İçeriğe geç
parazade
Yapay Zeka

İnce Ayar (Fine-tuning) Ne Demek?

İngilizce: Fine-tuning

Yayın: · Son güncelleme:

İnce Ayar (Fine-tuning) Ne Demek? Kısaca

İnce ayar (fine-tuning), önceden eğitilmiş bir yapay zekâ modelini daha küçük ve göreve özel bir veri kümesiyle yeniden eğiterek belirli bir işe, üsluba veya alana uyarlama işlemidir.

İnce Ayar nedir?
İçindekiler
  1. İnce ayar ne işe yarar?
  2. Nasıl yapılır?
  3. İnce ayar mı, RAG mı?
  4. Nelere dikkat etmeli?

İnce ayar (fine-tuning), genel amaçlı olarak eğitilmiş hazır bir modeli alıp kendi örneklerinle bir süre daha eğiterek belirli bir göreve uyarlamaktır. Model sıfırdan eğitilmez; ön eğitimde kazandığı genel bilgiyi korurken yeni görevin ayrıntılarını öğrenir.

İnce ayar ne işe yarar?

  • Modele belirli bir üslup veya format kazandırmak (ör. hep aynı şablonda rapor yazması)
  • Belirli bir alanda daha iyi performans (hukuk, tıp, müşteri destek dili)
  • Bir görevi daha tutarlı yapmak (sınıflandırma, bilgi çıkarma)
  • Görsel modellerde belirli bir karakter, ürün veya stil üretmek

Nasıl yapılır?

  1. Görevi temsil eden, kaliteli örneklerden bir veri kümesi hazırlanır (ör. birkaç yüz ile birkaç bin soru-cevap çifti).
  2. Model bu verilerle düşük bir öğrenme oranıyla eğitilir.
  3. Ayrı bir test kümesiyle başarı ve olası bozulmalar kontrol edilir.

Tüm parametreleri güncellemek pahalıdır. Bu yüzden yalnızca küçük ek katmanları eğiten LoRA gibi verimli yöntemler çok yaygındır.

İnce ayar mı, RAG mı?

Modelin güncel veya şirkete özel bilgiye erişmesi gerekiyorsa genellikle RAG daha uygundur; bilgi değiştiğinde yeniden eğitim gerekmez. İnce ayar ise daha çok davranış ve biçim öğretmek için tercih edilir.

Nelere dikkat etmeli?

Az veya kötü veriyle yapılan ince ayar aşırı öğrenmeye yol açar. Model yeni göreve odaklanırken önceki yeteneklerinin bir kısmını unutabilir. İnce ayar, güvenlik davranışlarını da zayıflatabilir. Eğitim verisinde kişisel veya gizli bilgi bulunmamasına dikkat et.

Sıkça Sorulan Sorular

İnce ayar için ne kadar veri gerekir?

Göreve göre değişir. Basit bir üslup veya format için birkaç yüz kaliteli örnek yetebilirken karmaşık görevler daha fazlasını ister. Örneklerin kalitesi ve çeşitliliği sayısından daha önemlidir.

İnce ayar modele yeni bilgi öğretir mi?

Bir miktar öğretebilir ama güvenilir bir bilgi ekleme yolu değildir; model bilgiyi karıştırabilir veya uydurabilir. Sık değişen bilgiler için RAG genellikle daha uygundur.

İlgili terimler

LoRA(Low-Rank Adaptation)LoRA (Low-Rank Adaptation), büyük bir yapay zekâ modelinin ağırlıklarını değiştirmeden, üzerine eklenen küçük bir dosyayla modele yeni bir tarz, karakter ya da görev öğretme yöntemidir. Tam eğitime göre çok daha az bellek ve süre gerektirir.Transfer Öğrenmesi(Transfer Learning)Transfer öğrenmesi, bir görev için eğitilmiş bir modelin öğrendiği bilgiyi başka ama ilişkili bir göreve aktararak, yeni görevi daha az veri ve işlem gücüyle öğrenmesini sağlayan yöntemdir.Ön Eğitim(Pre-training)Ön eğitim, bir yapay zekâ modelinin belirli bir göreve uyarlanmadan önce çok büyük ve genel bir veri kümesiyle eğitilerek dil, görüntü gibi alanlarda genel bilgi ve beceri kazandığı ilk aşamadır.RAG(Retrieval-Augmented Generation)RAG (Retrieval-Augmented Generation, erişimle zenginleştirilmiş üretim), bir dil modelinin soruyu cevaplamadan önce bir belge koleksiyonunda ilgili bölümleri bulup bu bölümlere dayanarak yanıt yazmasını sağlayan yöntemdir. Modeli yeniden eğitmeden kendi belgeleriniz hakkında soru sormanızı sağlar.Görüntü Tanıma(Image Recognition)Görüntü tanıma (image recognition), bir yapay zekâ sisteminin fotoğraf ya da videodaki nesneleri, yüzleri, hayvanları, yazıları veya sahneleri tespit edip tanımlamasıdır. Bilgisayarlı görünün temel görevlerinden biridir.Yapay Zekâ Okuryazarlığı(AI Literacy)Yapay zekâ okuryazarlığı (AI literacy), yapay zekânın temel olarak nasıl çalıştığını anlama, araçları amaca uygun ve güvenli biçimde kullanma, çıktılarını eleştirel değerlendirme ve etik riskleri fark etme becerilerinin bütünüdür.

İlgili yazılar