Sade anlatım
Yeni işe alınan bir muhasebeci muhasebeyi zaten bilir. Bilmediği, sizin kurum içi tarzınızdır: raporların düzeni, kullandığınız ifadeler, neyin istisna sayıldığı. Birkaç haftalık örnek çalışma bunu çözer; sonrasında kimsenin yeniden anlatması gerekmez. Fine-tuning modele aynısını yapar. Model bir alışkanlığı örneklerden öğrenir ve istemde hatırlatmaya gerek kalmadan korur. Bilgi öğretmek için zayıf bir yoldur: bu yolla öğretilen ayrıntılar güvenilir biçimde hatırlanmaz.
Neden önemli
Fine-tuning çoğu zaman ilk önerilen çözümdür; genellikle en son denenmesi gerekir. Eksik olan bilgiyse yanlış araçtır, çünkü bilgi değişir ve yeri modelin okuduğu belgelerdir. Elde yalnızca birkaç düzine örnek varsa yanlış araçtır, çünkü bunlar isteme sığar. Görev hâlâ tanımlanıyorsa da öyledir. Karşılığını, istikrarlı ve dar bir iş yüksek hacimde çalıştığında verir: sabit bir biçim, kurumsal bir üslup, bir sınıflandırma ya da büyük modelin yaptığını yapması öğretilen küçük bir model. Bakımı da bütçeleyin: taban model değiştiğinde ya da kullanımdan kalktığında ince ayar ve testler yeniden yapılır.
Örnek
Bir lojistik şirketi ayda 400.000 serbest metinli teslimat notunu on iki alanlı sabit bir kayda dönüştürüyor. Kurallar ve örneklerden oluşan 2.000 token'lık bir istemle çalışan büyük bir model, ayda 16.000 dolara %94 doğruluk sağlıyor. Ekip küçük bir modele 3.000 düzeltilmiş örnekle ince ayar yapıyor: %95 doğruluk, 150 token'lık istem, ayda 2.000 dolar. Sekiz ay sonra taban model kullanımdan kalkıyor; ince ayar ve testler baştan yapılıyor.
Bununla en çok karıştırılan kavram
Fine-tuning ve RAG arasındaki fark
Önce eksiğin nerede olduğuna bakın. Yanıtlar, model fiyat listenizi hiç görmediği için yanlışsa, listeyle eğitmek tutarsız bir hatırlama ve gelecek ay eskimiş bir model verir. Bilgi doğru ama üslup, yapı ya da muhakeme yerinde değilse daha fazla belge işe yaramaz. İnce ayar yapılmış bir model yanıtın nereden geldiğini de gösteremez. Olgun sistemler çoğu zaman ikisini birlikte kullanır.
Teknik katman
En yaygın biçimi denetimli fine-tuning'dir: girdi ve ideal çıktı çiftlerinden oluşan, genellikle birkaç yüz ile birkaç bin örneklik bir dosya, düşük bir öğrenme oranıyla modelden birkaç tur (epoch) geçirilir. Tam fine-tuning bütün ağırlıkları günceller; LoRA gibi parametre verimli yöntemler küçük bir eklentiyi eğitir ve taban modele dokunmaz. Diğer biçimler: iyi ve kötü yanıt çiftleriyle tercih ayarı, bir puanlayıcıya karşı pekiştirmeli fine-tuning ve etiketsiz alan metniyle ön eğitimi sürdürme. Bir test kümesi ayırın ve sonucu yalnızca istemle elde edilen en iyi sonuçla karşılaştırın. Tuzaklar: overfitting, genel yeteneğin unutulması (catastrophic forgetting), ezberlenip sonradan ortaya çıkabilen eğitim örnekleri (kişisel veriyi ve sırları dışarıda tutun) ve güvenlik davranışının zayıflaması. Kapalı modellerde erişim sağlayıcıya göre değişir ve zamanla değişebilir: OpenAI, 2026'da müşterilerine self-servis fine-tuning platformunun Ocak 2027'de yeni eğitim işi kabul etmeyi bırakacağını bildirdi. Açık ağırlıklı modellere ise kendi altyapınızda her zaman ince ayar yapılabilir.