B\u00fcy\u00fck Dil Modelleri (LLM’ler), son y\u0131llar\u0131n en dikkat \u00e7ekici teknolojik geli\u015fmelerinden biri olarak kar\u015f\u0131m\u0131za \u00e7\u0131k\u0131yor. Temel olarak bir sonraki kelimeyi tahmin etme prensibiyle \u00e7al\u0131\u015fan bu modeller, ham halleriyle sadece metin \u00fcretebilirler. Ancak ger\u00e7ek d\u00fcnyadaki uygulamalarda, kullan\u0131c\u0131lardan gelen karma\u015f\u0131k talimatlar\u0131 anlay\u0131p bunlara uygun, yard\u0131mc\u0131 ve ba\u011flamsal olarak do\u011fru yan\u0131tlar verebilen “asistan” yeteneklerine ihtiya\u00e7 duyar\u0131z. \u0130\u015fte bu d\u00f6n\u00fc\u015f\u00fcm\u00fc sa\u011flayan kritik ad\u0131m: Y\u00f6nerge Ayarlama (Instruction Tuning). Bu makalede, bir LLM’i s\u0131f\u0131rdan in\u015fa etme yolculu\u011fumuzun yedinci oturumu olan bu \u00f6nemli a\u015famay\u0131, metin \u00fcreticiden ak\u0131ll\u0131 bir asistana ge\u00e7i\u015fi detaylar\u0131yla inceleyece\u011fiz.<\/p>\n
Bir LLM’i s\u0131f\u0131rdan olu\u015fturma s\u00fcrecinde, genellikle ilk a\u015fama geni\u015f bir metin korpusu \u00fczerinde \u00f6n e\u011fitim (pre-training) yapmakt\u0131r. Bu e\u011fitim, modelin dilin yap\u0131s\u0131n\u0131, gramerini ve genel d\u00fcnya bilgisini \u00f6\u011frenmesini sa\u011flar. Ancak bu ham model, belirli bir g\u00f6revi yerine getirme veya bir kullan\u0131c\u0131n\u0131n talimat\u0131n\u0131 anlama konusunda s\u0131n\u0131rl\u0131d\u0131r.<\/p>\n
\u00d6nceden e\u011fitilmi\u015f bir LLM, “Bana T\u00fcrkiye’nin ba\u015fkentini s\u00f6yle.” gibi basit bir soruyu do\u011frudan yan\u0131tlamak yerine, genellikle soruyu tamamlay\u0131c\u0131 veya konuyla ilgili rastgele metinler \u00fcretme e\u011filimindedir. Bunun nedeni, modelin amac\u0131n\u0131n sadece *olas\u0131* bir sonraki kelimeyi tahmin etmek olmas\u0131d\u0131r. Bir sohbet robotu veya ak\u0131ll\u0131 asistan gibi davranmak i\u00e7in \u00f6zel olarak e\u011fitilmemi\u015ftir. Bu durum, modelin “yard\u0131mc\u0131” veya “uyumlu” olmaktan uzak kalmas\u0131na neden olur.<\/p>\n
G\u00fcn\u00fcm\u00fcz kullan\u0131c\u0131lar\u0131, ChatGPT, Gemini gibi modellerden al\u0131\u015f\u0131k oldu\u011fu \u00fczere, LLM’lerden sadece metin \u00fcretmelerini de\u011fil, ayn\u0131 zamanda talimatlar\u0131 anlamalar\u0131n\u0131, sorular\u0131 yan\u0131tlamalar\u0131n\u0131, \u00f6zetler \u00e7\u0131karmalar\u0131n\u0131, kod yazmalar\u0131n\u0131 ve hatta yarat\u0131c\u0131 i\u00e7erikler \u00fcretmelerini beklerler. Bu beklentileri kar\u015f\u0131layabilmek i\u00e7in modelin, belirli bir y\u00f6nergeyi (instruction) takip etme ve buna uygun bir \u00e7\u0131kt\u0131 (response) \u00fcretme yetene\u011fi kazanmas\u0131 gerekir. Bu da bizi y\u00f6nerge ayarlamaya g\u00f6t\u00fcr\u00fcr.<\/p>\n
Y\u00f6nerge ayarlama, bir LLM’in genel dil anlama ve \u00fcretme yeteneklerini korurken, belirli bir dizi talimat\u0131 anlama ve bunlara uygun \u015fekilde yan\u0131t verme becerisini geli\u015ftiren kritik bir ad\u0131md\u0131r. Bu s\u00fcre\u00e7, modelin sadece “ne s\u00f6ylenece\u011fini” de\u011fil, ayn\u0131 zamanda “nas\u0131l s\u00f6ylenece\u011fini” ve “ne zaman s\u00f6ylenece\u011fini” \u00f6\u011frenmesini sa\u011flar. Bu sayede, model daha i\u015flevsel, kullan\u0131c\u0131 dostu ve g\u00fcvenilir bir asistana d\u00f6n\u00fc\u015f\u00fcr.<\/p>\n
Y\u00f6nerge ayarlama, bir \u00f6nceden e\u011fitilmi\u015f B\u00fcy\u00fck Dil Modelini, belirli talimatlara yan\u0131t verecek \u015fekilde daha da e\u011fitme s\u00fcrecidir. Bu s\u00fcre\u00e7te model, “y\u00f6nerge-yan\u0131t” \u00e7iftlerinden olu\u015fan \u00f6zel olarak haz\u0131rlanm\u0131\u015f bir veri seti \u00fczerinde ince ayar (fine-tuning) yapar.<\/p>\n
Y\u00f6nerge ayarlaman\u0131n temel amac\u0131, LLM’i belirli bir talimat verildi\u011finde, bu talimat\u0131 do\u011fru bir \u015fekilde yorumlay\u0131p, istenen formatta ve i\u00e7erikte bir yan\u0131t \u00fcretmeye y\u00f6nlendirmektir. \u00d6rne\u011fin, “Bu metni \u00f6zetle: [metin]” talimat\u0131na kar\u015f\u0131l\u0131k, modelin metni \u00f6zetlemesi beklenir. Ya da “Bana bir \u015fiir yaz.” talimat\u0131na, yarat\u0131c\u0131 bir \u015fiirle yan\u0131t vermesi. Bu sayede model, \u00e7ok \u00e7e\u015fitli g\u00f6revleri yerine getirebilen \u00e7ok y\u00f6nl\u00fc bir asistana d\u00f6n\u00fc\u015f\u00fcr.<\/p>\n
Y\u00f6nerge ayarlama, s\u00fcpervizyonlu ince ayar\u0131n (Supervised Fine-Tuning – SFT) \u00f6zel bir t\u00fcr\u00fcd\u00fcr. SFT genel olarak, modelin belirli bir g\u00f6revde (\u00f6rne\u011fin s\u0131n\u0131fland\u0131rma, \u00e7eviri) performans\u0131n\u0131 art\u0131rmak i\u00e7in etiketlenmi\u015f veri \u00fczerinde e\u011fitilmesidir. Y\u00f6nerge ayarlamada ise g\u00f6rev, kullan\u0131c\u0131n\u0131n verdi\u011fi talimat\u0131 takip etmek ve buna uygun bir yan\u0131t \u00fcretmektir. Dolay\u0131s\u0131yla, y\u00f6nerge ayarlama, SFT’nin daha geni\u015f bir yelpazede “talimat takip etme” g\u00f6revini kapsayan bir uygulamas\u0131d\u0131r.<\/p>\n
Y\u00f6nerge ayarlama i\u00e7in kullan\u0131lan veri setleri genellikle a\u015fa\u011f\u0131daki gibi bir formatta d\u00fczenlenir:<\/p>\n
[\n {\n \"instruction\": \"Bana \u0130stanbul hakk\u0131nda 3 ilgin\u00e7 bilgi ver.\",\n \"response\": \"Elbette! \u0130\u015fte \u0130stanbul hakk\u0131nda 3 ilgin\u00e7 bilgi:\\n1. \u0130stanbul, iki k\u0131tay\u0131 (Avrupa ve Asya) birbirine ba\u011flayan tek \u015fehirdir.\\n2. Tarihi boyunca Roma, Bizans ve Osmanl\u0131 \u0130mparatorluklar\u0131na ba\u015fkentlik yapm\u0131\u015ft\u0131r.\\n3. D\u00fcnyan\u0131n en eski ve en b\u00fcy\u00fck kapal\u0131 \u00e7ar\u015f\u0131lar\u0131ndan biri olan Kapal\u0131\u00e7ar\u015f\u0131'ya ev sahipli\u011fi yapar.\"\n },\n {\n \"instruction\": \"A\u015fa\u011f\u0131daki c\u00fcmleyi T\u00fcrk\u00e7e'ye \u00e7evir: 'The quick brown fox jumps over the lazy dog.'\",\n \"response\": \"'H\u0131zl\u0131 kahverengi tilki tembel k\u00f6pe\u011fin \u00fczerinden atlar.'\"\n },\n {\n \"instruction\": \"5 maddelik bir yap\u0131lacaklar listesi olu\u015ftur.\",\n \"response\": \"\u0130\u015fte 5 maddelik bir yap\u0131lacaklar listesi:\\n1. E-postalar\u0131 kontrol et ve yan\u0131tla.\\n2. Toplant\u0131 notlar\u0131n\u0131 d\u00fczenle.\\n3. Proje raporunu tamamla.\\n4. Yeni makale i\u00e7in ara\u015ft\u0131rma yap.\\n5. Spor salonuna git.\"\n }\n]<\/pre>\n<\/code>
\nBu format, modelin belirli bir instruction<\/code> verildi\u011finde nas\u0131l bir response<\/code> \u00fcretmesi gerekti\u011fini \u00f6\u011frenmesini sa\u011flar. Baz\u0131 veri setleri, ba\u011flam (context) veya sistem mesajlar\u0131 gibi ek alanlar da i\u00e7erebilir.<\/p>\nY\u00f6nerge Ayarlama Veri Setlerinin Olu\u015fturulmas\u0131<\/h2>\n
Y\u00f6nerge ayarlaman\u0131n ba\u015far\u0131s\u0131, b\u00fcy\u00fck \u00f6l\u00e7\u00fcde kullan\u0131lan veri setinin kalitesine, \u00e7e\u015fitlili\u011fine ve kapsam\u0131na ba\u011fl\u0131d\u0131r. Kaliteli veri, modelin farkl\u0131 talimatlar\u0131 do\u011fru bir \u015fekilde yorumlamas\u0131n\u0131 ve uygun yan\u0131tlar \u00fcretmesini sa\u011flar.<\/p>\n
Kaliteli Verinin \u00d6nemi<\/h3>\n
D\u00fc\u015f\u00fck kaliteli veya yetersiz veri, modelin istenmeyen davran\u0131\u015flar sergilemesine, tutars\u0131z yan\u0131tlar vermesine veya belirli \u00f6nyarg\u0131lar\u0131 \u00f6\u011frenmesine neden olabilir. Bu nedenle, veri setinin do\u011fru, \u00e7e\u015fitli, a\u00e7\u0131k ve \u00f6nyarg\u0131s\u0131z olmas\u0131 hayati \u00f6nem ta\u015f\u0131r. Yan\u0131tlar\u0131n dilbilgisi a\u00e7\u0131s\u0131ndan do\u011fru, ba\u011flamsal olarak uygun ve kullan\u0131c\u0131n\u0131n beklentilerini kar\u015f\u0131layacak nitelikte olmas\u0131 gerekir.<\/p>\n
\u00c7e\u015fitli Kaynaklardan Veri Toplama<\/h3>\n
Y\u00f6nerge ayarlama veri setleri \u00e7e\u015fitli yollarla olu\u015fturulabilir:<\/p>\n
1. \u0130nsan K\u00fcrat\u00f6rl\u00fc Veri (Human-Curated Data):<\/strong> Uzmanlar veya etiketleyiciler taraf\u0131ndan manuel olarak olu\u015fturulan y\u00f6nerge-yan\u0131t \u00e7iftleridir. Bu y\u00f6ntem y\u00fcksek kaliteli veri sa\u011flar ancak maliyetli ve zaman al\u0131c\u0131d\u0131r. \u00d6rne\u011fin, OpenAI'nin InstructGPT modeli i\u00e7in kullan\u0131lan veri setleri bu kategoriye girer.
\n2. Sentetik Veri (Synthetic Data):<\/strong> Mevcut bir LLM'in kendisinden veya ba\u015fka bir g\u00fc\u00e7l\u00fc LLM'den talimat-yan\u0131t \u00e7iftleri \u00fcretmesi istenerek olu\u015fturulan veridir. \"Self-Instruct\" gibi teknikler bu kategoriye girer. Bu y\u00f6ntem, b\u00fcy\u00fck miktarda veri \u00fcretmeyi h\u0131zland\u0131r\u0131r ancak \u00fcretilen verinin kalitesi dikkatle denetlenmelidir.
\n3. Mevcut Benchmark'lar ve Halk A\u00e7\u0131k Veri Setleri:<\/strong> Alpaca, Dolly, FLAN gibi projeler taraf\u0131ndan yay\u0131nlanan halka a\u00e7\u0131k y\u00f6nerge ayarlama veri setleri, ba\u015flang\u0131\u00e7 i\u00e7in m\u00fckemmel kaynaklard\u0131r. Bu veri setleri, \u00e7e\u015fitli g\u00f6revleri kapsayan geni\u015f bir y\u00f6nerge yelpazesi sunar.<\/p>\nVeri Formatlama ve \u00d6n \u0130\u015fleme<\/h3>\n
Toplanan verilerin, modelin anlayabilece\u011fi standart bir formata d\u00f6n\u00fc\u015ft\u00fcr\u00fclmesi gerekir. Genellikle bu, bir talimat (instruction<\/code>), iste\u011fe ba\u011fl\u0131 bir ba\u011flam (context<\/code>) ve beklenen bir yan\u0131t (response<\/code>) i\u00e7eren yap\u0131land\u0131r\u0131lm\u0131\u015f metin veya JSON format\u0131nda yap\u0131l\u0131r. Ayr\u0131ca, verideki gereksiz karakterlerin temizlenmesi, tutars\u0131zl\u0131klar\u0131n giderilmesi ve dilbilgisi hatalar\u0131n\u0131n d\u00fczeltilmesi gibi \u00f6n i\u015fleme ad\u0131mlar\u0131 da \u00f6nemlidir. Baz\u0131 durumlarda, modelin farkl\u0131 rolleri (\u00f6rne\u011fin, \"kullan\u0131c\u0131\" ve \"asistan\") ay\u0131rt etmesini sa\u011flamak i\u00e7in \u00f6zel token'lar veya i\u015faretleyiciler (<|user|><\/code>, <|assistant|><\/code>) kullan\u0131labilir.<\/p>\nY\u00f6nerge Ayarlama S\u00fcreci: Teknik Detaylar<\/h2>\n
Y\u00f6nerge ayarlama, \u00f6nceden e\u011fitilmi\u015f bir LLM'i al\u0131p, onu y\u00f6nerge-yan\u0131t \u00e7iftleri \u00fczerinde ek bir e\u011fitimden ge\u00e7irmeyi i\u00e7erir. Bu s\u00fcre\u00e7, geleneksel ince ayara benzer ancak modelin talimatlar\u0131 takip etme yetene\u011fine odaklan\u0131r.<\/p>\n
Model Mimarisi ve Se\u00e7imi<\/h3>\n
Y\u00f6nerge ayarlamas\u0131 i\u00e7in temel olarak \u00f6nceden e\u011fitilmi\u015f bir LLM'e ihtiyac\u0131m\u0131z var. Bu model, genellikle Transformer mimarisine dayal\u0131d\u0131r ve milyarlarca parametreye sahip olabilir. Kendi LLM'imizi s\u0131f\u0131rdan in\u015fa ediyorsak, \u00f6n e\u011fitim a\u015famas\u0131nda olu\u015fturdu\u011fumuz modeli kullan\u0131r\u0131z. A\u00e7\u0131k kaynakl\u0131 modeller (\u00f6rne\u011fin Llama, Mistral, Falcon serisi) de bu ama\u00e7la kullan\u0131labilir. Modelin boyutu, e\u011fitim s\u00fcresi ve gereken hesaplama g\u00fcc\u00fc \u00fczerinde do\u011frudan etkilidir.<\/p>\n
E\u011fitim Parametreleri ve Optimizasyon<\/h3>\n
\u0130nce ayar s\u0131ras\u0131nda, modelin a\u011f\u0131rl\u0131klar\u0131 y\u00f6nerge ayarlama veri setine g\u00f6re g\u00fcncellenir. Bu s\u00fcre\u00e7te dikkat edilmesi gereken baz\u0131 \u00f6nemli parametreler \u015funlard\u0131r:<\/p>\n
* \u00d6\u011frenme Oran\u0131 (Learning Rate):<\/strong> Modelin her ad\u0131mda a\u011f\u0131rl\u0131klar\u0131n\u0131 ne kadar de\u011fi\u015ftirece\u011fini belirler. Genellikle \u00f6n e\u011fitimden daha d\u00fc\u015f\u00fck bir \u00f6\u011frenme oran\u0131 kullan\u0131l\u0131r.
\n* Toplu \u0130\u015f Boyutu (Batch Size):<\/strong> Her e\u011fitim ad\u0131m\u0131nda ka\u00e7 \u00f6rnek \u00fczerinde gradyanlar\u0131n hesaplanaca\u011f\u0131n\u0131 belirler. Daha b\u00fcy\u00fck toplu i\u015f boyutlar\u0131, daha kararl\u0131 gradyanlar sa\u011flayabilir ancak daha fazla bellek gerektirir.
\n* Epoch Say\u0131s\u0131:<\/strong> Veri setinin model taraf\u0131ndan ka\u00e7 kez g\u00f6r\u00fclece\u011fini ifade eder. Genellikle y\u00f6nerge ayarlamas\u0131 i\u00e7in birka\u00e7 epoch yeterli olabilir.
\n* Optimizasyon Algoritmas\u0131:<\/strong> AdamW gibi algoritmalar genellikle iyi performans g\u00f6sterir.
\n* Kay\u0131p Fonksiyonu (Loss Function):<\/strong> Genellikle \u00e7apraz entropi (cross-entropy) kayb\u0131 kullan\u0131l\u0131r.<\/p>\nVerimli \u0130nce Ayar Teknikleri<\/h3>\n
Tam bir LLM'i ince ayarlamak, \u00f6zellikle b\u00fcy\u00fck modeller i\u00e7in \u00e7ok fazla hesaplama kayna\u011f\u0131 (GPU belle\u011fi ve i\u015flem g\u00fcc\u00fc) gerektirebilir. Bu maliyeti d\u00fc\u015f\u00fcrmek i\u00e7in \u00e7e\u015fitli verimli ince ayar teknikleri geli\u015ftirilmi\u015ftir:<\/p>\n
* LoRA (Low-Rank Adaptation):<\/strong> Bu teknik, modelin t\u00fcm a\u011f\u0131rl\u0131klar\u0131n\u0131 g\u00fcncellemek yerine, sadece k\u00fc\u00e7\u00fck, d\u00fc\u015f\u00fck rankl\u0131 matrisler ekleyerek ince ayar yapar. Bu, e\u011fitilebilir parametre say\u0131s\u0131n\u0131 \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r, b\u00f6ylece bellek ve hesaplama gereksinimlerini d\u00fc\u015f\u00fcr\u00fcrken benzer performans elde edilmesini sa\u011flar.
\n* QLoRA (Quantized LoRA):<\/strong> LoRA'n\u0131n bir uzant\u0131s\u0131d\u0131r. Modelin a\u011f\u0131rl\u0131klar\u0131n\u0131 daha d\u00fc\u015f\u00fck bit hassasiyetinde (\u00f6rne\u011fin 4-bit) nicemleyerek (quantize ederek) bellek kullan\u0131m\u0131n\u0131 daha da azalt\u0131r. Bu, \u00e7ok b\u00fcy\u00fck modellerin bile tek bir t\u00fcketici GPU'sunda ince ayarlanabilmesini m\u00fcmk\u00fcn k\u0131lar.
\n* PEFT (Parameter-Efficient Fine-Tuning):<\/strong> LoRA ve QLoRA gibi teknikleri kapsayan genel bir terimdir. Bu teknikler, LLM'lerin daha eri\u015filebilir ve maliyet etkin bir \u015fekilde uyarlanmas\u0131na olanak tan\u0131r.<\/p>\nBu teknikler, kendi LLM'imizi s\u0131f\u0131rdan olu\u015ftururken, \u00f6n e\u011fitim sonras\u0131 y\u00f6nerge ayarlama a\u015famas\u0131n\u0131 \u00e7ok daha pratik hale getirir.<\/p>\n
De\u011ferlendirme ve \u0130yile\u015ftirme<\/h2>\n
Y\u00f6nerge ayarlamas\u0131 tamamland\u0131ktan sonra, modelin performans\u0131n\u0131 de\u011ferlendirmek ve gerekti\u011finde iyile\u015ftirmeler yapmak kritik \u00f6neme sahiptir. Modelin ne kadar iyi talimatlar\u0131 takip etti\u011fini ve ne kadar yard\u0131mc\u0131 yan\u0131tlar \u00fcretti\u011fini anlamam\u0131z gerekir.<\/p>\n
Performans Metrikleri<\/h3>\n
Y\u00f6nerge ayarlamas\u0131 yap\u0131lan modelleri de\u011ferlendirmek i\u00e7in hem otomatik hem de insan tabanl\u0131 metrikler kullan\u0131l\u0131r:<\/p>\n
* \u0130nsan De\u011ferlendirmesi:<\/strong> En g\u00fcvenilir y\u00f6ntemlerden biridir. \u0130nsanlar, modelin yan\u0131tlar\u0131n\u0131 do\u011fruluk, alaka d\u00fczeyi, ak\u0131c\u0131l\u0131k, yard\u0131mc\u0131 olma derecesi ve g\u00fcvenlik a\u00e7\u0131s\u0131ndan derecelendirir. Bu, \u00f6zellikle modelin \"yard\u0131mc\u0131\" ve \"g\u00fcvenli\" olma gibi s\u00fcbjektif niteliklerini \u00f6l\u00e7mek i\u00e7in vazge\u00e7ilmezdir.
\n* Otomatik Metrikler:<\/strong> ROUGE ve BLEU gibi metrikler, \u00fcretilen metnin referans yan\u0131ta ne kadar benzedi\u011fini \u00f6l\u00e7ebilir. Ancak bu metrikler, talimat takip eden modellerin karma\u015f\u0131k do\u011fas\u0131n\u0131 tam olarak yans\u0131tmayabilir, \u00e7\u00fcnk\u00fc ayn\u0131 talimata bir\u00e7ok farkl\u0131 do\u011fru yan\u0131t verilebilir.
\n* Benchmark'lar:<\/strong> MMLU (Massive Multitask Language Understanding), HELM (Holistic Evaluation of Language Models) gibi standart test setleri, modelin \u00e7e\u015fitli g\u00f6revlerdeki genel yetene\u011fini \u00f6l\u00e7mek i\u00e7in kullan\u0131labilir.<\/p>\nG\u00fcvenlik ve Tarafs\u0131zl\u0131k<\/h3>\n
Ayarlama s\u00fcrecinde modelin g\u00fcvenlik ve tarafs\u0131zl\u0131k konular\u0131nda da dikkatli olunmal\u0131d\u0131r. Modelin zararl\u0131, ayr\u0131mc\u0131 veya yanl\u0131\u015f bilgi \u00fcreten yan\u0131tlar vermemesi i\u00e7in \u00f6zel \u00f6nlemler al\u0131nmal\u0131d\u0131r. Bu, veri setlerinin dikkatli bir \u015fekilde filtrelenmesini ve modelin g\u00fcvenlik y\u00f6nergelerine uygun olarak e\u011fitilmesini i\u00e7erir. G\u00fcvenlik, genellikle RLHF (Reinforcement Learning from Human Feedback) gibi ileri tekniklerle daha da geli\u015ftirilir.<\/p>\n
\u0130teratif Geli\u015ftirme Yakla\u015f\u0131m\u0131<\/h3>\n
Y\u00f6nerge ayarlama, genellikle tek seferlik bir i\u015flem de\u011fildir. Elde edilen de\u011ferlendirme sonu\u00e7lar\u0131na g\u00f6re veri setleri g\u00fcncellenebilir, model mimarisi veya e\u011fitim parametreleri ayarlanabilir ve yeni ince ayar turlar\u0131 yap\u0131labilir. Bu iteratif yakla\u015f\u0131m, modelin performans\u0131n\u0131 s\u00fcrekli olarak iyile\u015ftirmeyi ve zamanla daha yetenekli bir asistan haline gelmesini sa\u011flar.<\/p>\n
Y\u00f6nerge Ayarlaman\u0131n Zorluklar\u0131 ve Gelece\u011fi<\/h2>\n
Y\u00f6nerge ayarlama, LLM'leri d\u00f6n\u00fc\u015ft\u00fcrme potansiyeline sahip g\u00fc\u00e7l\u00fc bir tekniktir, ancak beraberinde baz\u0131 zorluklar\u0131 da getirir ve s\u00fcrekli geli\u015fen bir aland\u0131r.<\/p>\n
Veri Kalitesi ve Miktar\u0131<\/h3>\n
En b\u00fcy\u00fck zorluklardan biri, y\u00fcksek kaliteli ve \u00e7e\u015fitli y\u00f6nerge ayarlama verisi elde etmektir. \u0130nsan k\u00fcrat\u00f6rl\u00fc veri pahal\u0131d\u0131r, sentetik veri ise bazen d\u00fc\u015f\u00fck kaliteli veya tekrarlay\u0131c\u0131 olabilir. Gelecekte, daha ak\u0131ll\u0131 ve otomatik veri \u00fcretim y\u00f6ntemleri veya daha iyi veri filtreleme teknikleri bu sorunu hafifletebilir.<\/p>\n
Genelleme Yetene\u011fi<\/h3>\n
Modelin, e\u011fitim setinde g\u00f6rmedi\u011fi yeni ve karma\u015f\u0131k talimatlar\u0131 ne kadar iyi takip edebildi\u011fi, genelleme yetene\u011finin bir g\u00f6stergesidir. A\u015f\u0131r\u0131 uyum (overfitting) riski, modelin sadece e\u011fitim verisini ezberlemesine ve yeni durumlarda ba\u015far\u0131s\u0131z olmas\u0131na neden olabilir. Daha \u00e7e\u015fitli e\u011fitim verileri ve daha sa\u011flam ince ayar teknikleri, genelleme yetene\u011fini art\u0131rmaya yard\u0131mc\u0131 olabilir.<\/p>\n
\u00c7ok Modlu Y\u00f6nerge Ayarlama<\/h3>\n
Gelecekte, y\u00f6nerge ayarlama sadece metin tabanl\u0131 talimatlarla s\u0131n\u0131rl\u0131 kalmayacak. G\u00f6rsel, i\u015fitsel veya di\u011fer modalitelerdeki girdileri anlay\u0131p bunlara uygun yan\u0131tlar \u00fcretebilen \u00e7ok modlu LLM'ler i\u00e7in y\u00f6nerge ayarlamas\u0131 daha da \u00f6nem kazanacak. \u00d6rne\u011fin, bir g\u00f6rseli analiz edip a\u00e7\u0131klama yazmas\u0131 veya bir videoyu \u00f6zetlemesi istenen modeller i\u00e7in \u00e7ok modlu y\u00f6nerge ayarlamas\u0131 kritik bir rol oynayacak. Bu alandaki ara\u015ft\u0131rmalar h\u0131zla devam etmektedir.<\/p>\n
Sonu\u00e7<\/h2>\n
Bir LLM'i s\u0131f\u0131rdan in\u015fa etme yolculu\u011fumuzda, \u00f6n e\u011fitimle dilin temelini att\u0131ktan sonra, y\u00f6nerge ayarlama (instruction tuning) ile modelimize adeta bir ruh ve ama\u00e7 kazand\u0131r\u0131yoruz. Bu kritik a\u015fama sayesinde, sadece bir sonraki kelimeyi tahmin eden pasif bir metin \u00fcreticisinden, kullan\u0131c\u0131lar\u0131n karma\u015f\u0131k talimatlar\u0131n\u0131 anlay\u0131p bunlara uygun, yard\u0131mc\u0131 ve ba\u011flamsal olarak do\u011fru yan\u0131tlar \u00fcretebilen aktif bir asistana d\u00f6n\u00fc\u015f\u00fcm ger\u00e7ekle\u015fir. Kaliteli veri setleri, verimli ince ayar teknikleri ve s\u00fcrekli de\u011ferlendirme ile LLM'lerimizi daha yetenekli, g\u00fcvenilir ve i\u015flevsel hale getirebiliriz. Y\u00f6nerge ayarlama, yapay zeka asistanlar\u0131n\u0131n gelece\u011fini \u015fekillendiren temel ta\u015flardan biridir ve bu alandaki geli\u015fmeler, LLM'lerin g\u00fcnl\u00fck hayat\u0131m\u0131zdaki yerini daha da sa\u011flamla\u015ft\u0131racakt\u0131r.<\/p>\n
SSS (S\u0131k Sorulan Sorular)<\/h2>\nY\u00f6nerge Ayarlama ile S\u00fcpervizyonlu \u0130nce Ayar (SFT) aras\u0131ndaki fark nedir?<\/h3>\n
Y\u00f6nerge ayarlama, s\u00fcpervizyonlu ince ayar\u0131n (SFT) \u00f6zel bir t\u00fcr\u00fcd\u00fcr. SFT genel olarak belirli bir g\u00f6revde (\u00f6rne\u011fin s\u0131n\u0131fland\u0131rma) modelin performans\u0131n\u0131 art\u0131rmay\u0131 hedeflerken, y\u00f6nerge ayarlama modelin \"talimatlar\u0131 takip etme\" yetene\u011fini geli\u015ftirmeye odaklan\u0131r. Y\u00f6nerge ayarlama, SFT'yi kullanarak modelin genel bir asistan gibi davranmas\u0131n\u0131 sa\u011flar.<\/p>\n
Kendi LLM'imi ayarlamak i\u00e7in ne kadar veriye ihtiyac\u0131m var?<\/h3>\n
Gereken veri miktar\u0131, temel modelin b\u00fcy\u00fckl\u00fc\u011f\u00fcne, istenen performans seviyesine ve g\u00f6revin karma\u015f\u0131kl\u0131\u011f\u0131na ba\u011fl\u0131d\u0131r. Genellikle binlerce ila y\u00fcz binlerce y\u00f6nerge-yan\u0131t \u00e7ifti yeterli olabilir. Ancak, daha y\u00fcksek performans ve genelleme yetene\u011fi i\u00e7in daha fazla ve daha \u00e7e\u015fitli veri her zaman daha iyidir.<\/p>\n
Y\u00f6nerge Ayarlama ne kadar s\u00fcrer?<\/h3>\n
E\u011fitim s\u00fcresi, modelin b\u00fcy\u00fckl\u00fc\u011f\u00fcne, veri setinin boyutuna, kullan\u0131lan donan\u0131ma (GPU say\u0131s\u0131 ve g\u00fcc\u00fc) ve ince ayar tekniklerine (\u00f6rne\u011fin LoRA kullan\u0131p kullanmad\u0131\u011f\u0131n\u0131za) g\u00f6re de\u011fi\u015fir. K\u00fc\u00e7\u00fck modeller ve veri setleri i\u00e7in birka\u00e7 saat s\u00fcrebilirken, \u00e7ok b\u00fcy\u00fck modeller i\u00e7in g\u00fcnler veya haftalar alabilir.<\/p>\n
LoRA gibi teknikler neden \u00f6nemlidir?<\/h3>\n
LoRA (Low-Rank Adaptation) gibi parametre-verimli ince ayar (PEFT) teknikleri, b\u00fcy\u00fck LLM'leri tam olarak ince ayarlaman\u0131n y\u00fcksek maliyetini ve bellek gereksinimini \u00f6nemli \u00f6l\u00e7\u00fcde azalt\u0131r. Modelin t\u00fcm a\u011f\u0131rl\u0131klar\u0131n\u0131 g\u00fcncellemek yerine sadece k\u00fc\u00e7\u00fck, d\u00fc\u015f\u00fck rankl\u0131 matrisler ekleyerek, \u00e7ok daha az hesaplama g\u00fcc\u00fcyle benzer performans elde edilmesini sa\u011flar. Bu, bireysel geli\u015ftiricilerin ve k\u00fc\u00e7\u00fck ekiplerin bile b\u00fcy\u00fck modelleri kendi ihtiya\u00e7lar\u0131na g\u00f6re uyarlamas\u0131n\u0131 m\u00fcmk\u00fcn k\u0131lar.<\/p>\n
Y\u00f6nerge Ayarlama yaparken etik konular nelerdir?<\/h3>\n
Y\u00f6nerge ayarlamada etik konular aras\u0131nda, modelin zararl\u0131, ayr\u0131mc\u0131, toksik veya yanl\u0131\u015f bilgi \u00fcretme potansiyeli yer al\u0131r. Veri setlerinin \u00f6nyarg\u0131 i\u00e7ermemesi, g\u00fcvenlik filtrelerinin uygulanmas\u0131 ve modelin etik y\u00f6nergeler \u00e7er\u00e7evesinde davranacak \u015fekilde e\u011fitilmesi b\u00fcy\u00fck \u00f6nem ta\u015f\u0131r. Ayr\u0131ca, \u00fcretilen i\u00e7eri\u011fin telif haklar\u0131 ve gizlilik gibi yasal konular da g\u00f6z \u00f6n\u00fcnde bulundurulmal\u0131d\u0131r.<\/p>\n","protected":false},"excerpt":{"rendered":"Y\u00f6nerge ayarlama, s\u00fcpervizyonlu ince ayar\u0131n (SFT) \u00f6zel bir t\u00fcr\u00fcd\u00fcr. SFT genel olarak belirli bir g\u00f6revde (\u00f6rne\u011fin s\u0131n\u0131fland\u0131rma) modelin perform…","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-39134","1":"post","2":"type-post","3":"status-publish","4":"format-standard","6":"category-genel","7":"cs-entry","8":"cs-video-wrap"},"yoast_head":"\n
S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama) - Kodlar\u0131n Gizemli D\u00fcnyas\u0131<\/title>\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\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\" \/>\n<meta property=\"og:locale\" content=\"tr_TR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)\" \/>\n<meta property=\"og:description\" content=\"Y\u00f6nerge ayarlama, s\u00fcpervizyonlu ince ayar\u0131n (SFT) \u00f6zel bir t\u00fcr\u00fcd\u00fcr. SFT genel olarak belirli bir g\u00f6revde (\u00f6rne\u011fin s\u0131n\u0131fland\u0131rma) modelin perform...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\" \/>\n<meta property=\"og:site_name\" content=\"Kodlar\u0131n Gizemli D\u00fcnyas\u0131\" \/>\n<meta property=\"article:published_time\" content=\"2026-02-15T02:00:35+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=\"14 dakika\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\"},\"author\":{\"name\":\"Fatih Soysal\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"headline\":\"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)\",\"datePublished\":\"2026-02-15T02:00:35+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\"},\"wordCount\":2770,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#respond\"]}],\"copyrightYear\":\"2026\",\"copyrightHolder\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#organization\"}},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\",\"url\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\",\"name\":\"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama) - Kodlar\u0131n Gizemli D\u00fcnyas\u0131\",\"isPartOf\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/#website\"},\"datePublished\":\"2026-02-15T02:00:35+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#breadcrumb\"},\"inLanguage\":\"tr\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Anasayfa\",\"item\":\"https:\/\/fatihsoysal.com\/blog\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)\"}]},{\"@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 SEO Premium plugin. -->","yoast_head_json":{"title":"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama) - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","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\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/","og_locale":"tr_TR","og_type":"article","og_title":"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)","og_description":"Y\u00f6nerge ayarlama, s\u00fcpervizyonlu ince ayar\u0131n (SFT) \u00f6zel bir t\u00fcr\u00fcd\u00fcr. SFT genel olarak belirli bir g\u00f6revde (\u00f6rne\u011fin s\u0131n\u0131fland\u0131rma) modelin perform...","og_url":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/","og_site_name":"Kodlar\u0131n Gizemli D\u00fcnyas\u0131","article_published_time":"2026-02-15T02:00:35+00:00","author":"Fatih Soysal","twitter_card":"summary_large_image","twitter_misc":{"Yazan:":"Fatih Soysal","Tahmini okuma s\u00fcresi":"14 dakika"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#article","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/"},"author":{"name":"Fatih Soysal","@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"headline":"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)","datePublished":"2026-02-15T02:00:35+00:00","mainEntityOfPage":{"@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/"},"wordCount":2770,"commentCount":0,"publisher":{"@id":"https:\/\/fatihsoysal.com\/blog\/#\/schema\/person\/002a254750921dcfd568a99e48240dd1"},"inLanguage":"tr","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#respond"]}],"copyrightYear":"2026","copyrightHolder":{"@id":"https:\/\/fatihsoysal.com\/blog\/#organization"}},{"@type":"WebPage","@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/","url":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/","name":"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama) - Kodlar\u0131n Gizemli D\u00fcnyas\u0131","isPartOf":{"@id":"https:\/\/fatihsoysal.com\/blog\/#website"},"datePublished":"2026-02-15T02:00:35+00:00","breadcrumb":{"@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#breadcrumb"},"inLanguage":"tr","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fatihsoysal.com\/blog\/sifirdan-bir-llm-olusturmak-oturum-07-metin-ureticiden-akilli-asistana-gecis-yonerge-ayarlama\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Anasayfa","item":"https:\/\/fatihsoysal.com\/blog\/"},{"@type":"ListItem","position":2,"name":"S\u0131f\u0131rdan Bir LLM Olu\u015fturmak \u2013 Oturum 07: Metin \u00dcreticiden Ak\u0131ll\u0131 Asistana Ge\u00e7i\u015f (Y\u00f6nerge Ayarlama)"}]},{"@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\/39134","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=39134"}],"version-history":[{"count":0,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/posts\/39134\/revisions"}],"wp:attachment":[{"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/media?parent=39134"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/categories?post=39134"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fatihsoysal.com\/blog\/wp-json\/wp\/v2\/tags?post=39134"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}