeye ta\u015f\u0131yacak pratik bilgiler sunacakt\u0131r.<\/p>\n
G\u00fcn\u00fcm\u00fcz\u00fcn h\u0131zla de\u011fi\u015fen teknoloji d\u00fcnyas\u0131nda B\u00fcy\u00fck Dil Modelleri (LLM’ler), metin anlama, \u00fcretme ve insan benzeri ileti\u015fim kurma yetenekleriyle oyunun kurallar\u0131n\u0131 yeniden yaz\u0131yor. Sanal asistanlardan i\u00e7erik \u00fcretimine, kod tamamlamadan karma\u015f\u0131k veri analizine kadar pek \u00e7ok alanda devrim yaratan bu modeller, i\u015fletmeler ve geli\u015ftiriciler i\u00e7in muazzam f\u0131rsatlar sunuyor. Ancak, bir LLM uygulamas\u0131n\u0131 s\u0131f\u0131rdan geli\u015ftirmek, modeli e\u011fitmek, optimize etmek ve \u00fcretime almak, bir\u00e7ok farkl\u0131 disiplinden bilgi ve \u00e7e\u015fitli ara\u00e7lar\u0131n entegrasyonunu gerektiren zorlu bir maraton olabilir. Bu s\u00fcre\u00e7 sadece modelin kendisiyle s\u0131n\u0131rl\u0131 de\u011fil; ayn\u0131 zamanda y\u00fcksek kaliteli veri toplama ve haz\u0131rl\u0131\u011f\u0131, modelin performans\u0131n\u0131 de\u011ferlendirme, prompt m\u00fchendisli\u011fiyle modelden en iyi \u00e7\u0131kt\u0131y\u0131 alma ve son olarak uygulaman\u0131n g\u00fcvenli ve \u00f6l\u00e7eklenebilir bir \u015fekilde da\u011f\u0131t\u0131m\u0131n\u0131 da i\u00e7erir.<\/p>\n
Modern LLM geli\u015ftirme ekosisteminde, bu karma\u015f\u0131k s\u00fcreci basitle\u015ftiren ve h\u0131zland\u0131ran kapsaml\u0131 bir ara\u00e7 setine sahip olmak hayati \u00f6nem ta\u015f\u0131r. Bir geli\u015ftirici olarak kar\u015f\u0131la\u015faca\u011f\u0131n\u0131z temel zorluklar aras\u0131nda, do\u011fru veriyi bulmak ve temizlemek, binlerce parametreli modelleri y\u00f6netmek, optimum performans i\u00e7in ince ayarlar yapmak ve kullan\u0131c\u0131 deneyimini s\u00fcrekli iyile\u015ftirmek yer al\u0131r. \u0130\u015fte bu noktada, \u201ceksiksiz bir ara\u00e7 seti\u201d devreye giriyor. Bu set, t\u00fcm geli\u015ftirme ya\u015fam d\u00f6ng\u00fcs\u00fcn\u00fc kapsayan, birbiriyle uyumlu ve entegre \u00e7al\u0131\u015fabilen \u00e7e\u015fitli yaz\u0131l\u0131mlar\u0131, k\u00fct\u00fcphaneleri ve platformlar\u0131 i\u00e7erir. Hedefimiz, bu ara\u00e7lar\u0131 kullanarak fikirlerinizi h\u0131zla prototiplere d\u00f6n\u00fc\u015ft\u00fcrmek, modellerinizi verimli bir \u015fekilde e\u011fitmek ve da\u011f\u0131tmak, b\u00f6ylece de\u011fer yaratma s\u00fcrecinizi h\u0131zland\u0131rmakt\u0131r.<\/p>\n
Bir LLM projesinin ba\u015far\u0131l\u0131 olabilmesi i\u00e7in at\u0131lmas\u0131 gereken ad\u0131mlar\u0131 genel hatlar\u0131yla d\u00fc\u015f\u00fcnelim: \u00d6ncelikle, projenin amac\u0131na uygun verilerin toplanmas\u0131 ve i\u015flenmesi gerekir. Ard\u0131ndan, \u00f6nceden e\u011fitilmi\u015f bir modelin se\u00e7imi ve projenin \u00f6zel gereksinimlerine g\u00f6re fine-tuning (ince ayar) veya prompt m\u00fchendisli\u011fi ile \u00f6zelle\u015ftirilmesi s\u00fcreci gelir. Modelin \u00e7\u0131kt\u0131lar\u0131n\u0131n kalitesini s\u00fcrekli olarak de\u011ferlendirmek ve performans\u0131 izlemek, iteratif bir geli\u015ftirme yakla\u015f\u0131m\u0131n\u0131n anahtar\u0131d\u0131r. Son olarak, geli\u015ftirilen uygulaman\u0131n kullan\u0131c\u0131lar taraf\u0131ndan eri\u015filebilir olmas\u0131 i\u00e7in g\u00fcvenli ve \u00f6l\u00e7eklenebilir bir \u015fekilde da\u011f\u0131t\u0131lmas\u0131 gerekmektedir. Bu ad\u0131mlar\u0131n her biri, \u00f6zel ara\u00e7lar ve teknikler gerektirir. Makalemizin devam\u0131nda, bu ad\u0131mlar\u0131n her birinde size rehberlik edecek en pop\u00fcler ve etkili ara\u00e7lar\u0131 detayland\u0131raca\u011f\u0131z.<\/p>\n
B\u00fcy\u00fck Dil Modellerinin (LLM) performans\u0131, do\u011frudan e\u011fitildi\u011fi verinin kalitesiyle orant\u0131l\u0131d\u0131r. Yetersiz, kirli veya eksik veri, ne kadar geli\u015fmi\u015f olursa olsun bir modelin potansiyelini s\u0131n\u0131rlayacakt\u0131r. Bu nedenle, etkili bir LLM geli\u015ftirme s\u00fcrecinin ilk ve belki de en kritik ad\u0131m\u0131, veri y\u00f6netimi ve haz\u0131rl\u0131\u011f\u0131d\u0131r. Bu a\u015fama, metin verilerinin toplanmas\u0131, temizlenmesi, etiketlenmesi ve sonras\u0131nda modele uygun formatta haz\u0131rlanmas\u0131n\u0131 i\u00e7erir. \u0130yi yap\u0131land\u0131r\u0131lm\u0131\u015f ve temiz bir veri seti, modelin daha do\u011fru, tutarl\u0131 ve ba\u011flama uygun \u00e7\u0131kt\u0131lar \u00fcretmesini sa\u011flar. Veri toplama, web kaz\u0131ma, mevcut veritabanlar\u0131 veya \u00f6zel API’lar gibi \u00e7e\u015fitli kaynaklardan gelebilir.<\/p>\n
Toplanan ham veriler genellikle g\u00fcr\u00fclt\u00fcl\u00fc, tekrar eden, anlams\u0131z karakterler i\u00e7eren veya tutars\u0131z formatlardad\u0131r. Bu durumu d\u00fczeltmek i\u00e7in kapsaml\u0131 bir veri temizleme s\u00fcreci \u015fartt\u0131r. Bu s\u00fcre\u00e7te, metinleri k\u00fc\u00e7\u00fck harfe d\u00f6n\u00fc\u015ft\u00fcrmek, noktalama i\u015faretlerini kald\u0131rmak, \u00f6zel karakterleri temizlemek, stop-word’leri filtrelemek ve say\u0131sal verileri i\u015flemek gibi ad\u0131mlar uygulan\u0131r. Python k\u00fct\u00fcphaneleri, bu t\u00fcr i\u015flemleri otomatikle\u015ftirmek i\u00e7in vazge\u00e7ilmezdir. \u00d6zellikle Veri temizli\u011finin ard\u0131ndan, baz\u0131 LLM g\u00f6revleri i\u00e7in verinin etiketlenmesi veya zenginle\u015ftirilmesi gerekebilir. \u00d6rne\u011fin, bir duygu analizi modeli geli\u015ftirecekseniz, metinlerin pozitif, negatif veya n\u00f6tr olarak etiketlenmesi gerekir. Bu manuel bir s\u00fcre\u00e7 olabilir veya yar\u0131 otomatik ara\u00e7larla h\u0131zland\u0131r\u0131labilir. Label Studio<\/strong> ve Argilla<\/strong> gibi ara\u00e7lar, metin etiketleme, s\u0131n\u0131fland\u0131rma ve hatta prompt m\u00fchendisli\u011fi i\u00e7in veri setlerini haz\u0131rlamak amac\u0131yla kullan\u0131lan pop\u00fcler platformlard\u0131r. Ayr\u0131ca, mevcut veri setlerinin yetersiz kald\u0131\u011f\u0131 durumlarda veri art\u0131rma (data augmentation) teknikleri kullan\u0131labilir. Bu teknikler, orijinal metinleri anlam\u0131n\u0131 bozmadan de\u011fi\u015ftirerek yeni veri \u00f6rnekleri olu\u015fturmay\u0131 ve modelin genelleme yetene\u011fini art\u0131rmay\u0131 hedefler.<\/p>\n \u0130\u015fte basit bir metin temizleme \u00f6rne\u011fi:<\/p>\n <\/code><\/p>\n Veri haz\u0131rl\u0131\u011f\u0131 tamamland\u0131ktan sonra, LLM geli\u015ftirme s\u00fcrecinin kalbine, yani model se\u00e7imi ve \u00f6zelle\u015ftirme a\u015famas\u0131na ge\u00e7ilir. Bu a\u015fama, projenizin gereksinimlerine en uygun B\u00fcy\u00fck Dil Modelini belirlemek ve ard\u0131ndan onu belirli bir g\u00f6reve veya alan adana \u00f6zg\u00fc hale getirmek i\u00e7in \u00e7e\u015fitli teknikler uygulamay\u0131 i\u00e7erir. Piyasada OpenAI'nin GPT serisi, Google'\u0131n Gemini'si gibi kapal\u0131 kaynak modellerden, Llama 2, Mistral, Falcon gibi a\u00e7\u0131k kaynakl\u0131 modellere kadar geni\u015f bir yelpazede se\u00e7enek bulunmaktad\u0131r. Kapal\u0131 kaynak modeller genellikle daha y\u00fcksek performans ve kullan\u0131m kolayl\u0131\u011f\u0131 sunarken, a\u00e7\u0131k kaynak modeller daha fazla esneklik, \u00f6zelle\u015ftirme imkan\u0131 ve genellikle daha d\u00fc\u015f\u00fck maliyet avantaj\u0131 sa\u011flar.<\/p>\n Model se\u00e7imi yaparken, projenizin b\u00fct\u00e7esi, performans gereksinimleri, gizlilik endi\u015feleri ve teknik kapasiteniz gibi fakt\u00f6rleri g\u00f6z \u00f6n\u00fcnde bulundurmal\u0131s\u0131n\u0131z. A\u00e7\u0131k kaynakl\u0131 modeller i\u00e7in Hugging Face Transformers k\u00fct\u00fcphanesi, y\u00fczbinlerce \u00f6nceden e\u011fitilmi\u015f modele ve fine-tuning ara\u00e7lar\u0131na eri\u015fim sa\u011flayan de facto bir standartt\u0131r. Bu k\u00fct\u00fcphane, PyTorch, TensorFlow ve JAX gibi pop\u00fcler derin \u00f6\u011frenme \u00e7at\u0131lar\u0131nda modelleri kolayca y\u00fcklemenize ve e\u011fitmenize olanak tan\u0131r. \u00d6zellikle Lora (Low-Rank Adaptation) ve QLora gibi parametre-verimli fine-tuning teknikleri, t\u00fcm modeli yeniden e\u011fitmeye gerek kalmadan, \u00e7ok daha az hesaplama kayna\u011f\u0131yla modelleri belirli g\u00f6revlere adapte etmeyi m\u00fcmk\u00fcn k\u0131lar. Bu teknikler, genellikle sadece birka\u00e7 y\u00fcz veya bin \u00f6rnekle bile etkileyici sonu\u00e7lar elde etmenizi sa\u011flar, bu da k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli projeler i\u00e7in idealdir. Fine-tuning s\u00fcreci, modelin genel dil anlama yetene\u011fini korurken, belirli bir domainin jargonuna veya g\u00f6revine \u00f6zg\u00fc kal\u0131plar\u0131 \u00f6\u011frenmesini sa\u011flar.<\/p>\n <\/code><\/p>\n Model se\u00e7imi ve potansiyel fine-tuning'in yan\u0131 s\u0131ra, modern LLM geli\u015ftirmenin bir di\u011fer temel dire\u011fi de prompt m\u00fchendisli\u011fidir. Prompt m\u00fchendisli\u011fi, modele verilen girdiyi (prompt) tasarlayarak veya optimize ederek, modelden istenen \u00e7\u0131kt\u0131y\u0131 alma sanat\u0131d\u0131r. Do\u011fru bir prompt, modelin performans\u0131n\u0131 fine-tuning kadar hatta bazen daha da fazla art\u0131rabilir. Tekni\u011fin temelinde, modele ne yapmas\u0131 gerekti\u011fini, hangi formatta yan\u0131t vermesi gerekti\u011fini ve hatta belirli bir d\u00fc\u015f\u00fcnce zincirini nas\u0131l takip etmesi gerekti\u011fini a\u00e7\u0131k\u00e7a belirtmek yatar. \"Few-shot learning\" (birka\u00e7 \u00e7ekim \u00f6\u011frenimi) gibi tekniklerle, modele birka\u00e7 \u00f6rnek vererek, benzer g\u00f6revlerde nas\u0131l davranmas\u0131 gerekti\u011fini \u00f6\u011fretebilirsiniz. \"Chain-of-Thought\" (d\u00fc\u015f\u00fcnce zinciri) prompt'lar\u0131 ise, modelden bir problemi ad\u0131m ad\u0131m \u00e7\u00f6zmesini isteyerek daha karma\u015f\u0131k muhakeme gerektiren g\u00f6revlerde \u015fa\u015f\u0131rt\u0131c\u0131 sonu\u00e7lar elde etmenizi sa\u011flar.<\/p>\n LangChain, LlamaIndex gibi \u00e7er\u00e7eveler, prompt m\u00fchendisli\u011fini ve LLM uygulamas\u0131 geli\u015ftirmeyi bir \u00fcst seviyeye ta\u015f\u0131r. Bu ara\u00e7lar, LLM'leri harici veri kaynaklar\u0131yla entegre etmenize, birden fazla LLM \u00e7a\u011fr\u0131s\u0131n\u0131 bir araya getirerek karma\u015f\u0131k i\u015f ak\u0131\u015flar\u0131 (zincirler) olu\u015fturman\u0131za ve arac\u0131lar\u0131 (agents) kullanarak LLM'lerin dinamik olarak kararlar almas\u0131n\u0131 sa\u011flaman\u0131za olanak tan\u0131r. Bu, LLM'leri statik metin \u00fcreticilerinden, d\u0131\u015f d\u00fcnyayla etkile\u015fime girebilen dinamik karar mekanizmalar\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcr. Etkili prompt m\u00fchendisli\u011fi, \u00f6zellikle modelin fine-tuning'inin maliyetli veya pratik olmad\u0131\u011f\u0131 durumlarda, h\u0131zl\u0131 ve maliyet-etkin bir \u00e7\u00f6z\u00fcm sunar.<\/p>\n <\/code><\/p>\n Bir B\u00fcy\u00fck Dil Modeli (LLM) geli\u015ftirme s\u00fcreci, sadece modeli e\u011fitmek veya prompt'lar\u0131 tasarlamakla bitmez. \u00dcretim ortam\u0131nda ger\u00e7ek kullan\u0131c\u0131lar taraf\u0131ndan kullan\u0131lacak bir uygulama olu\u015fturmak, modelin performans\u0131n\u0131 s\u00fcrekli olarak de\u011ferlendirmeyi, izlemeyi ve gerekti\u011finde uygulaman\u0131n \u00f6l\u00e7eklenebilirli\u011fini sa\u011flamay\u0131 gerektirir. Bu a\u015famalar, LLM projenizin uzun vadeli ba\u015far\u0131s\u0131 ve s\u00fcrd\u00fcr\u00fclebilirli\u011fi i\u00e7in hayati \u00f6neme sahiptir. Modellerin karma\u015f\u0131kl\u0131\u011f\u0131 ve dinamik do\u011fas\u0131 g\u00f6z \u00f6n\u00fcne al\u0131nd\u0131\u011f\u0131nda, sa\u011flam bir de\u011ferlendirme ve da\u011f\u0131t\u0131m stratejisine sahip olmak ka\u00e7\u0131n\u0131lmazd\u0131r.<\/p>\n LLM'lerin performans\u0131n\u0131 de\u011ferlendirmek, geleneksel yaz\u0131l\u0131m testlerinden daha zordur \u00e7\u00fcnk\u00fc \u00e7\u0131kt\u0131lar\u0131 genellikle deterministik de\u011fildir ve subjektif bir yorum gerektirebilir. De\u011ferlendirme metrikleri, modelin \u00fcretti\u011fi metnin kalitesi, do\u011frulu\u011fu, tutarl\u0131l\u0131\u011f\u0131, alaka d\u00fczeyi ve istenmeyen yan\u0131tlar (toksiklik, \u00f6nyarg\u0131) i\u00e7erip i\u00e7ermedi\u011fi \u00fczerine odaklan\u0131r. ROUGE ve BLEU gibi metrikler, \u00fcretilen metni referans metinlerle kar\u015f\u0131la\u015ft\u0131rarak baz\u0131 nicel g\u00f6stergeler sunsa da, insan de\u011ferlendirmesi \u00e7o\u011fu zaman en g\u00fcvenilir y\u00f6ntemdir. Argilla<\/strong> gibi ara\u00e7lar, insan d\u00f6ng\u00fcs\u00fcnde (human-in-the-loop) model \u00e7\u0131kt\u0131lar\u0131n\u0131 etiketlemek ve de\u011ferlendirmek i\u00e7in platformlar sunarak bu s\u00fcreci kolayla\u015ft\u0131r\u0131r. Ayr\u0131ca, A\/B testi yaparak farkl\u0131 model versiyonlar\u0131n\u0131n veya prompt stratejilerinin kullan\u0131c\u0131 etkile\u015fimi \u00fczerindeki etkisini \u00f6l\u00e7mek de m\u00fcmk\u00fcnd\u00fcr. Bu s\u00fcrekli geri bildirim d\u00f6ng\u00fcs\u00fc, modelin performans\u0131n\u0131 zamanla iyile\u015ftirmek i\u00e7in kritik veriler sa\u011flar.<\/p>\n Modelin \u00fcretim ortam\u0131nda nas\u0131l davrand\u0131\u011f\u0131n\u0131 anlamak i\u00e7in izleme ara\u00e7lar\u0131 vazge\u00e7ilmezdir. MLflow<\/strong> ve Weights & Biases (W&B)<\/strong> gibi MLOps platformlar\u0131, model e\u011fitim s\u00fcre\u00e7lerini izlemenize, hiperparametre denemelerini kaydetmenize, model versiyonlar\u0131n\u0131 y\u00f6netmenize ve \u00fcretimdeki modelin performans\u0131n\u0131 ger\u00e7ek zamanl\u0131 olarak takip etmenize olanak tan\u0131r. Bu ara\u00e7lar sayesinde, modelin gecikme s\u00fcresi, hata oranlar\u0131, kaynak t\u00fcketimi ve \u00f6zellikle LLM'ler i\u00e7in girdi\/\u00e7\u0131kt\u0131 kalitesi gibi \u00f6nemli metrikleri izleyebilir, anormallikleri tespit edebilir ve performans d\u00fc\u015f\u00fc\u015flerini h\u0131zl\u0131ca giderebilirsiniz. Ayr\u0131ca, modelin \u00f6nyarg\u0131 veya toksik i\u00e7erik \u00fcretme e\u011filimini izlemek, etik ve g\u00fcvenlik a\u00e7\u0131s\u0131ndan b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r.<\/p>\n LLM uygulaman\u0131z\u0131 \u00fcretim ortam\u0131na da\u011f\u0131tmak, modelin bir API arac\u0131l\u0131\u011f\u0131yla eri\u015filebilir olmas\u0131n\u0131 sa\u011flamak, altyap\u0131y\u0131 y\u00f6netmek ve uygulaman\u0131n talebe g\u00f6re \u00f6l\u00e7eklenebilmesini garanti etmek anlam\u0131na gelir. Docker<\/strong> ve Kubernetes<\/strong>, bu s\u00fcre\u00e7te temel yap\u0131 ta\u015flar\u0131d\u0131r. Docker, uygulaman\u0131z\u0131 ve t\u00fcm ba\u011f\u0131ml\u0131l\u0131klar\u0131n\u0131 tek bir ta\u015f\u0131nabilir konteynerde paketlemenize olanak tan\u0131r, bu da da\u011f\u0131t\u0131m s\u00fcrecini basitle\u015ftirir. Kubernetes ise, bu Docker konteynerlerini b\u00fcy\u00fck \u00f6l\u00e7ekte y\u00f6netmek, da\u011f\u0131tmak, otomatikle\u015ftirmek ve \u00f6l\u00e7eklendirmek i\u00e7in kullan\u0131lan bir orkestrasyon platformudur. \u00d6zellikle y\u00fcksek trafik beklenen LLM uygulamalar\u0131 i\u00e7in Kubernetes, y\u00fck dengeleme, otomatik \u00f6l\u00e7eklendirme ve hata tolerans\u0131 gibi \u00f6zellikleriyle hayati bir rol oynar.<\/p>\n Bulut sa\u011flay\u0131c\u0131lar\u0131 da LLM da\u011f\u0131t\u0131m\u0131 i\u00e7in g\u00fc\u00e7l\u00fc platformlar sunar. AWS SageMaker<\/strong>, Google Cloud Vertex AI<\/strong> ve Azure ML<\/strong>, model e\u011fitimi, da\u011f\u0131t\u0131m\u0131 ve izlenmesi i\u00e7in y\u00f6netilen hizmetler sa\u011flar. Bu platformlar, genellikle GPU h\u0131zland\u0131rmal\u0131 sanal makinelerle entegre \u00e7al\u0131\u015f\u0131r ve LLM'lerin y\u00fcksek hesaplama gereksinimlerini kar\u015f\u0131lamak \u00fczere tasarlanm\u0131\u015ft\u0131r. Sunucusuz (serverless) se\u00e7enekler de mevcuttur; \u00f6rne\u011fin AWS Lambda veya Google Cloud Functions ile bir LLM API'\u0131 olu\u015fturabilir ve sadece kullan\u0131ld\u0131\u011f\u0131nda \u00f6deme yapabilirsiniz. Bu, \u00f6zellikle d\u00fc\u015f\u00fck ve de\u011fi\u015fken trafikli uygulamalar i\u00e7in maliyet etkin bir \u00e7\u00f6z\u00fcmd\u00fcr. Bu ara\u00e7lar\u0131n do\u011fru kombinasyonu, LLM projenizin teknik olarak sa\u011flam, maliyet etkin ve gelece\u011fe haz\u0131r olmas\u0131n\u0131 garanti eder.<\/p>\n Mobil uyumlu HTML'in nas\u0131l sa\u011flanaca\u011f\u0131na dair bir \u00f6rnek stil blo\u011fu:<\/p>\nNLTK<\/code>, SpaCy<\/code> gibi do\u011fal dil i\u015fleme (NLP) k\u00fct\u00fcphaneleri ve Pandas<\/code> gibi veri manip\u00fclasyonu k\u00fct\u00fcphaneleri bu a\u015famada s\u0131kl\u0131kla kullan\u0131l\u0131r.<\/p>\n\nimport re\nimport string\n\ndef metin_temizle(metin):\n metin = metin.lower()\n metin = metin.translate(str.maketrans('', '', string.punctuation))\n metin = re.sub(r'\\d+', '', metin)\n metin = re.sub(r'\\s+', ' ', metin).strip()\n return metin\n\nornek_metin = \"Merhaba D\u00fcnya! Bu 1 harika bir LLM geli\u015ftirme makalesi. #yapayzeka\"\ntemiz_metin = metin_temizle(ornek_metin)\n# print(f\"Orijinal: {ornek_metin}\")\n# print(f\"Temizlenmi\u015f: {temiz_metin}\")\n<\/pre>\nModel Se\u00e7imi ve Prompt M\u00fchendisli\u011fi: LLM'lerinizi Nas\u0131l \u015eekillendirirsiniz?<\/h2>\n
Do\u011fru Modelin Se\u00e7imi ve Adaptasyonu<\/h3>\n
\nfrom transformers import AutoModelForCausalLM, AutoTokenizer\n\nmodel_ismi = \"gpt2\" # K\u00fc\u00e7\u00fck bir model \u00f6rne\u011fi\ntokenizer = AutoTokenizer.from_pretrained(model_ismi)\nmodel = AutoModelForCausalLM.from_pretrained(model_ismi)\n\nprompt = \"Yapay zeka gelece\u011fimizi nas\u0131l \u015fekillendirecek?\"\ninputs = tokenizer(prompt, return_tensors=\"pt\")\noutputs = model.generate(inputs.input_ids, max_length=50, num_return_sequences=1)\nuretilen_metin = tokenizer.decode(outputs[0], skip_special_tokens=True)\n# print(f\"\u00dcretilen Metin: {uretilen_metin}\")\n<\/pre>\nPrompt M\u00fchendisli\u011finin G\u00fcc\u00fc<\/h3>\n
\nfrom langchain_openai import ChatOpenAI\nfrom langchain_core.prompts import ChatPromptTemplate\nfrom langchain_core.output_parsers import StrOutputParser\n\nllm = ChatOpenAI(model=\"gpt-3.5-turbo\", temperature=0.7)\n\nprompt_template = ChatPromptTemplate.from_messages([\n (\"system\", \"Sen bir uzmans\u0131n ve kullan\u0131c\u0131ya bilgilendirici yan\u0131tlar veriyorsun.\"),\n (\"user\", \"Bana {konu} hakk\u0131nda k\u0131sa ve bilgilendirici bir paragraf yazar m\u0131s\u0131n?\")\n])\n\noutput_parser = StrOutputParser()\nchain = prompt_template | llm | output_parser\n# print(chain.invoke({\"konu\": \"B\u00fcy\u00fck Dil Modelleri\"}))\n<\/pre>\nLLM Uygulamalar\u0131n\u0131 De\u011ferlendirme, \u0130zleme ve \u00d6l\u00e7eklendirme: Projelerinizi \u00dcretime Ta\u015f\u0131ma K\u0131lavuzu<\/h2>\n
Performans\u0131 Anlama ve \u0130yile\u015ftirme<\/h3>\n
G\u00fcvenilir Da\u011f\u0131t\u0131m ve \u00d6l\u00e7eklenebilirlik<\/h3>\n
\n