Fine-Tuning Nedir, Nasıl Yapılır? Unsloth ile Sıfırdan Rehber (2026)
Fine-tuning (ince ayar) nedir, nasıl yapılır? Fine-tuning ile RAG farkı, transfer learning, küçük veri seti mantığı ve Unsloth Studio ile kod yazmadan model eğitimi — hepsi sade Türkçeyle.
Fine-Tuning Nedir? Yapay Zekaya Kendi Verinle Öğretmek
Yazan: mindi · 12 dakika okuma
Bir yapay zeka modeli her şeyi bilir ama senin işini bilmez. ChatGPT'ye şirket ürünlerini sorduğunda uydurması, hukuk bürosunun kendi içtihatlarını tanımaması, müşteri hizmetleri botunun markana özgü tonla konuşamaması — bunların hepsi aynı sorundan kaynaklanır: model genel, senin ihtiyacın özel.
Fine-tuning bu boşluğu kapatmanın yolu. Ama ne olduğunu anlamadan önce, neden gerektiğini anlamak daha önemli.
Yapay Zeka Modelleri Neden "Genel" Kalır?
Bugün kullandığın büyük dil modelleri — ChatGPT, Claude, Gemini — internet'in büyük bir bölümünden, kitaplardan, akademik makalelerden oluşan devasa veri setleriyle eğitildi. Bu eğitim onlara muazzam bir genel bilgi verdi: dil anlıyorlar, mantık yürütüyorlar, kod yazıyorlar, özet çıkarıyorlar.
Ama bu eğitim onlara senin şirketinin iç belgelerini öğretmedi. Kendi sektörünün jargonunu bilmiyorlar. Müşterilerine nasıl hitap ettiğini, ürünlerinin hangi özelliklerini ön plana çıkardığını, markanın neye "evet" neye "hayır" dediğini bilmiyorlar.
Bunu prompt yazarak kısmen çözebilirsin. Ama prompta her şeyi sığdıramazsın. Ve her sohbette aynı bağlamı tekrar tekrar anlatmak hem verimsiz hem güvenilmez.
İşte bu noktada üç farklı çözüm yolu var: iyi bir prompt, RAG ve fine-tuning. Bunları karıştırmak en sık yapılan hatalardan biri.
Fine-Tuning mi, RAG mı, Prompt mu? Hangisi Ne Zaman?
Bu sorunun cevabı "duruma göre" — ama durumu tanımlamak zor değil.
Prompt mühendisliği en basit yol. Modele ne istediğini net, detaylı anlatırsın. Çoğu durumda bu yeterlidir. Maliyet yok, gecikme yok, hemen denersin. Ama sınırları var: her sohbette o bağlamı taşıman gerekir, ve model yine de "genel" davranmaya devam eder.
RAG (modele cevap verirken yanına ilgili belgeleri ekleyip "şuna bakarak cevapla" demek) bilgi erişimi sorununu çözer. Kendi belgelerinle, veritabanınla modeli beslersin. Ürün katalogun değiştiğinde sadece belgeyi güncellersin, model anında yeni bilgiyle çalışır. RAG dinamiktir — veri değişince sistem otomatik güncellenir.
Fine-tuning ise farklı bir şeyi çözer. Modelin nasıl davrandığını, nasıl konuştuğunu, neye öncelik verdiğini kalıcı olarak değiştirmek istiyorsan fine-tuning gerekir. Bir gazete üslubunu taklit ettirmek, belirli bir formatta hep aynı şekilde cevap vermesini sağlamak, modelin belirli bir jargonu "içselleştirmesi" — bunlar RAG'in yapamadığı şeyler.
Şöyle düşün: RAG modele "şu bilgiyi kullan" der. Fine-tuning ise modele "sen artık bu tür bir modelsin" der.
Peki hangisini seçeceksin?
| Durum | Çözüm |
|---|---|
| Modelin bilmediği bir bilgiye erişmesi lazım | RAG |
| Bilgi sık değişiyor, güncel kalması şart | RAG |
| Modelin belirli bir üslupta, formatta konuşması lazım | Fine-tuning |
| Dar ve tekrarlayan bir görevde yüksek isabet istiyorsun | Fine-tuning |
| İkisi birlikte gerekiyor | RAG + Fine-tuning |
| Denemelik bir şey | Prompt |
Önemli bir not: fine-tune edilmiş model statiktir. Verin değişince modeli yeniden eğitmen gerekir. RAG anında güncellenir. Bu yüzden katalog gibi sık değişen bilgiler için RAG her zaman daha mantıklıdır.
Fine-Tuning Tam Olarak Nasıl Çalışır?
Bunu anlamak için önce bir modelin nasıl "öğrendiğini" kısaca bilmek gerekiyor.
Büyük dil modelleri aslında devasa bir tahmin makinesidir. "Bu cümleden sonra en olası kelime hangisi?" sorusunu milyarlarca kez yanıtlayarak eğitilirler. Bu süreçte modelin içindeki milyarlarca parametrei
modelin öğrendiklerini taşıyan sayısal değerler yavaş yavaş ayarlanır, ta ki tahminler yeterince iyi olana kadar.
Fine-tuning bu süreci, çok daha küçük ve özel bir veriyle tekrarlamaktır. Büyük bir farkla: model sıfırdan başlamıyor. Zaten öğrendiği her şeyi koruyor, sadece senin verindeki kalıplara göre parametreler biraz daha ayarlanıyor.
Bu yüzden fine-tuning hem hızlı hem ucuzdur: modelin genel bilgisini yıkmıyorsun, üzerine bir katman ekliyorsun.
Transfer Learning: Fine-Tuning'in Arkasındaki Fikir
Fine-tuning aslında transfer learningibir işi öğrenmiş bir modelin o bilgisini yeni bir işe taşıması denen daha geniş bir konseptin parçası.
Gerçek hayattan bir analoji: tıp fakültesini bitirmiş bir doktoru düşün. Ona genel pratisyenlik yerine kardiyoloji uzmanlığı eğitimi veriyorsun. Tıbbın temellerini, anatomiyi, ilaçları sıfırdan öğretmiyorsun — bunları zaten biliyor. Sadece kalp hastalıklarına odaklanmış özel bir eğitim veriyorsun.
Fine-tuning tam bu. Modelin dil anlama, mantık yürütme, bağlam takip etme gibi genel yeteneklerini sıfırdan öğretmiyorsun. Bunlar zaten var. Sen modele "artık bu alanda bu şekilde çalış" diyorsun.
Bu yüzden fine-tuning için çok az veri yeterli olabiliyor — bir sonraki bölümün konusu bu.
Neden Küçük Bir Veri Seti Yeterli?
"Koca modeli eğiteceğim, elimde dev bir veri lazım" — bu yanlış bir sezgi. Fine-tuning'de veri miktarı değil, kalitesi belirleyici.
Birkaç sebebi var:
Model zaten öğrenmiş. Dili anlıyor, cümle kurmasını biliyor, bağlam takip edebiliyor. Sen bunları öğretmiyorsun. Sadece "bu tarz sorularda bu tarz cevaplar ver" diyorsun. Bunun için birkaç yüz, hatta bazen birkaç on örnek yeterli.
Az ama net örnekler daha iyi öğretir. Çok sayıda ama tutarsız, çelişkili örnek vermek modeli kafası karışık bırakır. Modele "müşterilere resmi ama sıcak bir dille yaz" diyorsun, ama örneklerin yarısı resmi, yarısı çok samimi — model ne yapacağını bilemez.
Çok fazla veri "ezber" yaratır. Modeli aşırı eğitirsen (overfittingimodelin örnekleri ezberleyip yeni sorularda zorlanması) sadece eğitim örneklerini ezberler, yeni sorularda zorlanır. Küçük ama iyi seçilmiş bir veri seti bu riski azaltır.
Pratikte ne kadar veri lazım? Görev ne kadar dar ve spesifikse o kadar az yeter. Bir müşteri hizmetleri botu için 200-500 iyi soru-cevap çifti genellikle iyi bir başlangıç noktasıdır. Veriyi hazırlamak, eğitmekten çok daha kritik bir adımdır.
LoRA ve QLoRA: Fine-Tuning'i Herkes İçin Erişilebilir Yapan Teknikler
Fine-tuning eskiden gerçekten pahalıydı. Modelin tüm parametrelerini güncellemek devasa hesaplama gücü ve hafıza isterdi. Sadece büyük laboratuvarların yapabildiği bir şeydi.
Bunu değiştiren iki teknik var:
LoRAimodelin tamamını değil, eklenen küçük bir parçayı eğiterek işi ucuza getiren yöntem: Ana modelin parametrelerine dokunmuyorsun. Bunun yerine modelin yanına küçük bir "eklenti" ekliyorsun ve sadece onu eğitiyorsun. Bu eklenti modelin davranışını değiştiriyor ama asıl model yerli yerinde kalıyor. Sonuç olarak eğitmek zorunda olduğun parametre sayısı dramatik biçimde düşüyor.
QLoRAiLoRA'nın 4-bit sıkıştırmayla birleşmiş, çok daha az hafıza yiyen hâli: Modeli hafızaya yüklerken sıkıştırılmış bir formatta tutuyorsun. Bu sayede çok büyük modelleri bile mütevazı bir donanımda eğitebiliyorsun.
Bu iki teknik sayesinde bugün 8 milyar parametrelik bir modeli, 12 GB hafızalı sıradan bir oyuncu ekran kartında fine-tune edebiliyorsun. Hatta Google Colab üzerinden bedava bile deneyebiliyorsun. Birkaç yıl önce bu yalnızca büyük bütçeli araştırma ekiplerinin yapabildiği bir şeydi.
Fine-Tuning Ne Zaman Gerçekten İşe Yarar?
Fine-tuning bir sihir değil. Her sorunu çözmez ve her zaman en iyi seçenek değildir. İşe yaradığı durumlar net:
Üslup ve kişilik sabitleme. Modelin her zaman aynı tonda, aynı formatta, aynı "sesle" konuşmasını istiyorsan fine-tuning güçlü bir araç. Prompt'la bunu her sohbette tekrar anlatmak zorunda kalmıyorsun.
Dar ve tekrarlayan görevler. Model hep aynı tür görevi yapacaksa — mesela bir haber başlığının bir şirketi olumlu mu olumsuz mu etkilediğini sınıflandırmak, belirli bir şablona göre e-posta yazmak — fine-tuning bu görevde isabeti artırır.
Gizlilik gerektiren durumlar. Verini her sorguda RAG ile göndermek yerine modeli eğitip yerel olarak çalıştırmak istiyorsan fine-tuning + yerel model kombinasyonu işe yarar.
Hız kritikse. RAG her sorguda belge arama ve bağlam ekleme yapar. Fine-tune edilmiş bir model bu ek adım olmadan doğrudan cevap üretir — bazı durumlarda daha hızlıdır.
Ne zaman işe yaramaz? Bilginin sık değiştiği durumlarda. Ürün katalogun, fiyatların, iç prosedürlerin sürekli güncellendiği ortamlarda fine-tuned model hızla eskir ve yeniden eğitmen gerekir. Burada RAG çok daha pratiktir.
Bugün Fine-Tuning Nasıl Yapılır?
Bu yazı teknik bir rehber değil — terminal komutları yok. Ama genel süreci bilmek, ne kadar erişilebilir olduğunu anlamak için önemli.
1. Veriyi hazırla. En kritik adım bu. Modele ne öğretmek istiyorsan, bunu soru-cevap çiftleri ya da örnek metin olarak hazırlıyorsun. Az ama temiz, tutarlı örnekler istiyorsun. Bu adımı atlayıp ya da aceleye getirip iyi veri hazırlamazsan, eğitim ne kadar iyi olursa olsun sonuç hayal kırıklığı yaratır.
2. Bir temel model seç. Sıfırdan eğitmiyorsun — mevcut açık kaynak modellerden birini alıyorsun. Llama, Mistral, Gemma, Qwen gibi açık ağırlıklı modeller bu amaç için serbestçe kullanılabilir. Yeni başlıyorsan küçük bir modelle başlamak mantıklı.
3. Eğitim yöntemini seç. Çoğu durumda LoRA ya da QLoRA yeterli. Çok özel davranış değişiklikleri için pekiştirmeli öğrenmeimodelin ödül-ceza mekanizmasıyla deneyerek öğrenmesi düşünülebilir, ama başlangıç için genellikle gerek yok.
4. Eğit ve test et. Modeli eğittikten sonra gerçek sorularla test etmek şart. Fine-tuning öncesi ve sonrası yanıtları karşılaştırırsın — gerçekten değişmiş mi, doğru yönde mi değişmiş?
5. Dışa aktar ve kullan. Memnunsan modeli bir uygulamaya entegre edersin ya da yerel olarak çalıştırırsın.
Bu süreci kod yazmadan, görsel bir arayüzle yapmanı sağlayan araçlar var. Unsloth Studio bunların en bilineni — PDF veya CSV belgelerini yükleyip otomatik veri seti oluşturabilir, eğitimi görsel olarak takip edebilir, öncesi ve sonrasını yan yana karşılaştırabilirsin. Tamamen yerel çalıştığı için verin bilgisayarından çıkmıyor.
Sık Sorulan Sorular
Fine-tuning çok pahalı mı?
Artık değil. LoRA ve QLoRA teknikleri sayesinde sıradan bir oyuncu ekran kartıyla 8 milyar parametrelik modelleri eğitebiliyorsun. Hatta Google Colab üzerinden ücretsiz bile başlayabilirsin. Birkaç yıl önce sadece büyük laboratuvarların yapabildiği bu iş, artık bireysel geliştiricilerin de elinin altında.
Fine-tuning için ne kadar veri lazım?
Görevin ne kadar dar ve spesifik olduğuna bağlı. Dar bir görev için birkaç yüz kaliteli örnek genellikle yeterli başlangıç noktasıdır. Önemli olan miktar değil, verinin tutarlı ve temiz olması.
Fine-tuning mi RAG mi seçmeliyim?
Bilgi sık değişiyorsa RAG. Modelin davranışını, üslubunu, formatını kalıcı olarak değiştirmek istiyorsan fine-tuning. İkisini birlikte kullanmak da mümkün ve çoğu zaman en iyi sonucu verir.
Fine-tuning modeli "bozar" mı?
Dikkatli yapılmazsa evet — buna catastrophic forgettingimodelin eski bilgilerini unutması denir. LoRA bu riski büyük ölçüde azaltır çünkü ana modele dokunmuyorsun. Yine de dar bir veriyle eğitilmiş model, o alanın dışındaki sorularda zayıflayabilir. Bu yüzden test aşaması kritik.
Kod yazmadan fine-tuning yapılabilir mi?
Evet. Unsloth Studio gibi araçlar bunu görsel arayüzle mümkün kılıyor. Belgenizi yüklüyorsunuz, ayarları tıklayarak yapıyorsunuz, eğitimi başlatıyorsunuz.
Sonuç: Fine-Tuning Ne Değildir?
Fine-tuning bir sihir değil, bir araç. Her sorunu çözmez. Ama doğru durumda kullanıldığında — modelin üslubunu, davranışını, odak alanını kalıcı olarak şekillendirmek istediğinde — rakipsizdir.
Başlamak için devasa bir bütçe ya da derin teknik bilgi gerekmediği bir noktaya geldik. Önemli olan doğru soruyu sormak: gerçekten modelin davranışını mı değiştirmek istiyorum, yoksa sadece bilgiye erişmesini mi? Birinciyse fine-tuning, ikinciyse RAG.
Ve her ikisine de başlamadan önce şunu dene: iyi yazılmış bir prompt. Şaşırtıcı biçimde çoğu zaman yeterli.
Fine-Tuning'in Geleceği: Nereye Gidiyoruz?
2026'da fine-tuning hem daha erişilebilir hem daha güçlü hale geldi. Birkaç yıl önce sadece araştırma laboratuvarlarının yapabildiği şey, bugün bireysel geliştiricilerin, küçük ekiplerin ve meraklı kullanıcıların elinin altında.
Bu demokratikleşmenin birkaç sonucu var:
Özel modeller yaygınlaşıyor. Her büyük şirketin kendi fine-tune edilmiş modelini çalıştırdığı bir döneme hızla ilerliyoruz. Genel modeller giderek daha çok temel altyapı haline gelirken, asıl değer o temel üzerine inşa edilen özel katmanlarda oluşuyor.
Yerel modeller anlam kazanıyor. Fine-tuning + yerel çalıştırma kombinasyonu, veri gizliliğinin kritik olduğu sektörler için — sağlık, hukuk, finans — bulut tabanlı çözümlere gerçek bir alternatif sunuyor. Verin hiç dışarı çıkmadan, tamamen kendi altyapında çalışan bir model.
Veri kalitesi yeni rekabet avantajı. Herkes aynı temel modellere erişebildiğinde, fark yaratan şey verinin kalitesi oluyor. Daha iyi veri hazırlayan, daha net örnekler derleyen taraf daha iyi bir model eğitiyor. Bu da yapay zekada rekabetin giderek daha çok veri toplama ve düzenleme kapasitesine kaydığını gösteriyor.
Teknik bilgisi olmayan biri için bu ne anlama geliyor? Kendi alanında, kendi ihtiyaçlarına göre şekillendirilmiş bir yapay zeka artık hayal değil. Doğru araçları bilmek ve verini hazırlamak — bunlar teknik olmayan birinin bile yapabileceği şeyler.
Hangi Araçları Kullansam?
Bu yazı belirli araçlara odaklanmıyor — ama başlamak isteyenler için birkaç yol işaret edeyim.
Eğer teknik değilsen ve görsel bir arayüz istiyorsan: Unsloth Studio. Belgelerini yükle, eğitimi başlat, sonucu karşılaştır. Terminal yok, kod yok.
Eğittiğin modeli çalıştırmak için Ollama veya LM Studio iyi başlangıç noktaları. Modelleri bilgisayarında yerel olarak çalıştırmak için kullanıyorsun — verin dışarı çıkmıyor.
Açık kaynak modelleri keşfetmek için Hugging Face en büyük havuz. Fine-tuning için kullanabileceğin binlerce temel model burada.
Başlamak için en iyi yol: önce küçük bir veri setiyle, küçük bir modelle dene. İşe yarayıp yaramadığını görünce daha büyük adımlar atmak çok daha kolay hale gelir.
Unsloth Studio ile İlk Adımlar: Kurulum ve Model Eğitimi
Unsloth Studio bugün fine-tuning'e en düşük teknik bariyerle giriş yapmanı sağlayan araç. Tamamen yerel çalışıyor — verinin bilgisayarından çıkmıyor. Mac ve Windows'ta çalışıyor ama model eğitimi için NVIDIA ekran kartı gerekiyor. Ekran kartın yoksa sohbet ve veri hazırlama özelliklerini yine de kullanabilirsin.
1. İndir ve Kur
unsloth.ai/studio adresine git. Sayfada işletim sistemine göre indirme seçeneğini bul ve kur. Kurulum standart bir uygulama kurulumu kadar basit — bir sonraki, bir sonraki, bitir.
Kurulum tamamlandığında tarayıcında localhost:8888 adresini açarsın, Unsloth Studio'nun arayüzü karşına gelir.
2. Veri Setini Hazırla
Sol menüden Data Recipes'e gir. Bu ekran elindeki belgeleri eğitim verisine dönüştürüyor.
Hangi dosyaları yükleyebilirsin?
- Ürün katalogları, fiyat listeleri (PDF, CSV)
- Şirket içi belgeler, prosedürler (PDF, DOCX)
- Soru-cevap örnekleri (JSON, TXT)
Dosyaları sürükle bırak ile yükle. Studio bunları otomatik olarak modelin anlayacağı soru-cevap formatına dönüştürüyor. Önizle, beğenmediğin örnekleri sil ya da düzenle. Veri ne kadar temiz ve tutarlıysa model o kadar iyi öğreniyor — bu adımı hızlandırma.
3. Model Seç
Training sekmesine geç. Üstte model seçme alanı var. Yeni başlıyorsan Llama 3.1 8B ya da Gemma 2B ile başla — bunlar hem küçük hem güçlü, hem de 12 GB ekran kartında rahat çalışıyor.
Modeli bilmiyorsan "Recommended" filtresini kullan, Studio sana donanımına uygun seçenekler öneriyor.
4. Eğitim Ayarlarını Yap
Teknik ayarları görünce korkma — çoğuna dokunmana gerek yok. Şunlara bakman yeterli:
Training method: LoRA seç. Hem hızlı hem az hafıza kullanıyor.
Epochsimodelin veri setini kaç kez gözden geçireceği: 3 ile başla. Çok fazla yaparsan model sadece örnekleri ezberler, yeni sorularda zorlanır.
Geri kalan her şeyi varsayılan değerlerde bırak. İlk eğitimde aşırı ince ayar yapmaya çalışma.
5. Eğitimi Başlat ve İzle
Start Training butonuna bas. Ekranda canlı olarak iki şeyi izleyeceksin:
Loss grafiğiimodelin ne kadar hata yaptığını gösteren değer: Bu grafik zamanla aşağı inmeli. Düşüyorsa model öğreniyor demektir. Bir noktadan sonra düşmüyorsa eğitimi durdurabilirsin — fazla devam etmek işe yaramaz.
GPU kullanımı: Ekran kartının ne kadar çalıştığını görüyorsun. Eğitim süresince yüksek olması normal.
Eğitim donanıma ve veri büyüklüğüne göre birkaç dakika ile birkaç saat arasında sürebilir. Aynı ağdaki telefonundan da takip edebilirsin — Studio'nun URL'ini telefona açmak yeterli.
6. Test Et: Öncesi ve Sonrası
Bu adım en önemlisi — ve en keyiflisi.
Model Arena sekmesine geç. Sol tarafa orijinal modeli, sağa az önce eğittiğin versiyonu yükle. Aynı soruyu ikisine sor.
Fark hissedilir mi? İyi bir eğitimde ilk soruda bile fark görmek mümkün. Fine-tuning gerçekten işe yaramışsa — modelin sana verdiği cevapların tonu, formatı, içeriği değişmiş olmalı.
Eğer fark yoksa ya da yanlış yöndeyse: veri setine dön. Büyük ihtimalle sorun orada.
7. Dışa Aktar
Memnunsan Export sekmesinden modeli GGUF formatında kaydet. Sonrasında Ollama veya LM Studio ile bilgisayarında yerel olarak çalıştırabilir, ya da bir API olarak açıp kendi uygulamana bağlayabilirsin.
Hatırlatma: Unsloth Studio Mart 2026'dan itibaren aktif geliştiriliyor, henüz beta aşamasında. Mac'te model eğitimi henüz gelmiyor — sadece Windows ve Linux'ta çalışıyor. Resmi dökümantasyonu takip etmek güncel durumu görmek için en sağlıklı yol.
