\u00d6zel Veri ile LoRA: Parametre Verimli \u0130nce Ayar Rehberi<\/title><br \/>\n<body><\/p>\n<p>B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA’n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.<\/p>\n<h2>B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?<\/h2>\n<p>G\u00fcn\u00fcm\u00fcz\u00fcn yapay zeka d\u00fcnyas\u0131nda, ChatGPT gibi b\u00fcy\u00fck dil modelleri (LLM’ler) hayat\u0131m\u0131z\u0131n vazge\u00e7ilmez bir par\u00e7as\u0131 haline geldi. Bu modeller, milyarlarca parametreye sahip olup internetteki devasa metin verileri \u00fczerinde e\u011fitilmi\u015flerdir. Bu geni\u015f bilgi taban\u0131 sayesinde, genel sorular\u0131 yan\u0131tlama, metin \u00fcretme, \u00e7eviri yapma gibi bir\u00e7ok karma\u015f\u0131k g\u00f6revi ba\u015far\u0131yla yerine getirebilirler. Ancak, bir LLM’in genel yeteneklerinin \u00f6tesine ge\u00e7erek belirli bir sekt\u00f6re, \u015firket k\u00fclt\u00fcr\u00fcne veya \u00f6zel bir g\u00f6reve \u00f6zg\u00fc bilgiyle donat\u0131lmas\u0131n\u0131 istedi\u011fimizde, “ince ayar” (fine-tuning) s\u00fcreci devreye girer. Peki, bu s\u00fcre\u00e7 neden bu kadar zorlu ve kaynak yo\u011fun olabilir?<\/p>\n<p>Geleneksel ince ayar y\u00f6nteminde, \u00f6nceden e\u011fitilmi\u015f bir modelin t\u00fcm parametreleri, yeni ve daha k\u00fc\u00e7\u00fck bir veri seti \u00fczerinde tekrar e\u011fitilir. Bu, modelin belirli bir g\u00f6reve veya veri da\u011f\u0131l\u0131m\u0131na adapte olmas\u0131n\u0131 sa\u011flar. Ancak, bir LLM’in y\u00fcz milyarlarca parametresi oldu\u011funu d\u00fc\u015f\u00fcnd\u00fc\u011f\u00fcm\u00fczde, bu yakla\u015f\u0131m\u0131n beraberinde getirdi\u011fi zorluklar \u015funlard\u0131r:<\/p>\n<ul>\n<li><strong>Y\u00fcksek Hesaplama Maliyeti:<\/strong> T\u00fcm parametreleri e\u011fitmek, devasa miktarda i\u015flem g\u00fcc\u00fc (GPU\/TPU) ve zaman gerektirir. Bu durum, k\u00fc\u00e7\u00fck ve orta \u00f6l\u00e7ekli \u015firketler veya bireysel geli\u015ftiriciler i\u00e7in eri\u015filemez maliyetler anlam\u0131na gelebilir. Her bir ince ayar denemesi, g\u00fcnler hatta haftalar s\u00fcrebilir.<\/li>\n<li><strong>B\u00fcy\u00fck Bellek \u0130htiyac\u0131:<\/strong> Modelin t\u00fcm parametreleri ve optimizasyon durumlar\u0131 bellekte tutulmal\u0131d\u0131r. Bu, terabaytlarca belle\u011fe sahip \u00f6zel sunucular veya bulut tabanl\u0131 y\u00fcksek performansl\u0131 sanal makineler gerektirir. \u00d6zellikle 16-bit veya 32-bit hassasiyette e\u011fitim yap\u0131l\u0131yorsa, bellek t\u00fcketimi katlanarak artar.<\/li>\n<li><strong>Depolama ve S\u00fcr\u00fcm Kontrol\u00fc Zorluklar\u0131:<\/strong> \u0130nce ayarl\u0131 modelin tamam\u0131n\u0131 her seferinde kaydetmek, y\u00fczlerce gigabaytl\u0131k depolama alan\u0131 gerektirir. Farkl\u0131 ince ayar denemeleri ve model versiyonlar\u0131 aras\u0131nda ge\u00e7i\u015f yapmak, b\u00fcy\u00fck dosya boyutlar\u0131 nedeniyle olduk\u00e7a hantal hale gelir. Bu da s\u00fcr\u00fcm kontrol\u00fcn\u00fc ve model y\u00f6netimini karma\u015f\u0131kla\u015ft\u0131r\u0131r.<\/li>\n<li><strong>A\u015f\u0131r\u0131 Uyum (Overfitting) Riski:<\/strong> K\u00fc\u00e7\u00fck bir \u00f6zel veri seti \u00fczerinde \u00e7ok fazla parametreyi e\u011fitmek, modelin sadece o veri setindeki \u00f6r\u00fcnt\u00fcleri ezberlemesine ve genelleme yetene\u011fini kaybetmesine neden olabilir. Bu durum, modelin yeni ve benzer veriler \u00fczerinde k\u00f6t\u00fc performans g\u00f6stermesiyle sonu\u00e7lan\u0131r.<\/li>\n<li><strong>\u00c7evre Dostu De\u011fil:<\/strong> Y\u00fcksek enerji t\u00fcketimi, yapay zeka e\u011fitiminin karbon ayak izini \u00f6nemli \u00f6l\u00e7\u00fcde art\u0131r\u0131r. S\u00fcrd\u00fcr\u00fclebilirlik a\u00e7\u0131s\u0131ndan, daha verimli e\u011fitim y\u00f6ntemlerine ihtiya\u00e7 duyulmaktad\u0131r.<\/li>\n<\/ul>\n<p>Bu zorluklar, geli\u015ftiricileri ve ara\u015ft\u0131rmac\u0131lar\u0131, b\u00fcy\u00fck dil modellerini daha verimli bir \u015fekilde ince ayarlaman\u0131n yollar\u0131n\u0131 aramaya itmi\u015ftir. \u0130\u015fte tam da bu noktada, LoRA gibi parametre-verimli ince ayar (PEFT – Parameter-Efficient Fine-Tuning) teknikleri devreye girerek, geleneksel ince ayar\u0131n getirdi\u011fi y\u00fckleri hafifletmeyi hedefler. Bu teknikler, modelin yaln\u0131zca k\u00fc\u00e7\u00fck bir k\u0131sm\u0131n\u0131 veya ek parametreleri e\u011fiterek, benzer performans elde etmeyi m\u00fcmk\u00fcn k\u0131lar. B\u00f6ylece, hem maliyetler d\u00fc\u015fer hem de ince ayar s\u00fcreci h\u0131zlan\u0131r, daha geni\u015f bir geli\u015ftirici kitlesi i\u00e7in eri\u015filebilir hale gelir. Bu durum, yapay zekan\u0131n daha demokratikle\u015fmesine ve daha fazla alanda ki\u015fiselle\u015ftirilmi\u015f uygulamalar\u0131n geli\u015ftirilmesine olanak tan\u0131r.<\/p>\n<h2>LoRA (Low-Rank Adaptation) Nedir ve Nas\u0131l \u00c7al\u0131\u015f\u0131r?<\/h2>\n<p>B\u00fcy\u00fck dil modellerini ince ayar yapman\u0131n getirdi\u011fi zorluklar\u0131 ele ald\u0131ktan sonra, \u015fimdi bu sorunlara zarif bir \u00e7\u00f6z\u00fcm sunan LoRA (Low-Rank Adaptation) tekni\u011fine daha yak\u0131ndan bakal\u0131m. LoRA, parametre-verimli ince ayar (PEFT) y\u00f6ntemlerinden biridir ve temel amac\u0131, \u00e7ok say\u0131da parametreye sahip b\u00fcy\u00fck modelleri, \u00e7ok daha az ek parametre e\u011fiterek belirli g\u00f6revlere adapte etmektir. Bu sayede, hesaplama maliyeti, bellek t\u00fcketimi ve depolama ihtiyac\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131l\u0131rken, orijinal modelin performans\u0131na yak\u0131n sonu\u00e7lar elde edilebilir.<\/p>\n<h3>LoRA’n\u0131n Temel Prensibi: D\u00fc\u015f\u00fck Rank Matrisler<\/h3>\n<p>LoRA’n\u0131n arkas\u0131ndaki ana fikir, \u00f6nceden e\u011fitilmi\u015f bir modeldeki her bir a\u011f\u0131rl\u0131k matrisinin (\u00f6rne\u011fin, dikkat mekanizmalar\u0131ndaki sorgu, anahtar, de\u011fer veya \u00e7\u0131kt\u0131 projeksiyon matrisleri), ince ayar s\u0131ras\u0131nda maruz kald\u0131\u011f\u0131 de\u011fi\u015fimin d\u00fc\u015f\u00fck rankl\u0131 bir matrisle temsil edilebilece\u011fi varsay\u0131m\u0131d\u0131r. Matematiksel olarak ifade etmek gerekirse, orijinal bir a\u011f\u0131rl\u0131k matrisi <span style=\"font-family: monospace;\">W<\/span>‘nin ince ayar sonras\u0131 de\u011fi\u015fimi <span style=\"font-family: monospace;\">\u0394W<\/span> olarak d\u00fc\u015f\u00fcn\u00fclebilir. LoRA, bu <span style=\"font-family: monospace;\">\u0394W<\/span>‘yi do\u011frudan e\u011fitmek yerine, onu iki k\u00fc\u00e7\u00fck matrisin \u00e7arp\u0131m\u0131 olarak ifade eder: <span style=\"font-family: monospace;\">B * A<\/span>. Burada <span style=\"font-family: monospace;\">A<\/span> ve <span style=\"font-family: monospace;\">B<\/span>, orijinal <span style=\"font-family: monospace;\">W<\/span> matrisinden \u00e7ok daha az parametreye sahip matrislerdir.<\/p>\n<p>\u00d6rne\u011fin, <span style=\"font-family: monospace;\">W<\/span> matrisi <span style=\"font-family: monospace;\">d x k<\/span> boyutunda ise, <span style=\"font-family: monospace;\">B<\/span> matrisi <span style=\"font-family: monospace;\">d x r<\/span> boyutunda ve <span style=\"font-family: monospace;\">A<\/span> matrisi <span style=\"font-family: monospace;\">r x k<\/span> boyutunda olacakt\u0131r. Burada <span style=\"font-family: monospace;\">r<\/span> (rank), <span style=\"font-family: monospace;\">d<\/span> ve <span style=\"font-family: monospace;\">k<\/span>‘den \u00e7ok daha k\u00fc\u00e7\u00fck bir say\u0131d\u0131r (genellikle 4, 8, 16 gibi de\u011ferler al\u0131r). Bu, <span style=\"font-family: monospace;\">\u0394W<\/span>‘yi do\u011frudan e\u011fitmek yerine, sadece <span style=\"font-family: monospace;\">A<\/span> ve <span style=\"font-family: monospace;\">B<\/span> matrislerindeki parametreleri e\u011fitti\u011fimiz anlam\u0131na gelir. Toplam e\u011fitilebilir parametre say\u0131s\u0131, <span style=\"font-family: monospace;\">d * r + r * k<\/span> olur ki bu, <span style=\"font-family: monospace;\">d * k<\/span>‘ye k\u0131yasla \u00e7ok daha k\u00fc\u00e7\u00fckt\u00fcr.<\/p>\n<h3>LoRA’n\u0131n Mimari ve Parametre Verimlili\u011fi<\/h3>\n<p>LoRA’n\u0131n \u00e7al\u0131\u015fma mekanizmas\u0131 \u015fu ad\u0131mlar\u0131 i\u00e7erir:<\/p>\n<ol>\n<li><strong>Orijinal Model Sabit Kal\u0131r:<\/strong> \u00d6nceden e\u011fitilmi\u015f b\u00fcy\u00fck dil modelinin (LLM) ana a\u011f\u0131rl\u0131klar\u0131, ince ayar s\u00fcreci boyunca dondurulur ve g\u00fcncellenmez. Bu, modelin temel bilgisini korumas\u0131n\u0131 sa\u011flar ve a\u015f\u0131r\u0131 uyumu engellemeye yard\u0131mc\u0131 olur.<\/li>\n<li><strong>Ek LoRA Matrisleri:<\/strong> Modelin belirli katmanlar\u0131na (genellikle dikkat mekanizmalar\u0131ndaki sorgu ve de\u011fer projeksiyon matrisleri) k\u00fc\u00e7\u00fck, d\u00fc\u015f\u00fck rankl\u0131 <span style=\"font-family: monospace;\">A<\/span> ve <span style=\"font-family: monospace;\">B<\/span> matris \u00e7iftleri eklenir. Bu matrisler rastgele veya s\u0131f\u0131rlarla ba\u015flat\u0131labilir.<\/li>\n<li><strong>E\u011fitim Sadece LoRA Matrislerinde:<\/strong> \u0130nce ayar s\u0131ras\u0131nda, sadece bu eklenen <span style=\"font-family: monospace;\">A<\/span> ve <span style=\"font-family: monospace;\">B<\/span> matrislerinin parametreleri e\u011fitilir. Orijinal model a\u011f\u0131rl\u0131klar\u0131 sabit kald\u0131\u011f\u0131 i\u00e7in, geriye yay\u0131l\u0131m (backpropagation) sadece bu k\u00fc\u00e7\u00fck matrisler \u00fczerinden yap\u0131l\u0131r.<\/li>\n<li><strong>\u00c7\u0131kar\u0131m (Inference) S\u0131ras\u0131nda Birle\u015ftirme:<\/strong> E\u011fitim tamamland\u0131ktan sonra, e\u011fitilmi\u015f <span style=\"font-family: monospace;\">B * A<\/span> matrisi, orijinal <span style=\"font-family: monospace;\">W<\/span> matrisine eklenerek (<span style=\"font-family: monospace;\">W’ = W + B * A<\/span>) yeni, ince ayarl\u0131 bir a\u011f\u0131rl\u0131k matrisi olu\u015fturulur. Bu birle\u015ftirme, \u00e7\u0131kar\u0131m s\u0131ras\u0131nda herhangi bir ek hesaplama y\u00fck\u00fc getirmez, \u00e7\u00fcnk\u00fc art\u0131k tek bir matris olarak i\u015flem g\u00f6r\u00fcr. Alternatif olarak, <span style=\"font-family: monospace;\">W<\/span> ve <span style=\"font-family: monospace;\">B * A<\/span> ayr\u0131 tutulup, \u00e7\u0131kar\u0131m s\u0131ras\u0131nda dinamik olarak toplanabilir. Bu, farkl\u0131 LoRA adapt\u00f6rlerini ayn\u0131 temel model \u00fczerinde h\u0131zl\u0131ca de\u011fi\u015ftirmeye olanak tan\u0131r.<\/li>\n<\/ol>\n<div class=\"expert-tip\">\n <strong>Uzman \u0130pucu:<\/strong> LoRA’n\u0131n en b\u00fcy\u00fck avantajlar\u0131ndan biri, ayn\u0131 temel model \u00fczerinde birden fazla LoRA adapt\u00f6r\u00fc (farkl\u0131 g\u00f6revler veya veri setleri i\u00e7in) e\u011fitebilmenizdir. Bu adapt\u00f6rler sadece birka\u00e7 megabayt boyutunda olup, kolayca depolanabilir, payla\u015f\u0131labilir ve temel modelle birle\u015ftirilebilir. Bu, \u00f6zellikle farkl\u0131 m\u00fc\u015fteriler veya uygulamalar i\u00e7in ki\u015fiselle\u015ftirilmi\u015f modeller olu\u015ftururken inan\u0131lmaz bir esneklik sa\u011flar.\n<\/div>\n<p>Sonu\u00e7 olarak, LoRA, b\u00fcy\u00fck dil modellerinin ki\u015fiselle\u015ftirilmesi i\u00e7in oyunun kurallar\u0131n\u0131 de\u011fi\u015ftiren bir yakla\u015f\u0131md\u0131r. Geleneksel ince ayar\u0131n getirdi\u011fi y\u00fcksek maliyetleri ve teknik engelleri a\u015farak, yapay zekay\u0131 daha eri\u015filebilir ve uygulanabilir hale getirir. Bu da daha fazla geli\u015ftiricinin ve kurulu\u015fun, kendi \u00f6zel ihtiya\u00e7lar\u0131na g\u00f6re uyarlanm\u0131\u015f g\u00fc\u00e7l\u00fc yapay zeka modelleri olu\u015fturmas\u0131na olanak tan\u0131r.<\/p>\n<h2>\u00d6zel Veri Seti Haz\u0131rl\u0131\u011f\u0131: LoRA \u0130\u00e7in Nelere Dikkat Etmeliyiz?<\/h2>\n<p>LoRA ile ba\u015far\u0131l\u0131 bir ince ayar s\u00fcreci ger\u00e7ekle\u015ftirmek, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kaliteli ve iyi haz\u0131rlanm\u0131\u015f bir \u00f6zel veri setine ba\u011fl\u0131d\u0131r. Model ne kadar geli\u015fmi\u015f olursa olsun, e\u011fitildi\u011fi verinin kalitesi ve format\u0131, elde edilecek sonu\u00e7lar\u0131 do\u011frudan etkiler. Bu b\u00f6l\u00fcmde, LoRA i\u00e7in \u00f6zel veri setinizi nas\u0131l haz\u0131rlayaca\u011f\u0131n\u0131z\u0131 ve nelere dikkat etmeniz gerekti\u011fini ad\u0131m ad\u0131m inceleyece\u011fiz.<\/p>\n<h3>1. Veri Toplama ve Temizleme: Kalite Her \u015eeyden \u00d6nemlidir<\/h3>\n<p>\u00d6zel veri setinizin ilk ad\u0131m\u0131, ilgili verileri toplamakt\u0131r. Bu veriler, \u015firketinizin dahili belgeleri, m\u00fc\u015fteri destek kay\u0131tlar\u0131, \u00fcr\u00fcn incelemeleri, belirli bir alandaki makaleler veya herhangi bir metin tabanl\u0131 kaynak olabilir. Veri topland\u0131ktan sonra, ham veriyi do\u011frudan kullanmak yerine kapsaml\u0131 bir temizlik s\u00fcrecinden ge\u00e7irmek hayati \u00f6nem ta\u015f\u0131r:<\/p>\n<ul>\n<li><strong>G\u00fcr\u00fclt\u00fc Giderme:<\/strong> Reklamlar, men\u00fc \u00f6\u011feleri, anlams\u0131z karakter dizileri gibi alakas\u0131z veya tekrarlayan i\u00e7erikleri kald\u0131r\u0131n.<\/li>\n<li><strong>Benzersiz \u0130\u00e7erik Sa\u011flama:<\/strong> Yinelenen kay\u0131tlar\u0131 tespit edin ve silin. Modelin ayn\u0131 bilgiyi tekrar tekrar \u00f6\u011frenmesini engeller ve e\u011fitim s\u00fcresini optimize eder.<\/li>\n<li><strong>Bi\u00e7imlendirme ve Tutarl\u0131l\u0131k:<\/strong> Metinleri tek tip bir bi\u00e7ime getirin. \u00d6rne\u011fin, t\u00fcm metinleri k\u00fc\u00e7\u00fck harfe \u00e7evirme (e\u011fer b\u00fcy\u00fck\/k\u00fc\u00e7\u00fck harf ayr\u0131m\u0131 \u00f6nemli de\u011filse), noktalama i\u015faretlerini standartla\u015ft\u0131rma gibi i\u015flemler yap\u0131n.<\/li>\n<li><strong>Yanl\u0131\u015f Bilgileri Ay\u0131klama:<\/strong> Verilerinizde yanl\u0131\u015f veya yan\u0131lt\u0131c\u0131 bilgiler varsa, bunlar\u0131 d\u00fczeltin veya \u00e7\u0131kar\u0131n. Modeliniz, e\u011fitim ald\u0131\u011f\u0131 veriyi yans\u0131tacakt\u0131r, bu nedenle yanl\u0131\u015f veri, yanl\u0131\u015f \u00e7\u0131kt\u0131lara yol a\u00e7ar.<\/li>\n<li><strong>Hassas Veri Y\u00f6netimi:<\/strong> Ki\u015fisel tan\u0131mlay\u0131c\u0131 bilgileri (PII) veya hassas \u015firket bilgilerini maskeleyin veya anonimle\u015ftirin.<\/li>\n<\/ul>\n<h3>2. Veri Format\u0131: Modelin Anlayaca\u011f\u0131 Dil<\/h3>\n<p>\u00c7o\u011fu ince ayar \u00e7er\u00e7evesi (\u00f6zellikle Hugging Face ekosisteminde), veri setlerini belirli bir formatta bekler. En yayg\u0131n ve esnek formatlardan biri JSON Lines (JSONL) format\u0131d\u0131r. Her sat\u0131r\u0131n bir JSON nesnesi oldu\u011fu bu format, metin ve ilgili etiketleri veya y\u00f6nergeleri saklamak i\u00e7in idealdir. \u00d6rne\u011fin, bir soru-cevap botu e\u011fitiyorsan\u0131z, her JSON nesnesi bir “prompt” (istek) ve bir “completion” (tamamlama) alan\u0131 i\u00e7erebilir:<\/p>\n<pre><code>\n{\"prompt\": \"\u00dcr\u00fcn\u00fcn\u00fcz X'in garanti s\u00fcresi nedir?\", \"completion\": \"\u00dcr\u00fcn X i\u00e7in standart garanti s\u00fcresi 2 y\u0131ld\u0131r.\"}\n{\"prompt\": \"Fatura bilgilerimi nas\u0131l g\u00fcncelleyebilirim?\", \"completion\": \"Fatura bilgilerinizi g\u00fcncellemek i\u00e7in m\u00fc\u015fteri panelinize giri\u015f yap\u0131p 'Hesap Ayarlar\u0131' b\u00f6l\u00fcm\u00fcne gidebilirsiniz.\"}\n<\/code><\/pre>\n<p>E\u011fer modelinizi sohbet botu gibi diyaloglar i\u00e7in e\u011fitiyorsan\u0131z, format biraz daha karma\u015f\u0131k olabilir ve ‘messages’ alan\u0131 alt\u0131nda ‘role’ ve ‘content’ \u00e7iftlerini i\u00e7erebilir:<\/p>\n<pre><code>\n{\"messages\": [{\"role\": \"user\", \"content\": \"Merhaba, \u00fcr\u00fcn iadesi yapmak istiyorum.\"}, {\"role\": \"assistant\", \"content\": \"Elbette, iade i\u015flemleri i\u00e7in sipari\u015f numaran\u0131z\u0131 ve iade nedeninizi belirtebilir misiniz?\"}]}\n{\"messages\": [{\"role\": \"user\", \"content\": \"Hesab\u0131m\u0131 nas\u0131l kapatabilirim?\"}, {\"role\": \"assistant\", \"content\": \"Hesab\u0131n\u0131z\u0131 kapatmak i\u00e7in g\u00fcvenlik do\u011frulamas\u0131 yapmam\u0131z gerekiyor. L\u00fctfen e-posta adresinizi ve kay\u0131tl\u0131 telefon numaran\u0131z\u0131n son d\u00f6rt hanesini girin.\"}]}\n<\/code><\/pre>\n<p>Bu format, modelin hangi metnin kullan\u0131c\u0131dan geldi\u011fini (prompt\/user) ve hangi metnin model taraf\u0131ndan \u00fcretilmesi gerekti\u011fini (completion\/assistant) anlamas\u0131na yard\u0131mc\u0131 olur.<\/p>\n<h3>3. Veri Miktar\u0131 ve \u00c7e\u015fitlili\u011fi: Ne Kadar Yeterlidir?<\/h3>\n<p>LoRA, geleneksel ince ayara g\u00f6re \u00e7ok daha az veriyle iyi sonu\u00e7lar verebilse de, veri miktar\u0131 ve \u00e7e\u015fitlili\u011fi hala \u00f6nemlidir:<\/p>\n<ul>\n<li><strong>Miktar:<\/strong> Kesin bir say\u0131 olmamakla birlikte, birka\u00e7 y\u00fcz ila birka\u00e7 bin y\u00fcksek kaliteli \u00f6rnekle ba\u015flayabilirsiniz. \u00c7ok k\u00fc\u00e7\u00fck veri setleri (\u00f6rne\u011fin 50 \u00f6rnekten az) genellikle yetersiz kal\u0131r ve modelin genelleme yetene\u011fini geli\u015ftirmez.<\/li>\n<li><strong>\u00c7e\u015fitlilik:<\/strong> Modelin farkl\u0131 senaryolar\u0131 ve dil varyasyonlar\u0131n\u0131 anlamas\u0131 i\u00e7in veri setinizde yeterli \u00e7e\u015fitlilik olmal\u0131d\u0131r. Sadece tek tip sorular veya ifadelerle e\u011fitilmi\u015f bir model, benzer olmayan yeni girdilere zay\u0131f yan\u0131tlar verebilir.<\/li>\n<li><strong>Denge:<\/strong> E\u011fer farkl\u0131 kategoriler veya niyetler aras\u0131nda ayr\u0131m yap\u0131yorsan\u0131z, her kategori i\u00e7in yeterli \u00f6rnek oldu\u011fundan emin olun. Aksi takdirde, model az temsil edilen kategorilerde zay\u0131f performans g\u00f6sterebilir.<\/li>\n<\/ul>\n<h3>4. E\u011fitim ve Do\u011frulama Setlerinin Ayr\u0131lmas\u0131<\/h3>\n<p>Veri setinizi haz\u0131rlarken, modelin e\u011fitim s\u0131ras\u0131nda g\u00f6rmedi\u011fi veriler \u00fczerinde performans\u0131n\u0131 de\u011ferlendirebilmek i\u00e7in verilerinizi e\u011fitim (%80-90) ve do\u011frulama (%10-20) setlerine ay\u0131rmay\u0131 unutmay\u0131n. Do\u011frulama seti, modelin a\u015f\u0131r\u0131 uyum yap\u0131p yapmad\u0131\u011f\u0131n\u0131 anlaman\u0131za ve hiperparametreleri ayarlaman\u0131za yard\u0131mc\u0131 olur.<\/p>\n<pre><code>\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nimport json\n\n# \u00d6rnek veri seti olu\u015fturma\ndata = [\n {\"prompt\": \"\u00dcr\u00fcn A'n\u0131n \u00f6zellikleri nelerdir?\", \"completion\": \"\u00dcr\u00fcn A, 12MP kamera, 6.1 in\u00e7 ekran ve 256GB depolama ile gelir.\"},\n {\"prompt\": \"\u00dcr\u00fcn B'nin fiyat\u0131 ne kadar?\", \"completion\": \"\u00dcr\u00fcn B'nin g\u00fcncel fiyat\u0131 1200 TL'dir.\"},\n {\"prompt\": \"\u0130ade politikas\u0131 hakk\u0131nda bilgi verir misiniz?\", \"completion\": \"\u0130ade politikam\u0131z, \u00fcr\u00fcn teslimat\u0131ndan sonra 14 g\u00fcn i\u00e7inde ge\u00e7erlidir.\"},\n {\"prompt\": \"Sipari\u015fimi nas\u0131l takip edebilirim?\", \"completion\": \"Sipari\u015finizi takip etmek i\u00e7in 'Sipari\u015flerim' sayfas\u0131n\u0131 ziyaret edebilirsiniz.\"},\n {\"prompt\": \"\u00dcr\u00fcn A stokta var m\u0131?\", \"completion\": \"Evet, \u00dcr\u00fcn A \u015fu anda stoklar\u0131m\u0131zda mevcuttur.\"},\n {\"prompt\": \"\u00dcr\u00fcn B'nin renk se\u00e7enekleri nelerdir?\", \"completion\": \"\u00dcr\u00fcn B g\u00fcm\u00fc\u015f, siyah ve mavi renk se\u00e7enekleriyle sunulmaktad\u0131r.\"},\n {\"prompt\": \"M\u00fc\u015fteri hizmetleri telefon numaran\u0131z nedir?\", \"completion\": \"M\u00fc\u015fteri hizmetlerimize 0850 123 4567 numaral\u0131 telefondan ula\u015fabilirsiniz.\"},\n {\"prompt\": \"\u00dcr\u00fcn C'nin kurulumu nas\u0131l yap\u0131l\u0131r?\", \"completion\": \"\u00dcr\u00fcn C'nin kurulumu i\u00e7in kutu i\u00e7erisindeki kullan\u0131m k\u0131lavuzunu inceleyebilirsiniz.\"},\n {\"prompt\": \"Garanti belgesini nereden bulabilirim?\", \"completion\": \"Garanti belgesi \u00fcr\u00fcn\u00fcn\u00fczle birlikte g\u00f6nderilir ve web sitemizden de indirilebilir.\"},\n {\"prompt\": \"\u00d6deme y\u00f6ntemleri nelerdir?\", \"completion\": \"Kredi kart\u0131, banka havalesi ve kap\u0131da \u00f6deme se\u00e7eneklerimiz mevcuttur.\"}\n]\n\ndf = pd.DataFrame(data)\n\n# Veriyi e\u011fitim ve test setlerine ay\u0131rma\ntrain_df, eval_df = train_test_split(df, test_size=0.2, random_state=42)\n\n# JSONL format\u0131nda kaydetme\nwith open(\"train_data.jsonl\", \"w\", encoding=\"utf-8\") as f:\n for record in train_df.to_dict(orient=\"records\"):\n f.write(json.dumps(record, ensure_ascii=False) + \"\\n\")\n\nwith open(\"eval_data.jsonl\", \"w\", encoding=\"utf-8\") as f:\n for record in eval_df.to_dict(orient=\"records\"):\n f.write(json.dumps(record, ensure_ascii=False) + \"\\n\")\n\nprint(\"Veri setleri ba\u015far\u0131yla olu\u015fturuldu: train_data.jsonl ve eval_data.jsonl\")\n<\/code><\/pre>\n<p>\u00d6zel veri setinizi bu prensiplere g\u00f6re haz\u0131rlamak, LoRA ile ince ayar yaparken modelinizin en iyi performans\u0131 g\u00f6stermesini sa\u011flayacak temel ad\u0131mlardan biridir. Kaliteli veri, ba\u015far\u0131l\u0131 bir yapay zeka uygulamas\u0131n\u0131n anahtar\u0131d\u0131r.<\/p>\n<h2>LoRA ile \u0130nce Ayar Nas\u0131l Yap\u0131l\u0131r? Ad\u0131m Ad\u0131m Uygulama Rehberi<\/h2>\n<p>\u00d6zel veri setimizi haz\u0131rlad\u0131ktan sonra, s\u0131ra geldi LoRA’y\u0131 kullanarak b\u00fcy\u00fck dil modelimizi (LLM) ince ayarlamaya. Bu b\u00f6l\u00fcmde, Hugging Face ekosistemini kullanarak LoRA ile ince ayar yapman\u0131n ad\u0131m ad\u0131m nas\u0131l ger\u00e7ekle\u015ftirilece\u011fini, gerekli kod bloklar\u0131 ve a\u00e7\u0131klamalarla birlikte ele alaca\u011f\u0131z. Bu rehber, temel Python bilgisine sahip herkesin takip edebilece\u011fi \u015fekilde tasarlanm\u0131\u015ft\u0131r.<\/p>\n<h3>1. Gerekli K\u00fct\u00fcphanelerin Kurulumu<\/h3>\n<p>\u0130lk olarak, LoRA ile ince ayar yapmak i\u00e7in gerekli olan Python k\u00fct\u00fcphanelerini kurmam\u0131z gerekiyor. Bu k\u00fct\u00fcphaneler \u015funlard\u0131r:<\/p>\n<ul>\n<li><strong>transformers:<\/strong> Hugging Face’in pop\u00fcler k\u00fct\u00fcphanesi, \u00f6nceden e\u011fitilmi\u015f modelleri ve tokenizer’lar\u0131 kolayca y\u00fcklememizi sa\u011flar.<\/li>\n<li><strong>peft:<\/strong> Parameter-Efficient Fine-Tuning (PEFT) k\u00fct\u00fcphanesi, LoRA gibi verimli ince ayar y\u00f6ntemlerini uygulamak i\u00e7in \u00f6zel olarak tasarlanm\u0131\u015ft\u0131r.<\/li>\n<li><strong>bitsandbytes:<\/strong> Modelleri nicemleme (quantization) yaparak bellek kullan\u0131m\u0131n\u0131 azaltmam\u0131z\u0131 sa\u011flayan bir k\u00fct\u00fcphanedir. \u00d6zellikle b\u00fcy\u00fck modellerle \u00e7al\u0131\u015f\u0131rken \u00e7ok faydal\u0131d\u0131r.<\/li>\n<li><strong>accelerate:<\/strong> Da\u011f\u0131t\u0131k e\u011fitimi kolayla\u015ft\u0131ran bir k\u00fct\u00fcphane olsa da, tek GPU \u00fczerinde bile e\u011fitim d\u00f6ng\u00fcs\u00fcn\u00fc basitle\u015ftirmek i\u00e7in kullan\u0131labilir.<\/li>\n<li><strong>datasets:<\/strong> Veri setlerini y\u00fcklemek ve i\u015flemek i\u00e7in kullan\u0131l\u0131r.<\/li>\n<\/ul>\n<pre><code>\n!pip install transformers peft bitsandbytes accelerate datasets\n<\/code><\/pre>\n<h3>2. Model ve Tokenizer Y\u00fckleme<\/h3>\n<p>LoRA ile ince ayar yapaca\u011f\u0131m\u0131z temel modeli ve ona uygun tokenizer’\u0131 Hugging Face Hub’dan y\u00fcklememiz gerekiyor. Burada \u00f6rnek olarak bir Llama 2 modelini kullanaca\u011f\u0131z, ancak istedi\u011finiz ba\u015fka bir modeli de se\u00e7ebilirsiniz.<\/p>\n<pre><code>\nfrom transformers import AutoModelForCausalLM, AutoTokenizer, BitsAndBytesConfig\nimport torch\n\n# Kullan\u0131lacak temel modelin ad\u0131\nmodel_name = \"meta-llama\/Llama-2-7b-hf\" # Bu model i\u00e7in eri\u015fim izni gerekebilir, alternatif olarak \"mistralai\/Mistral-7B-v0.1\" kullan\u0131labilir.\n\n# 4-bit nicemleme (quantization) konfig\u00fcrasyonu\nbnb_config = BitsAndBytesConfig(\n load_in_4bit=True,\n bnb_4bit_quant_type=\"nf4\",\n bnb_4bit_compute_dtype=torch.bfloat16,\n bnb_4bit_use_double_quant=False,\n)\n\n# Modeli ve tokenizer'\u0131 y\u00fckleme\nmodel = AutoModelForCausalLM.from_pretrained(\n model_name,\n quantization_config=bnb_config,\n device_map=\"auto\" # Birden fazla GPU varsa otomatik da\u011f\u0131t\u0131m\u0131 sa\u011flar\n)\nmodel.config.use_cache = False # E\u011fitim s\u0131ras\u0131nda \u00f6nbelle\u011fi devre d\u0131\u015f\u0131 b\u0131rak\nmodel.config.pretraining_tp = 1 # \u00c7oklu GPU pretraining ayar\u0131\n\ntokenizer = AutoTokenizer.from_pretrained(model_name, trust_remote_code=True)\ntokenizer.pad_token = tokenizer.eos_token # Pad token'\u0131 EOS token olarak ayarla\ntokenizer.padding_side = \"right\" # Tokenizer padding y\u00f6n\u00fc\n<\/code><\/pre>\n<p>Burada <code>BitsAndBytesConfig<\/code> kullanarak modeli 4-bit nicemleme ile y\u00fckl\u00fcyoruz. Bu, modelin bellek ayak izini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r ve daha az GPU belle\u011fiyle \u00e7al\u0131\u015fmam\u0131z\u0131 sa\u011flar. <code>device_map=\"auto\"<\/code> parametresi, modelin katmanlar\u0131n\u0131 mevcut GPU’lara otomatik olarak da\u011f\u0131tmaya \u00e7al\u0131\u015f\u0131r.<\/p>\n<h3>3. LoRA Konfig\u00fcrasyonu<\/h3>\n<p>\u015eimdi PEFT k\u00fct\u00fcphanesinden <code>LoraConfig<\/code> nesnesini olu\u015fturarak LoRA’n\u0131n nas\u0131l uygulanaca\u011f\u0131n\u0131 tan\u0131mlayaca\u011f\u0131z. Bu konfig\u00fcrasyon, hangi katmanlara LoRA adapt\u00f6rlerinin eklenece\u011fini, d\u00fc\u015f\u00fck rank (<span style=\"font-family: monospace;\">r<\/span>) de\u011ferini ve \u00f6l\u00e7eklendirme fakt\u00f6r\u00fcn\u00fc (<span style=\"font-family: monospace;\">lora_alpha<\/span>) belirler.<\/p>\n<pre><code>\nfrom peft import LoraConfig, get_peft_model\n\n# LoRA konfig\u00fcrasyonu\nlora_alpha = 16 # \u00d6l\u00e7eklendirme fakt\u00f6r\u00fc\nlora_dropout = 0.1 # Dropout oran\u0131\nlora_r = 64 # D\u00fc\u015f\u00fck rank de\u011feri\n\npeft_config = LoraConfig(\n lora_alpha=lora_alpha,\n lora_dropout=lora_dropout,\n r=lora_r,\n bias=\"none\", # Bias parametrelerini e\u011fitme\n task_type=\"CAUSAL_LM\", # G\u00f6rev tipi: Nedensel Dil Modelleme\n target_modules=[ # LoRA'n\u0131n uygulanaca\u011f\u0131 katmanlar (model mimarisine g\u00f6re de\u011fi\u015febilir)\n \"q_proj\",\n \"k_proj\",\n \"v_proj\",\n \"o_proj\",\n \"gate_proj\",\n \"up_proj\",\n \"down_proj\",\n \"lm_head\",\n ]\n)\n\n# Temel modele LoRA adapt\u00f6rlerini ekle\nmodel = get_peft_model(model, peft_config)\nmodel.print_trainable_parameters() # E\u011fitilebilir parametre say\u0131s\u0131n\u0131 g\u00f6ster\n<\/code><\/pre>\n<p><code>print_trainable_parameters()<\/code> \u00e7\u0131kt\u0131s\u0131, modelin toplam parametrelerinin \u00e7ok k\u00fc\u00e7\u00fck bir y\u00fczdesinin e\u011fitilece\u011fini g\u00f6sterir. Bu, LoRA’n\u0131n parametre verimlili\u011finin somut bir kan\u0131t\u0131d\u0131r.<\/p>\n<h3>4. Veri Setinin Haz\u0131rlanmas\u0131<\/h3>\n<p>Daha \u00f6nce haz\u0131rlad\u0131\u011f\u0131m\u0131z JSONL format\u0131ndaki veri setimizi Hugging Face <code>datasets<\/code> k\u00fct\u00fcphanesi ile y\u00fckleyece\u011fiz ve modelin anlayaca\u011f\u0131 formata d\u00f6n\u00fc\u015ft\u00fcrece\u011fiz. Bu genellikle metinleri tokenize etme ve uygun formatta etiketleme ad\u0131mlar\u0131n\u0131 i\u00e7erir.<\/p>\n<pre><code>\nfrom datasets import load_dataset\n\n# \u00d6zel veri setini y\u00fckleme\ndataset = load_dataset(\"json\", data_files={\"train\": \"train_data.jsonl\", \"validation\": \"eval_data.jsonl\"})\n\n# Veriyi formatlama fonksiyonu (\u00f6rn: sohbet format\u0131 i\u00e7in)\ndef format_data_for_training(example):\n # Bu fonksiyonu veri setinizin yap\u0131s\u0131na g\u00f6re \u00f6zelle\u015ftirmeniz gerekecektir.\n # \u00d6rnek: \"prompt\" ve \"completion\" alanlar\u0131 olan bir veri seti i\u00e7in\n formatted_text = f\"<strong># \u0130STEK:\\n{example['prompt']}\\n\\n### YANIT:\\n{example['completion']}{tokenizer.eos_token}\"<\/strong>\n return {\"text\": formatted_text}\n\n# Veriyi i\u015fleme (tokenize etme)\ndef preprocess_function(examples):\n return tokenizer(examples[\"text\"], truncation=True, max_length=512) # Max uzunlu\u011fu ayarlay\u0131n\n\n# Veri setini formatla ve tokenize et\nformatted_dataset = dataset.map(format_data_for_training, remove_columns=[\"prompt\", \"completion\"])\ntokenized_dataset = formatted_dataset.map(preprocess_function, batched=True)\n\nprint(tokenized_dataset[\"train\"][0]) # Tokenize edilmi\u015f ilk \u00f6rne\u011fi g\u00f6r\u00fcnt\u00fcle\n<\/code><\/pre>\n<p><code>format_data_for_training<\/code> fonksiyonunu kendi veri setinizin yap\u0131s\u0131na g\u00f6re uyarlaman\u0131z \u00e7ok \u00f6nemlidir. Genellikle, modelin belirli bir formatta (\u00f6rne\u011fin, “<strong># \u0130STEK: … ### YANIT: …” gibi) girdi ve \u00e7\u0131kt\u0131 bekledi\u011fi durumlarda bu formatlama ad\u0131m\u0131na ihtiya\u00e7 duyulur.<\/p>\n<p><\/strong><\/p>\n<h3>5. E\u011fitim S\u00fcreci<\/h3>\n<p>Son olarak, <code>transformers<\/code> k\u00fct\u00fcphanesinden <code>TrainingArguments<\/code> ve <code>Trainer<\/code> s\u0131n\u0131flar\u0131n\u0131 kullanarak modeli e\u011fitece\u011fiz. Bu a\u015famada, \u00f6\u011frenme oran\u0131, epoch say\u0131s\u0131, batch boyutu gibi hiperparametreleri belirleriz.<\/p>\n<pre><code>\nfrom transformers import TrainingArguments, Trainer\nimport os\n\n# E\u011fitim arg\u00fcmanlar\u0131\ntraining_arguments = TrainingArguments(\n output_dir=\".\/results\", # E\u011fitim \u00e7\u0131kt\u0131lar\u0131 i\u00e7in dizin\n num_train_epochs=3, # E\u011fitim epoch say\u0131s\u0131\n per_device_train_batch_size=4, # Cihaz ba\u015f\u0131na e\u011fitim batch boyutu\n gradient_accumulation_steps=2, # Gradyan biriktirme ad\u0131mlar\u0131\n optim=\"paged_adamw_8bit\", # Optimize edici (bellek verimlili\u011fi i\u00e7in)\n save_steps=100, # Her 100 ad\u0131mda bir modeli kaydet\n logging_steps=10, # Her 10 ad\u0131mda bir loglama yap\n learning_rate=2e-4, # \u00d6\u011frenme oran\u0131\n weight_decay=0.001, # A\u011f\u0131rl\u0131k azaltma\n fp16=False, # Yar\u0131 hassasiyetli e\u011fitimi etkinle\u015ftir (GPU destekliyorsa True yap\u0131n)\n bf16=True, # Bfloat16 e\u011fitimi etkinle\u015ftir (GPU destekliyorsa True yap\u0131n)\n max_grad_norm=0.3, # Maksimum gradyan normu\n max_steps=-1, # Ad\u0131m say\u0131s\u0131 (epoch say\u0131s\u0131 ile \u00e7ak\u0131\u015f\u0131r, -1 s\u0131n\u0131rs\u0131z anlam\u0131na gelir)\n warmup_ratio=0.03, # Is\u0131nma oran\u0131\n group_by_length=True, # Benzer uzunluktaki \u00f6rnekleri grupla\n lr_scheduler_type=\"cosine\", # \u00d6\u011frenme oran\u0131 zamanlay\u0131c\u0131 tipi\n report_to=\"tensorboard\", # E\u011fitim metriklerini TensorBoard'a raporla\n evaluation_strategy=\"steps\", # Do\u011frulama stratejisi\n eval_steps=100, # Her 100 ad\u0131mda bir do\u011frulama yap\n)\n\n# Trainer olu\u015fturma\ntrainer = Trainer(\n model=model,\n train_dataset=tokenized_dataset[\"train\"],\n eval_dataset=tokenized_dataset[\"validation\"],\n args=training_arguments,\n data_collator=None, # Veri toplama fonksiyonu (tokenizer'\u0131n kendisi halleder)\n)\n\n# Modeli e\u011fit\ntrainer.train()\n\n# E\u011fitilmi\u015f LoRA adapt\u00f6r\u00fcn\u00fc kaydet\ntrainer.model.save_pretrained(\".\/lora_model\")\n\n# \u0130sterseniz adapt\u00f6r\u00fc temel modelle birle\u015ftirip kaydedebilirsiniz\n# merged_model = model.merge_and_unload()\n# merged_model.save_pretrained(\".\/merged_llama_lora\")\n# tokenizer.save_pretrained(\".\/merged_llama_lora\")\n<\/code><\/pre>\n<p>E\u011fitim tamamland\u0131ktan sonra, e\u011fitilmi\u015f LoRA adapt\u00f6rleri <code>.\/lora_model<\/code> dizinine kaydedilecektir. Bu adapt\u00f6rler, daha sonra orijinal temel model \u00fczerine y\u00fcklenebilir ve \u00e7\u0131kar\u0131m i\u00e7in kullan\u0131labilir. <code>model.merge_and_unload()<\/code> fonksiyonu, LoRA adapt\u00f6rlerini temel modelle kal\u0131c\u0131 olarak birle\u015ftirmenize olanak tan\u0131r, b\u00f6ylece tek bir birle\u015fik model elde edersiniz.<\/p>\n<p>Bu ad\u0131mlar\u0131 takip ederek, kendi \u00f6zel veri setinizle LoRA kullanarak bir b\u00fcy\u00fck dil modelini ba\u015far\u0131l\u0131 bir \u015fekilde ince ayarlayabilirsiniz. Unutmay\u0131n ki hiperparametreler (<code>lora_alpha<\/code>, <code>lora_r<\/code>, <code>learning_rate<\/code> vb.) ve veri setinin kalitesi, elde edece\u011finiz sonu\u00e7lar \u00fczerinde b\u00fcy\u00fck etkiye sahip olacakt\u0131r. Deneme yan\u0131lma yoluyla en iyi konfig\u00fcrasyonu bulmak genellikle gereklidir.<\/p>\n<h3>Bir Vaka Analizi: M\u00fc\u015fteri Hizmetleri Botunu Ki\u015fiselle\u015ftirme<\/h3>\n<p>\u015eirketlerin kar\u015f\u0131la\u015ft\u0131\u011f\u0131 yayg\u0131n bir sorun, genel ama\u00e7l\u0131 yapay zeka modellerinin kendi \u00f6zel \u00fcr\u00fcnleri, hizmetleri ve \u015firket politikalar\u0131 hakk\u0131nda yeterli bilgiye sahip olmamas\u0131d\u0131r. Bu durum, m\u00fc\u015fteri hizmetleri departmanlar\u0131 i\u00e7in bir y\u00fck olu\u015fturabilir ve m\u00fc\u015fteri memnuniyetini d\u00fc\u015f\u00fcrebilir. \u0130\u015fte LoRA’n\u0131n bu senaryoda nas\u0131l bir \u00e7\u00f6z\u00fcm sundu\u011funa dair bir vaka analizi:<\/p>\n<h4>Senaryo: “TechSolutions” \u015eirketi \u0130\u00e7in Ak\u0131ll\u0131 M\u00fc\u015fteri Hizmetleri Botu<\/h4>\n<p>TechSolutions, \u00e7e\u015fitli elektronik cihazlar \u00fcreten ve satan bir \u015firkettir. M\u00fc\u015fterilerden gelen garanti sorgular\u0131, \u00fcr\u00fcn teknik \u00f6zellikleri, iade politikalar\u0131 ve sorun giderme ad\u0131mlar\u0131 hakk\u0131nda y\u00fcz binlerce soru almaktad\u0131rlar. Mevcut genel ama\u00e7l\u0131 bir LLM (\u00f6rne\u011fin, Llama 2) bu sorular\u0131n \u00e7o\u011funu genel bilgilerle yan\u0131tlayabilse de, TechSolutions’\u0131n spesifik \u00fcr\u00fcn kodlar\u0131, garanti s\u00fcreleri, iade formlar\u0131 veya benzersiz sorun giderme k\u0131lavuzlar\u0131 hakk\u0131nda bilgi verememektedir.<\/p>\n<h4>Hedef<\/h4>\n<p>TechSolutions, mevcut Llama 2 modelini, \u015firket i\u00e7i dok\u00fcmanlar\u0131 ve m\u00fc\u015fteri hizmetleri kay\u0131tlar\u0131n\u0131 kullanarak, kendi \u00fcr\u00fcnleri ve politikalar\u0131 hakk\u0131nda do\u011fru ve g\u00fcncel bilgi sa\u011flayabilen bir m\u00fc\u015fteri hizmetleri botuna d\u00f6n\u00fc\u015ft\u00fcrmek istemektedir. Bu d\u00f6n\u00fc\u015f\u00fcm\u00fcn h\u0131zl\u0131, maliyet etkin ve y\u00fcksek performansl\u0131 olmas\u0131 beklenmektedir.<\/p>\n<h4>LoRA \u00c7\u00f6z\u00fcm\u00fc<\/h4>\n<ol>\n<li><strong>\u00d6zel Veri Seti Olu\u015fturma:<\/strong>\n<ul>\n<li>\u015eirketin t\u00fcm \u00fcr\u00fcn k\u0131lavuzlar\u0131, SSS belgeleri, garanti ko\u015fullar\u0131, iade politikalar\u0131, teknik destek notlar\u0131 ve \u00f6nceki m\u00fc\u015fteri sohbet kay\u0131tlar\u0131 toplan\u0131r.<\/li>\n<li>Bu veriler, “prompt” (m\u00fc\u015fteri sorusu) ve “completion” (bot yan\u0131t\u0131) \u00e7iftleri halinde JSONL format\u0131na d\u00f6n\u00fc\u015ft\u00fcr\u00fcl\u00fcr. \u00d6rne\u011fin:\n<pre><code>\n{\"prompt\": \"TechSolutions X5 modelinin garanti s\u00fcresi nedir?\", \"completion\": \"TechSolutions X5 modelinin standart garanti s\u00fcresi 2 y\u0131ld\u0131r ve uzat\u0131lm\u0131\u015f garanti se\u00e7ene\u011fi mevcuttur.\"}\n{\"prompt\": \"X5 modelinde ekran\u0131m \u00e7al\u0131\u015fm\u0131yor, ne yapmal\u0131y\u0131m?\", \"completion\": \"X5 modelinde ekran sorunu ya\u015f\u0131yorsan\u0131z, l\u00fctfen cihaz\u0131 yeniden ba\u015flat\u0131n. Sorun devam ederse, teknik destek sayfam\u0131zdaki sorun giderme ad\u0131mlar\u0131n\u0131 takip edin veya bizimle ileti\u015fime ge\u00e7in.\"}\n <\/code><\/pre>\n<\/li>\n<li>Yakla\u015f\u0131k 10.000 adet y\u00fcksek kaliteli, \u015firkete \u00f6zel soru-cevap \u00e7ifti olu\u015fturulur.<\/li>\n<\/ul>\n<\/li>\n<li><strong>LoRA ile \u0130nce Ayar:<\/strong>\n<ul>\n<li>\u00d6nceden e\u011fitilmi\u015f Llama 2 modeli (7B parametre) 4-bit nicemleme ile y\u00fcklenir.<\/li>\n<li>PEFT k\u00fct\u00fcphanesi kullan\u0131larak bir <code>LoraConfig<\/code> nesnesi tan\u0131mlan\u0131r (\u00f6rne\u011fin, <code>r=64<\/code>, <code>lora_alpha=16<\/code>).<\/li>\n<li>Haz\u0131rlanan \u00f6zel veri seti, tokenizer arac\u0131l\u0131\u011f\u0131yla modele uygun hale getirilir.<\/li>\n<li>Model, bir adet NVIDIA A100 GPU \u00fczerinde sadece 3 epoch boyunca e\u011fitilir.<\/li>\n<\/ul>\n<\/li>\n<\/ol>\n<h4>Faydalar ve Sonu\u00e7lar<\/h4>\n<ul>\n<li><strong>Maliyet ve Zaman Tasarrufu:<\/strong> Geleneksel tam ince ayar, birden fazla pahal\u0131 GPU \u00fczerinde haftalar s\u00fcrebilirken, LoRA ile bu s\u00fcre\u00e7 tek bir A100 GPU’da birka\u00e7 saat i\u00e7inde tamamlan\u0131r. Bu, TechSolutions’a on binlerce dolar tasarruf sa\u011flar.<\/li>\n<li><strong>Performans Art\u0131\u015f\u0131:<\/strong> \u0130nce ayarl\u0131 LoRA modeli, genel Llama 2’ye k\u0131yasla TechSolutions’\u0131n \u00fcr\u00fcnleri ve politikalar\u0131 hakk\u0131nda %90’\u0131n \u00fczerinde do\u011frulukla yan\u0131t verebilir. M\u00fc\u015fteri sorular\u0131na spesifik ve do\u011fru cevaplar vererek m\u00fc\u015fteri memnuniyetini art\u0131r\u0131r.<\/li>\n<li><strong>Kaynak Verimlili\u011fi:<\/strong> E\u011fitilen LoRA adapt\u00f6r\u00fc sadece birka\u00e7 megabayt boyutundad\u0131r (\u00f6rne\u011fin, 60MB). Bu, modelin kolayca depolanabilmesi, da\u011f\u0131t\u0131labilmesi ve farkl\u0131 s\u00fcr\u00fcmlerinin y\u00f6netilebilmesi anlam\u0131na gelir. Temel modelin tamam\u0131n\u0131 her seferinde kopyalamaya gerek kalmaz.<\/li>\n<li><strong>Esneklik:<\/strong> TechSolutions, gelecekte yeni \u00fcr\u00fcnler veya politikalar ekledi\u011finde, sadece k\u00fc\u00e7\u00fck bir ek veri setiyle mevcut LoRA adapt\u00f6r\u00fcn\u00fc g\u00fcncelleyebilir veya yeni bir adapt\u00f6r e\u011fitebilir. Temel modeli ba\u015ftan sona tekrar e\u011fitmeye gerek kalmaz.<\/li>\n<li><strong>Geli\u015ftirici Eri\u015fimi:<\/strong> Daha az kaynak gerektirdi\u011finden, \u015firket i\u00e7indeki daha fazla geli\u015ftirici, kendi uygulamalar\u0131 i\u00e7in ki\u015fiselle\u015ftirilmi\u015f modeller \u00fczerinde deney yapabilir ve bunlar\u0131 devreye alabilir.<\/li>\n<\/ul>\n<p>Bu vaka analizi, LoRA’n\u0131n ger\u00e7ek d\u00fcnya senaryolar\u0131nda, \u00f6zellikle \u015firketlerin kendi spesifik ihtiya\u00e7lar\u0131na g\u00f6re b\u00fcy\u00fck dil modellerini ki\u015fiselle\u015ftirmeleri gerekti\u011finde ne kadar de\u011ferli bir ara\u00e7 oldu\u011funu g\u00f6stermektedir. Hem maliyetleri d\u00fc\u015f\u00fcr\u00fcr hem de geli\u015ftirme s\u00fcrecini h\u0131zland\u0131rarak i\u015fletmelere rekabet avantaj\u0131 sa\u011flar.<\/p>\n<h2>Performans \u0130pu\u00e7lar\u0131 ve \u0130leri D\u00fczey LoRA Teknikleri Nelerdir?<\/h2>\n<p>LoRA’n\u0131n temel uygulama ad\u0131mlar\u0131n\u0131 \u00f6\u011frendikten sonra, \u015fimdi modelinizin performans\u0131n\u0131 daha da art\u0131rmak ve kaynak kullan\u0131m\u0131n\u0131 optimize etmek i\u00e7in kullanabilece\u011finiz ileri d\u00fczey ipu\u00e7lar\u0131na ve tekniklere g\u00f6z atal\u0131m. Bu teknikler, \u00f6zellikle daha b\u00fcy\u00fck modellerle \u00e7al\u0131\u015f\u0131rken veya s\u0131n\u0131rl\u0131 donan\u0131m kaynaklar\u0131na sahipken kritik \u00f6neme sahip olabilir.<\/p>\n<h3>1. Quantization (Nicemleme) ile Bellek Optimizasyonu<\/h3>\n<p>Daha \u00f6nce de bahsetti\u011fimiz gibi, 4-bit veya 8-bit nicemleme, modellerin bellek ayak izini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. Bu, daha b\u00fcy\u00fck modelleri daha az GPU belle\u011fiyle \u00e7al\u0131\u015ft\u0131rman\u0131za olanak tan\u0131r. BitsAndBytes k\u00fct\u00fcphanesi bu konuda harikalar yarat\u0131r:<\/p>\n<ul>\n<li><strong>4-bit Quantization (NF4\/FP4):<\/strong> En pop\u00fcler ve en verimli y\u00f6ntemlerden biridir. Model a\u011f\u0131rl\u0131klar\u0131n\u0131 4-bit’e d\u00fc\u015f\u00fcrerek bellek kullan\u0131m\u0131n\u0131 8 kat azalt\u0131r. K\u00fc\u00e7\u00fck bir performans kayb\u0131 ya\u015fanabilir ancak \u00e7o\u011fu durumda kabul edilebilir d\u00fczeydedir.<\/li>\n<li><strong>8-bit Quantization (Int8):<\/strong> Daha az bellek tasarrufu sa\u011flar ancak genellikle 4-bit’e g\u00f6re daha iyi performans sunar.<\/li>\n<\/ul>\n<pre><code>\nfrom transformers import BitsAndBytesConfig\nimport torch\n\nbnb_config = BitsAndBytesConfig(\n load_in_4bit=True, # Modeli 4-bit olarak y\u00fckle\n bnb_4bit_quant_type=\"nf4\", # Nicemleme tipi (NormalFloat 4-bit)\n bnb_4bit_compute_dtype=torch.bfloat16, # Hesaplama s\u0131ras\u0131nda kullan\u0131lacak veri tipi\n bnb_4bit_use_double_quant=True, # \u00c7ift nicemleme ile daha fazla bellek tasarrufu\n)\n# Modeli bu konfig\u00fcrasyon ile y\u00fckleyin\n# model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=bnb_config, device_map=\"auto\")\n<\/code><\/pre>\n<p><code>bnb_4bit_use_double_quant=True<\/code> ayar\u0131, nicemlenmi\u015f sabitlerin de nicemlenmesini sa\u011flayarak ek bir bellek tasarrufu sunar, ancak bu genellikle daha k\u00fc\u00e7\u00fck bir fark yarat\u0131r.<\/p>\n<h3>2. LoRA Parametrelerinin Ayarlanmas\u0131: <code class=\"language-\">r<\/code> ve <code class=\"language-\">alpha<\/code><\/h3>\n<p><code>LoraConfig<\/code> i\u00e7indeki <code>r<\/code> (rank) ve <code>lora_alpha<\/code> parametreleri, LoRA adapt\u00f6rlerinin boyutunu ve \u00f6\u011frenme kapasitesini do\u011frudan etkiler:<\/p>\n<ul>\n<li><strong><code>r<\/code> (Rank):<\/strong> LoRA matrislerinin i\u00e7 boyutunu belirler. Daha y\u00fcksek bir <code>r<\/code> de\u011feri, daha fazla e\u011fitilebilir parametre anlam\u0131na gelir ve modelin daha karma\u015f\u0131k \u00f6r\u00fcnt\u00fcleri \u00f6\u011frenmesine olanak tan\u0131r. Ancak, \u00e7ok y\u00fcksek bir <code>r<\/code> de\u011feri, geleneksel ince ayara yakla\u015f\u0131r ve bellek\/hesaplama maliyetlerini art\u0131r\u0131r. Genellikle 8, 16, 32 veya 64 gibi de\u011ferler kullan\u0131l\u0131r. G\u00f6revinizin karma\u015f\u0131kl\u0131\u011f\u0131na g\u00f6re denemeler yap\u0131n.<\/li>\n<li><strong><code>lora_alpha<\/code>:<\/strong> \u00d6l\u00e7eklendirme fakt\u00f6r\u00fcd\u00fcr. <code>r<\/code> de\u011feri ne kadar b\u00fcy\u00fckse, <code>lora_alpha<\/code> da o kadar b\u00fcy\u00fck olmal\u0131d\u0131r. Genellikle <code>lora_alpha = 2 * r<\/code> veya <code>lora_alpha = r<\/code> gibi oranlar kullan\u0131l\u0131r. Bu, LoRA katmanlar\u0131n\u0131n \u00e7\u0131kt\u0131lar\u0131n\u0131n ne kadar etkili olaca\u011f\u0131n\u0131 kontrol eder. Daha y\u00fcksek bir <code>lora_alpha<\/code>, LoRA adapt\u00f6rlerinin temel model \u00fczerinde daha fazla etkiye sahip olmas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ul>\n<div class=\"expert-tip\">\n <strong>Uzman \u0130pucu:<\/strong> Genellikle k\u00fc\u00e7\u00fck veri setleri ve basit g\u00f6revler i\u00e7in d\u00fc\u015f\u00fck <code>r<\/code> (\u00f6rn. 8-16) yeterli olurken, daha b\u00fcy\u00fck veri setleri ve karma\u015f\u0131k g\u00f6revler i\u00e7in <code>r<\/code> de\u011ferini 32 veya 64’e \u00e7\u0131karmak daha iyi sonu\u00e7lar verebilir. <code>lora_alpha<\/code>‘y\u0131 <code>r<\/code>‘ye e\u015fit veya ondan iki kat b\u00fcy\u00fck tutmak iyi bir ba\u015flang\u0131\u00e7 noktas\u0131d\u0131r.\n<\/div>\n<h3>3. \u00d6\u011frenme Oran\u0131 Zamanlay\u0131c\u0131lar\u0131 (Learning Rate Schedulers)<\/h3>\n<p>E\u011fitim s\u0131ras\u0131nda \u00f6\u011frenme oran\u0131n\u0131 dinamik olarak de\u011fi\u015ftirmek, modelin daha iyi yak\u0131nsamas\u0131na yard\u0131mc\u0131 olabilir. <code>TrainingArguments<\/code> i\u00e7inde <code>lr_scheduler_type<\/code> parametresi ile farkl\u0131 zamanlay\u0131c\u0131lar se\u00e7ebilirsiniz:<\/p>\n<ul>\n<li><strong>“cosine”:<\/strong> \u00d6\u011frenme oran\u0131n\u0131 kosin\u00fcs e\u011frisi boyunca azalt\u0131r. Genellikle iyi performans g\u00f6sterir.<\/li>\n<li><strong>“linear”:<\/strong> \u00d6\u011frenme oran\u0131n\u0131 do\u011frusal olarak azalt\u0131r.<\/li>\n<li><strong>“constant”:<\/strong> \u00d6\u011frenme oran\u0131n\u0131 sabit tutar.<\/li>\n<li><strong>“warmup_ratio”:<\/strong> E\u011fitim ba\u015f\u0131nda \u00f6\u011frenme oran\u0131n\u0131 yava\u015f\u00e7a art\u0131r\u0131r (warmup), ard\u0131ndan se\u00e7ilen zamanlay\u0131c\u0131ya g\u00f6re azalt\u0131r. Bu, modelin ba\u015flang\u0131\u00e7ta daha stabil \u00f6\u011frenmesine yard\u0131mc\u0131 olur.<\/li>\n<\/ul>\n<pre><code>\ntraining_arguments = TrainingArguments(\n # ... di\u011fer arg\u00fcmanlar ...\n learning_rate=2e-4,\n lr_scheduler_type=\"cosine\",\n warmup_ratio=0.03, # \u0130lk %3'l\u00fck ad\u0131mda \u00f6\u011frenme oran\u0131n\u0131 art\u0131r\n)\n<\/code><\/pre>\n<h3>4. \u00c7oklu LoRA Adapt\u00f6rleri ve Birle\u015ftirme<\/h3>\n<p>Tek bir temel model \u00fczerinde birden fazla LoRA adapt\u00f6r\u00fc e\u011fitebilirsiniz. Her adapt\u00f6r farkl\u0131 bir g\u00f6rev veya veri seti i\u00e7in optimize edilebilir. \u00c7\u0131kar\u0131m s\u0131ras\u0131nda, istedi\u011finiz adapt\u00f6r\u00fc y\u00fckleyip kullanabilirsiniz:<\/p>\n<pre><code>\nfrom peft import PeftModel, PeftConfig\n\n# Temel modeli y\u00fckle\nbase_model = AutoModelForCausalLM.from_pretrained(model_name, quantization_config=bnb_config, device_map=\"auto\")\n\n# E\u011fitilmi\u015f LoRA adapt\u00f6r\u00fcn\u00fc y\u00fckle\nlora_model = PeftModel.from_pretrained(base_model, \".\/lora_model_task1\")\n\n# Ba\u015fka bir LoRA adapt\u00f6r\u00fcn\u00fc y\u00fckle\n# lora_model_task2 = PeftModel.from_pretrained(base_model, \".\/lora_model_task2\")\n<\/code><\/pre>\n<p>E\u011fer LoRA adapt\u00f6r\u00fcn\u00fc temel modelle kal\u0131c\u0131 olarak birle\u015ftirmek isterseniz, <code>merge_and_unload()<\/code> fonksiyonunu kullanabilirsiniz. Bu, \u00e7\u0131kar\u0131m h\u0131z\u0131n\u0131 hafif\u00e7e art\u0131rabilir ve tek bir model dosyas\u0131 olu\u015fturman\u0131z\u0131 sa\u011flar.<\/p>\n<pre><code>\nmerged_model = lora_model.merge_and_unload()\nmerged_model.save_pretrained(\".\/merged_model_task1\")\ntokenizer.save_pretrained(\".\/merged_model_task1\")\n<\/code><\/pre>\n<h3>5. LoRA’n\u0131n Uygulanaca\u011f\u0131 Katmanlar\u0131n Se\u00e7imi (<code class=\"language-\">target_modules<\/code>)<\/h3>\n<p><code>LoraConfig<\/code> i\u00e7indeki <code>target_modules<\/code> parametresi, LoRA adapt\u00f6rlerinin hangi katmanlara eklenece\u011fini belirler. Genellikle dikkat mekanizmalar\u0131ndaki lineer katmanlar (<code>q_proj<\/code>, <code>k_proj<\/code>, <code>v_proj<\/code>, <code>o_proj<\/code>) hedef al\u0131n\u0131r. Ancak, baz\u0131 modellerde MLP katmanlar\u0131na (<code>gate_proj<\/code>, <code>up_proj<\/code>, <code>down_proj<\/code>) veya hatta \u00e7\u0131kt\u0131 katman\u0131na (<code>lm_head<\/code>) LoRA eklemek performans\u0131 art\u0131rabilir. Modelinizin mimarisini inceleyerek en uygun katmanlar\u0131 se\u00e7meniz \u00f6nemlidir.<\/p>\n<pre><code>\npeft_config = LoraConfig(\n # ...\n target_modules=[\n \"q_proj\",\n \"k_proj\",\n \"v_proj\",\n \"o_proj\",\n \"gate_proj\", # MLP katman\u0131\n \"up_proj\", # MLP katman\u0131\n \"down_proj\", # MLP katman\u0131\n # \"lm_head\", # \u00c7\u0131kt\u0131 katman\u0131 (bazen faydal\u0131 olabilir)\n ]\n)\n<\/code><\/pre>\n<p>Bu ileri d\u00fczey teknikler ve ipu\u00e7lar\u0131, LoRA ile ince ayar yaparken modelinizin performans\u0131n\u0131 optimize etmenize ve mevcut kaynaklar\u0131n\u0131z\u0131 en verimli \u015fekilde kullanman\u0131za yard\u0131mc\u0131 olacakt\u0131r. Her zaman oldu\u011fu gibi, en iyi sonu\u00e7lar i\u00e7in kendi veri setiniz ve modeliniz \u00fczerinde farkl\u0131 konfig\u00fcrasyonlarla denemeler yapmaktan \u00e7ekinmeyin.<\/p>\n<h2>Mobil Cihazlarda LoRA Modellerini Kullanmak M\u00fcmk\u00fcn m\u00fcd\u00fcr?<\/h2>\n<p>B\u00fcy\u00fck dil modellerinin mobil cihazlarda do\u011frudan \u00e7al\u0131\u015ft\u0131r\u0131lmas\u0131, bellek, i\u015flem g\u00fcc\u00fc ve batarya \u00f6mr\u00fc k\u0131s\u0131tlamalar\u0131 nedeniyle geleneksel olarak zorlu bir g\u00f6rev olmu\u015ftur. Ancak LoRA gibi parametre-verimli ince ayar teknikleri ve model nicemleme (quantization) y\u00f6ntemleri sayesinde, bu alanda \u00f6nemli ilerlemeler kaydedilmi\u015ftir.<\/p>\n<h3>Mobil Uyumluluk ve \u00c7\u0131kar\u0131m (Inference) H\u0131z\u0131<\/h3>\n<p>LoRA’n\u0131n mobil cihazlarda kullan\u0131labilirli\u011fini art\u0131ran ba\u015fl\u0131ca fakt\u00f6rler \u015funlard\u0131r:<\/p>\n<ol>\n<li><strong>K\u00fc\u00e7\u00fck Adapt\u00f6r Boyutu:<\/strong> LoRA ile e\u011fitilen adapt\u00f6rler, temel modelin tamam\u0131na k\u0131yasla \u00e7ok k\u00fc\u00e7\u00fckt\u00fcr (genellikle megabayt d\u00fczeyinde). Bu, mobil cihazlara kolayca indirilebilir ve depolanabilir olmalar\u0131n\u0131 sa\u011flar. Temel modelin kendisi hala b\u00fcy\u00fck olabilir, ancak cihazda yaln\u0131zca temel modelin nicemlenmi\u015f versiyonu ve LoRA adapt\u00f6r\u00fc tutulur.<\/li>\n<li><strong>Bellek Optimizasyonu:<\/strong> 4-bit veya 8-bit nicemleme teknikleri, temel modelin bellek ayak izini drastik \u015fekilde azalt\u0131r. Bu, mobil cihazlar\u0131n s\u0131n\u0131rl\u0131 RAM’inde bile b\u00fcy\u00fck modellerin (nicemlenmi\u015f halleriyle) y\u00fcklenebilmesini m\u00fcmk\u00fcn k\u0131lar.<\/li>\n<li><strong>H\u0131zl\u0131 \u00c7\u0131kar\u0131m:<\/strong> LoRA adapt\u00f6rleri, \u00e7\u0131kar\u0131m s\u0131ras\u0131nda orijinal model a\u011f\u0131rl\u0131klar\u0131yla birle\u015ftirildi\u011finde (<code>merge_and_unload()<\/code>), ek bir hesaplama y\u00fck\u00fc getirmezler. Bu, modelin \u00e7\u0131kar\u0131m h\u0131z\u0131n\u0131n (yani bir yan\u0131t \u00fcretme s\u00fcresinin) temel modelin nicemlenmi\u015f versiyonuyla ayn\u0131 olmas\u0131n\u0131 sa\u011flar. Baz\u0131 durumlarda, dinamik birle\u015ftirme (e\u011fitim s\u0131ras\u0131nda oldu\u011fu gibi) ek k\u00fc\u00e7\u00fck bir gecikmeye neden olabilir, ancak bu genellikle ihmal edilebilir d\u00fczeydedir.<\/li>\n<li><strong>\u00d6zel Donan\u0131m H\u0131zland\u0131rma:<\/strong> Yeni nesil mobil i\u015flemciler (\u00f6rne\u011fin Apple’\u0131n Neural Engine’i, Qualcomm’un AI Engine’i), yapay zeka \u00e7\u0131kar\u0131m\u0131 i\u00e7in \u00f6zel donan\u0131m h\u0131zland\u0131rma birimleri i\u00e7erir. Bu birimler, nicemlenmi\u015f modellerin \u00e7ok daha verimli \u00e7al\u0131\u015fmas\u0131n\u0131 sa\u011flar.<\/li>\n<\/ol>\n<p>\u00d6zetle, LoRA ile ince ayar yap\u0131lm\u0131\u015f ve nicemlenmi\u015f bir b\u00fcy\u00fck dil modeli, do\u011frudan mobil cihaz \u00fczerinde veya bir kenar bili\u015fim (edge computing) sunucusunda \u00e7al\u0131\u015ft\u0131r\u0131labilir. Bu, \u00f6zellikle d\u00fc\u015f\u00fck gecikme s\u00fcresi gerektiren, \u00e7evrimd\u0131\u015f\u0131 \u00e7al\u0131\u015fabilen veya veri gizlili\u011finin \u00f6nemli oldu\u011fu uygulamalar i\u00e7in b\u00fcy\u00fck avantajlar sunar.<\/p>\n<h3>Mobil Uyumlu HTML ve CSS \u00d6rnekleri<\/h3>\n<p>Mobil cihazlarda LoRA modellerini kullanan bir web uygulamas\u0131 geli\u015ftirirken, kullan\u0131c\u0131 aray\u00fcz\u00fcn\u00fcn (UI) de mobil uyumlu olmas\u0131 esast\u0131r. Responsive tasar\u0131m, farkl\u0131 ekran boyutlar\u0131na ve y\u00f6nelimlerine uyum sa\u011flayarak kullan\u0131c\u0131 deneyimini iyile\u015ftirir. \u0130\u015fte basit bir CSS media query \u00f6rne\u011fi:<\/p>\n<pre><code>\n\/* Genel stil tan\u0131mlamalar\u0131 *\/\nbody {\n font-family: Arial, sans-serif;\n margin: 0;\n padding: 0;\n background-color: #f4f4f4;\n color: #333;\n}\n\n.container {\n max-width: 1200px;\n margin: 20px auto;\n padding: 20px;\n background-color: #fff;\n border-radius: 8px;\n box-shadow: 0 2px 4px rgba(0, 0, 0, 0.1);\n}\n\n.chat-input {\n width: 100%;\n padding: 10px;\n border: 1px solid #ddd;\n border-radius: 4px;\n box-sizing: border-box; \/* Padding'in geni\u015fli\u011fi etkilemesini engeller *\/\n}\n\n\/* Mobil cihazlar i\u00e7in \u00f6zel stiller (\u00f6rne\u011fin, ekran geni\u015fli\u011fi 768px'den k\u00fc\u00e7\u00fckse) *\/\n@media (max-width: 768px) {\n .container {\n margin: 10px;\n padding: 15px;\n }\n\n h2 {\n font-size: 1.5em;\n }\n\n .chat-input {\n padding: 8px;\n }\n \n \/* \u00d6rne\u011fin, mobil cihazlarda yan men\u00fcy\u00fc gizle *\/\n .sidebar {\n display: none;\n }\n}\n\n\/* Daha k\u00fc\u00e7\u00fck telefon ekranlar\u0131 i\u00e7in (\u00f6rne\u011fin, 480px'den k\u00fc\u00e7\u00fckse) *\/\n@media (max-width: 480px) {\n .container {\n margin: 5px;\n padding: 10px;\n }\n\n h2 {\n font-size: 1.2em;\n }\n}\n<\/code><\/pre>\n<p>Bu CSS kodu, ekran geni\u015fli\u011fine g\u00f6re <code>.container<\/code> ve <code>.chat-input<\/code> gibi elementlerin stilini ayarlayarak uygulaman\u0131n mobil cihazlarda daha iyi g\u00f6r\u00fcnmesini sa\u011flar. Bu t\u00fcr responsive tasar\u0131m prensipleri, LoRA destekli mobil uygulamalar\u0131n kullan\u0131c\u0131 dostu olmas\u0131nda \u00f6nemli bir rol oynar.<\/p>\n<h2>Sonu\u00e7 ve S\u0131k\u00e7a Sorulan Sorular<\/h2>\n<p>Bu makalede, b\u00fcy\u00fck dil modellerinin (LLM) ince ayar s\u00fcre\u00e7lerinin zorluklar\u0131ndan ba\u015flayarak, LoRA (Low-Rank Adaptation) tekni\u011finin bu zorluklara nas\u0131l yenilik\u00e7i bir \u00e7\u00f6z\u00fcm sundu\u011funu detayl\u0131 bir \u015fekilde inceledik. LoRA’n\u0131n parametre verimlili\u011fi sayesinde, \u00f6zel veri setleriyle ki\u015fiselle\u015ftirilmi\u015f LLM’leri \u00e7ok daha az hesaplama g\u00fcc\u00fc, bellek ve zaman harcayarak e\u011fitebilece\u011fimizi g\u00f6rd\u00fck. \u00d6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ad\u0131m ad\u0131m uygulama rehberine, vaka analizlerinden ileri d\u00fczey optimizasyon tekniklerine kadar geni\u015f bir yelpazede LoRA’n\u0131n g\u00fcc\u00fcn\u00fc ve esnekli\u011fini ele ald\u0131k. \u00d6zellikle mobil cihazlarda dahi LoRA ile ince ayarl\u0131 modellerin kullan\u0131labilirli\u011fi, bu teknolojinin eri\u015filebilirli\u011fini ve uygulama potansiyelini bir kez daha ortaya koymaktad\u0131r.<\/p>\n<p>LoRA, yapay zeka d\u00fcnyas\u0131nda, \u00f6zellikle ki\u015fiselle\u015ftirilmi\u015f ve ni\u015f uygulamalar geli\u015ftirmek isteyenler i\u00e7in vazge\u00e7ilmez bir ara\u00e7 haline gelmi\u015ftir. Geli\u015ftiricilerin daha az kaynakla daha fazla deney yapmas\u0131na olanak tan\u0131yarak, yapay zeka inovasyonunu demokratikle\u015ftirmektedir. Gelecekte, LoRA ve benzeri PEFT tekniklerinin daha da geli\u015ferek, daha karma\u015f\u0131k g\u00f6revlerde ve daha \u00e7e\u015fitli donan\u0131m ortamlar\u0131nda yayg\u0131nla\u015fmas\u0131n\u0131 bekleyebiliriz.<\/p>\n<h3>S\u0131k\u00e7a Sorulan Sorular<\/h3>\n<ol>\n<li>\n <strong>LoRA, t\u00fcm ince ayar senaryolar\u0131 i\u00e7in en iyi \u00e7\u00f6z\u00fcm m\u00fcd\u00fcr?<\/strong><\/p>\n<p>LoRA, \u00e7o\u011fu senaryo i\u00e7in harika bir parametre-verimli \u00e7\u00f6z\u00fcm olsa da, her zaman en iyi \u00e7\u00f6z\u00fcm olmayabilir. \u00c7ok k\u00fc\u00e7\u00fck ve spesifik g\u00f6revler i\u00e7in tam ince ayar, bazen daha y\u00fcksek performans sunabilir. Ancak, maliyet, bellek ve zaman k\u0131s\u0131tlamalar\u0131 olan durumlarda LoRA genellikle \u00fcst\u00fcn bir se\u00e7enektir.<\/p>\n<\/li>\n<li>\n <strong>LoRA ile e\u011fitilmi\u015f bir modeli nas\u0131l da\u011f\u0131tabilirim?<\/strong><\/p>\n<p>LoRA ile e\u011fitilmi\u015f bir modeli da\u011f\u0131tman\u0131n iki ana yolu vard\u0131r:<\/p>\n<ol>\n<li>Temel modeli nicemlenmi\u015f haliyle ve LoRA adapt\u00f6r\u00fcn\u00fc ayr\u0131 ayr\u0131 da\u011f\u0131t\u0131p, \u00e7\u0131kar\u0131m s\u0131ras\u0131nda birle\u015ftirme. Bu, farkl\u0131 adapt\u00f6rleri kolayca de\u011fi\u015ftirmenize olanak tan\u0131r.<\/li>\n<li>LoRA adapt\u00f6r\u00fcn\u00fc temel modelle kal\u0131c\u0131 olarak birle\u015ftirip (<code>merge_and_unload()<\/code>) tek bir birle\u015fik model olarak da\u011f\u0131tma. Bu, genellikle daha basit bir da\u011f\u0131t\u0131m s\u00fcreci sunar.<\/li>\n<\/ol>\n<\/li>\n<li>\n <strong>LoRA’n\u0131n performans\u0131n\u0131 etkileyen en \u00f6nemli fakt\u00f6rler nelerdir?<\/strong><\/p>\n<p>LoRA’n\u0131n performans\u0131n\u0131 etkileyen en \u00f6nemli fakt\u00f6rler \u015funlard\u0131r: \u00f6zel veri setinin kalitesi ve boyutu, temel modelin g\u00fcc\u00fc, <code>r<\/code> ve <code>lora_alpha<\/code> gibi LoRA hiperparametreleri, \u00f6\u011frenme oran\u0131 ve \u00f6\u011frenme oran\u0131 zamanlay\u0131c\u0131s\u0131 gibi e\u011fitim hiperparametreleri ve LoRA’n\u0131n uyguland\u0131\u011f\u0131 katmanlar\u0131n se\u00e7imi.<\/p>\n<\/li>\n<li>\n <strong>LoRA, farkl\u0131 dillerdeki modellerle de \u00e7al\u0131\u015f\u0131r m\u0131?<\/strong><\/p>\n<p>Evet, LoRA dil agnostic bir tekniktir. E\u011fer temel model belirli bir dilde (\u00f6rne\u011fin T\u00fcrk\u00e7e) iyi e\u011fitilmi\u015fse, LoRA’y\u0131 kullanarak o modelin T\u00fcrk\u00e7e \u00f6zel veri setleriyle ince ayar\u0131n\u0131 yapabilirsiniz. \u00d6nemli olan, temel modelin ve veri setinin uyumlu olmas\u0131d\u0131r.<\/p>\n<\/li>\n<\/ol>\n<p><\/body><\/p>\n","protected":false},"excerpt":{"rendered":"\u00d6zel Veri ile LoRA: Parametre Verimli \u0130nce Ayar Rehberi B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi…","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-37498","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n<title>B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?<\/title>\n<meta name=\"description\" content=\"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?\" \/>\n<meta property=\"og:description\" content=\"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2026-01-06T13:22:23+00:00\" \/>\n<meta name=\"author\" content=\"Fatih Soysal\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Yazan:\" \/>\n\t<meta name=\"twitter:data1\" content=\"Fatih Soysal\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tahmini okuma s\u00fcresi\" \/>\n\t<meta name=\"twitter:data2\" content=\"32 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?\",\"datePublished\":\"2026-01-06T13:22:23+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\"},\"wordCount\":4937,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#respond\"]}],\"copyrightYear\":\"2026\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\",\"name\":\"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2026-01-06T13:22:23+00:00\",\"description\":\"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/\",\"name\":\"Fatihsoysal.com\",\"description\":\"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim\",\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"tr\"},{\"@type\":[\"Person\",\"Organization\"],\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\",\"name\":\"Fatih Soysal\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"tr\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"contentUrl\":\"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png\",\"width\":512,\"height\":512,\"caption\":\"Fatih Soysal\"},\"logo\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/\"},\"description\":\"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/\"}]}<\/script>\n","yoast_head_json":{"title":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?","description":"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/","og_locale":"tr_TR","og_type":"article","og_title":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?","og_description":"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.","og_url":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2026-01-06T13:22:23+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"32 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?","datePublished":"2026-01-06T13:22:23+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/"},"wordCount":4937,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#respond"]}],"copyrightYear":"2026","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/","url":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/","name":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2026-01-06T13:22:23+00:00","description":"B\u00fcy\u00fck dil modellerini (LLM) \u00f6zel veri setlerinizle ki\u015fiselle\u015ftirmek mi istiyorsunuz ancak y\u00fcksek maliyetler ve kaynak gereksinimleri g\u00f6z\u00fcn\u00fcz\u00fc m\u00fc korkutuyor? LoRA (Low-Rank Adaptation) tekni\u011fi, bu zorluklar\u0131n \u00fcstesinden gelerek modellerinizi verimli bir \u015fekilde ince ayarlaman\u0131za olanak tan\u0131r. Bu rehberde, LoRA'n\u0131n temel prensiplerinden ad\u0131m ad\u0131m uygulamas\u0131na, \u00f6zel veri seti haz\u0131rl\u0131\u011f\u0131ndan ileri d\u00fczey ipu\u00e7lar\u0131na kadar her \u015feyi bulacaks\u0131n\u0131z.","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?"}]},{"@type":"WebSite","@id":"https:\/\/fatihsoysal.com\/blog\/#website","url":"https:\/\/fatihsoysal.com\/blog\/","name":"Fatihsoysal.com","description":"Blog - Yaz\u0131l\u0131m D\u00fcnyas\u0131 Tecr\u00fcbelerim","publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fatihsoysal.com\/blog\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"tr"},{"@type":["Person","Organization"],"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1","name":"Fatih Soysal","image":{"@type":"ImageObject","inLanguage":"tr","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/","url":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","contentUrl":"https:\/\/fatihsoysal.com\/blog\/wp-content\/uploads\/2024\/04\/cropped-replicate-prediction-3kgg1hgjn5rgp0cf0p5tr0jw7w-1.png","width":512,"height":512,"caption":"Fatih Soysal"},"logo":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/image\/"},"description":"Kullan\u0131m ve kodlama m\u00fckemmeliyetini odak alan uygulamalar olu\u015fturma deneyimine sahip, profesyonel olarak 15+ y\u0131l \u00fczeri deneyime sahip bir yaz\u0131l\u0131m m\u00fchendisi.","url":"https:\/\/fatihsoysal.com\/blog\/author\/fatihsoysal\/"}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/37498","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/comments?post=37498"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/37498\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=37498"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=37498"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=37498"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

{"id":37498,"date":"2026-01-06T16:22:23","date_gmt":"2026-01-06T13:22:23","guid":{"rendered":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/"},"modified":"2026-01-06T16:22:23","modified_gmt":"2026-01-06T13:22:23","slug":"buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir","status":"publish","type":"post","link":"https:\/\/fatihsoysal.com\/blog\/buyuk-dil-modellerini-ince-ayar-neden-zorlu-bir-surectir\/","title":{"rendered":"B\u00fcy\u00fck Dil Modellerini \u0130nce Ayar Neden Zorlu Bir S\u00fcre\u00e7tir?"},"content":{"rendered":"