Fine-tuning Nedir? LLM'yi Özelleştirme Yöntemi
Fine-tuning, önceden eğitilmiş bir LLM'i belirli bir göreve veya domain'e adapte etmek için ek veri ile yeniden eğitme işlemidir. Genel modeli kendi verinizle uzmanlaştırır.
Alternatif isimler: ince ayar, model fine-tune, domain adaptation
Kısa Tanım
Fine-tuning, önceden eğitilmiş bir LLM’i (ör. GPT-4o, Llama 3.3) belirli bir göreve veya alana özelleştirmek için ek veri ile yeniden eğitme işlemidir.
Genel-amaçlı modeli alıp, sizin verinizle kişiselleştirirsiniz.
Neden Fine-tuning Yaparsınız?
1. Marka Sesi Tutarlılığı
Şirketinizin yazı dili belirli bir tonda (sade, kibar, mizahi). Her seferinde prompt ile söylemek yerine, modeli bu tonu “öğrenmesi” için eğitirsiniz.
2. Domain-Spesifik Terminoloji
Hukuk, tıp, finans gibi alanlar kendi jargonuna sahiptir. Genel ChatGPT bu terminolojide bazen yanılır. Fine-tune edilmiş model daha tutarlıdır.
3. Format Tutarlılığı
Her seferinde aynı JSON yapısında çıktı istiyorsanız, fine-tune ile modeli bu yapıya alıştırırsınız. Prompt engineering’den daha güvenilir.
4. Bilinen Soruları Hızlı Cevaplama
Sık sorulan 500 müşteri sorusu varsa, fine-tune edilmiş model bu sorulara doğrudan cevap verebilir.
Fine-tuning vs Diğerleri
| Yöntem | Ne yapar | Ne zaman |
|---|---|---|
| Prompt engineering | Talimat değiştirir | İlk denenmesi gereken |
| Few-shot prompt | Örneklerle yönlendirir | Az veri + hızlı çözüm |
| RAG | Harici bilgi çeker | Güncel/değişen bilgi gerekiyorsa |
| Fine-tuning | Modeli özelleştirir | Tutarlı davranış / format gerekiyorsa |
Sıralama: Önce prompt engineering → sonra few-shot → sonra RAG → en son fine-tuning.
Fine-tuning Süreci
- Veri toplama: 100-10.000 yüksek kaliteli örnek
- Veri formatı: Her örnek (input, output) çifti
- Eğitim: 1-3 epoch (modelin veriyi kaç kez gördüğü)
- Değerlendirme: Test setinde performans ölçümü
- Deployment: Modeli production’da kullanma
Veri Formatı Örneği
{
"messages": [
{"role": "system", "content": "Sen Acme şirketinin müşteri hizmetleri asistanısın."},
{"role": "user", "content": "Sipariş kargoya çıkmadı, ne yapabilirim?"},
{"role": "assistant", "content": "Üzgünüz, hemen kontrol edelim. Sipariş numaranızı paylaşır mısınız?"}
]
}500-2000 bu tarzdaki örnekle fine-tune edilmiş model, marka sesinde tutarlı müşteri hizmetleri verir.
Hangi Modelleri Fine-tune Edebilirsiniz?
| Model | Fine-tune var mı? | Yer |
|---|---|---|
| GPT-4o | Evet | OpenAI platform |
| GPT-5 | Evet (sınırlı) | OpenAI platform |
| Claude 4.7 | Hayır (Anthropic henüz açmadı) | - |
| Gemini 2.5 | Evet | Vertex AI |
| Llama 3.3/4 | Evet | Açık kaynak, kendi sunucunuz |
| Mistral | Evet | Mistral platform / kendi sunucunuz |
| DeepSeek | Evet | Açık kaynak |
Açık Kaynak Fine-tuning Araçları
- Hugging Face Transformers + PEFT: en popüler
- Unsloth: 2x hızlı, %50 daha az VRAM
- Axolotl: konfigürasyon dosyası ile kolay
- LLaMA-Factory: GUI’li seçenek
LoRA: Hafif Fine-tuning
LoRA (Low-Rank Adaptation): tüm modelin parametrelerini değil, sadece küçük “adapter” matrislerini eğitir. %1 maliyetle %90 sonuç verir. Llama 3.3 70B’yi 24GB VRAM’lı bir RTX 4090 ile fine-tune edebilirsiniz.
Maliyet (2026)
| Yöntem | Maliyet | Süre |
|---|---|---|
| OpenAI GPT-4o fine-tune | $25-100 (eğitim) + 2-4x çıkarım | 30-90 dk |
| Llama 70B LoRA (RunPod) | $5-15 | 1-3 saat |
| Açık kaynak kendi sunucum | Donanım maliyeti | Saatten güne |
Sık Yapılan Hatalar
- Çok az veri: < 50 örnekle “öğrenmez”
- Veri sızıntısı: Test verisinin eğitime karışması
- Tek format ezberletme: Model esneklikten kayıp
- Pahalı çözüm beklemek: Prompt eng. çoğunlukla yeterli
İlgili Kavramlar
- LLM — fine-tune edilen sistem
- RAG — alternatif yöntem
- Reinforcement Learning — RLHF de bir tür fine-tune
Sonraki Adımlar
- ChatGPT’ye Hangi Bilgiler Yazılmamalı? — fine-tune veri gizliliği
- Yapay Zeka Cevaplarını Nasıl Doğrularsınız?
Özet
Fine-tuning, genel-amaçlı bir LLM’i sizin alanınıza özelleştirme yöntemidir. Önce prompt engineering ve RAG deneyin — bunlar yeterli değilse fine-tune ekleyin. Doğru kullanıldığında marka sesi, terminoloji ve format tutarlılığında belirgin iyileşme sağlar.