Fine-tuning nedir? Fine-tuning (Türkçe karşılığıyla ince ayar), önceden büyük bir genel veri kümesiyle eğitilmiş bir yapay zekâ modelinin, belirli bir alana veya göreve özel örneklerle yeniden eğitilerek o alanda daha isabetli sonuçlar üretmesini sağlama sürecidir. Bir hukuk firmasının kendi sözleşme diline uyumlu bir model istemesi, bir e-ticaret şirketinin müşteri destek yanıtlarını kendi marka tonuna oturtması gibi ihtiyaçlar, fine-tuning’in en tipik kullanım alanları arasında yer alır.
Fine-Tuning Nedir, Nasıl Çalışır?
Bir büyük dil modeli önce internetten toplanan devasa bir metin kümesiyle “önceden eğitilir” (pretraining). Bu aşama, modelin dil, mantık ve genel dünya bilgisini öğrendiği aşamadır ve aylarca sürebilir, milyonlarca dolar maliyet gerektirir. Fine-tuning ise bu hazır modelin üzerine, çok daha küçük ve hedefe özel bir veri setiyle ek eğitim yapılmasıdır. Model, ağırlıklarını (parametrelerini) bu yeni örneklere göre hafifçe güncelleyerek, genel yeteneklerin korunacağı garanti edilmeden belirli bir görevde daha tutarlı ve istenen formatta çıktı üretmeyi öğrenir.
Örneğin genel amaçlı bir model, bir sınıflandırma görevinde bazen serbest metin şeklinde açıklama yazabilir. Aynı model birkaç yüz örnekle fine-tune edildiğinde, istenen JSON formatında daha tutarlı ve tutarlı kategori isimleriyle yanıt vermeyi öğrenebilir. Bunu iyi bir prompt ve desteklenen şema/structured output yaklaşımıyla bağımsız test setinde karşılaştırın; fine-tuning tek başına geçerli JSON garantisi vermez.
Fine-Tuning ile RAG Arasındaki Fark Ne?
Bu iki yöntem sık karıştırılıyor çünkü ikisi de modeli “özelleştirme” amacı taşıyor, ama farklı problemleri çözüyorlar. RAG (Retrieval Augmented Generation), modelin yanıt üretirken harici bir bilgi kaynağından (genellikle bir vektör veritabanından) ilgili belgeleri çekip bunları bağlam olarak kullanmasıdır. Model kendisi değişmez; sadece sorguya eşlik eden bilgi değişir. Fine-tuning’de ise modelin kendi ağırlıkları güncellenir; model artık o bilgiyi “içselleştirmiş” olur.
Pratikte ayrım şöyle özetlenebilir: sık değişen, güncel veya çok büyük hacimli bilgi için RAG daha uygundur, çünkü veri tabanını güncellemek modeli yeniden eğitmekten çok daha ucuz ve hızlıdır. Buna karşılık, modelin belirli bir üslup, format veya akıl yürütme deseni öğrenmesi gerekiyorsa fine-tuning daha etkili sonuç verir. Birçok üretim sistemi aslında ikisini birlikte kullanır: fine-tune edilmiş bir model, RAG ile beslenen güncel bilgiyle birlikte çalışır.
Fine-Tuning Türleri: Full, LoRA, QLoRA
Fine-tuning tek bir teknik değil; hesaplama maliyeti ve esneklik dengesine göre birkaç farklı yaklaşım var.
Karşılaştırma Tablosu
| Yöntem | Güncellenen Parametre | Donanım İhtiyacı | Tipik Kullanım |
|---|---|---|---|
| Full fine-tuning | Modelin tüm ağırlıkları | Çok yüksek (çoklu GPU/TPU) | Büyük bütçeli kurumsal projeler |
| LoRA | Küçük ek katmanlar (düşük ranklı matrisler) | Orta (tek GPU’da mümkün) | Orta ölçekli özelleştirme, hızlı deneme |
| QLoRA | Nicelenmiş (quantized) model üzerinde LoRA | Düşük (tüketici GPU’ları yeterli) | Sınırlı bütçeli geliştirici projeleri |
| Yönetilen API fine-tuning | Sağlayıcı tarafında, kapalı kutu | Yok (bulut üzerinden) | Kod yazmadan hızlı özelleştirme |
LoRA (Low-Rank Adaptation), modelin tüm parametrelerini güncellemek yerine, her katmana küçük ve eğitilebilir ek matrisler ekleyerek büyük bir kısmını sabit tutar. Bu, eğitim maliyetini ciddi ölçüde düşürürken sonuçların çoğu görevde full fine-tuning’e yakın kalmasını sağlar. QLoRA ise bir adım daha ileri giderek, temel modeli düşük hassasiyetli (nicelenmiş) formatta tutup üzerine LoRA uygulayarak tek bir tüketici sınıfı ekran kartıyla bile fine-tuning yapılabilmesini mümkün kılıyor.
Basit Bir API Fine-Tuning Örneği
from openai import OpenAI
client = OpenAI()
# Eğitim dosyasını yükle (JSONL: her satırda messages dizisi bulunan sohbet örnekleri)
training_file = client.files.create(
file=open("egitim_verisi.jsonl", "rb"),
purpose="fine-tune"
)
# Fine-tuning işini başlat
job = client.fine_tuning.jobs.create(
training_file=training_file.id,
model="gpt-4.1-mini-2025-04-14"
)
print(job.status)
Bu örnek yalnızca genel akışı göstermek içindir; gerçek projede veri temizliği, doğrulama seti ayırma ve eğitim sonrası test adımları da gerekiyor.
Ne Zaman Fine-Tuning, Ne Zaman RAG veya Prompt Engineering?
Fine-tuning’e başlamadan önce daha ucuz alternatiflerin gerçekten yetersiz kaldığından emin olmak gerekir. Çoğu proje, iyi tasarlanmış bir prompt veya RAG ile hedeflenen sonucun büyük kısmına ulaşabilir.
Fine-Tuning Öncesi Kontrol Listesi
- Prompt mühendisliği ve örnek (few-shot) tekniklerini yeterince denediniz mi?
- İhtiyacınız model davranışını mı (üslup, format, akıl yürütme deseni) yoksa güncel bilgiyi mi kapsıyor? İkincisi genelde RAG ile daha verimli çözülür.
- Yeterli kalitede ve miktarda eğitim verisi (genellikle en az birkaç yüz örnek) mevcut mu?
- Fine-tuning sonrası modeli değerlendirecek bağımsız bir test seti hazırladınız mı?
- Modeli düzenli olarak yeniden eğitecek bir süreç ve bütçe planlandı mı?
Fine-Tuning Maliyeti ve Riskleri
Fine-tuning’in en sık gözden kaçan riski “katastrofik unutma”dır: model, dar bir veri setiyle çok agresif eğitildiğinde, ilgisiz görevlerdeki genel yeteneklerini kaybedebilir. Bunu azaltmanın pratik yolu, eğitim veri setini çeşitlendirmek ve öğrenme oranını (learning rate) düşük tutmaktır. Bir diğer risk, düşük kaliteli veya önyargılı eğitim verisinin modelin çıktılarına doğrudan yansımasıdır; fine-tuning verisi ne kadar dikkatli hazırlanırsa hazırlansın, sonuç veri kalitesinden bağımsız olamaz.
Maliyet tarafında ise yönetilen API’ler üzerinden fine-tuning yapmak, kendi altyapınızda GPU kiralamaktan genelde daha öngörülebilir bir bütçe sunar; ancak büyük veri setleri ve sık yeniden eğitim ihtiyacı olan projelerde kendi altyapısını kurmak uzun vadede daha ekonomik olabilir. Karar verirken yalnızca eğitim maliyetini değil, modelin üretimde çalıştırılma (inference) maliyetini de hesaba katmak gerekir.
Fine-Tune Edilmiş Modeli Nasıl Değerlendirmeli?
Eğitim, doğrulama ve son test verisini ayırın. Aynı dağılımdan gelmek verinin eğitimde kullanılmış olduğu anlamına gelmez; asıl sorun örnek/kişi/zaman sızıntısıdır. Son test seti hiperparametre seçiminde kullanılmamalı, temel model ve yeni model aynı metriklerle karşılaştırılmalıdır.
Pratikte izlenmesi gereken birkaç ölçüt var: göreve özel doğruluk (örneğin doğru format veya doğru sınıflandırma oranı), yanıt tutarlılığı (aynı girdiye tekrar tekrar benzer kalitede yanıt verip vermediği) ve genel yeteneklerin korunup korunmadığı. Son madde özellikle önemli; bir model dar bir görevde mükemmelleşirken, ilgisiz sorularda beklenmedik şekilde kötüleşebilir. Bu yüzden fine-tuning sonrası değerlendirme, tek bir metrikle değil, birden fazla test senaryosuyla yapılmalı.
Üretime almadan önce küçük ölçekli bir “kanarya” (canary) dağıtımı da mantıklı bir ara adım olabilir: yeni modeli önce trafiğin küçük bir bölümünde çalıştırıp gerçek kullanıcı geri bildirimiyle karşılaştırmak, tam geçiş öncesi beklenmedik sorunları yakalamaya yardımcı olur.
Sıkça Sorulan Sorular
Fine-tuning yapmak için ne kadar veri gerekir?
Kesin bir sayı yok; ancak pratikte birkaç yüz kaliteli örnek genellikle gözle görülür bir iyileşme sağlar. Karmaşık görevlerde birkaç bin örneğe ihtiyaç duyulabilir.
Fine-tuning modelin tüm yeteneklerini değiştirir mi?
Hayır, model genel dil yeteneklerini büyük ölçüde korur; fine-tuning genellikle belirli bir görevdeki davranışı ince ayarlar, modeli sıfırdan yeniden eğitmez.
LoRA ile full fine-tuning arasında hangisini seçmeliyim?
Bütçeniz ve donanımınız sınırlıysa LoRA veya QLoRA makul bir başlangıç noktasıdır. Full fine-tuning genellikle yalnızca çok büyük veri setleri ve kurumsal ölçekli bütçelerde tercih edilir.
Fine-tuning yerine sadece daha iyi prompt yazmak yeterli olabilir mi?
Birçok durumda evet. Önce prompt mühendisliği ve few-shot örneklerle sonuç almaya çalışmak, fine-tuning’e göre çok daha hızlı ve ucuz bir ilk adımdır.
Fine-tuning edilmiş bir model ne kadar sürede eskir?
Bu, alanın ne kadar hızlı değiştiğine bağlıdır. Bilgi hızlı değişiyorsa (fiyatlar, güncel olaylar gibi) RAG daha sürdürülebilir olur; davranışsal özelleştirmeler ise genellikle daha uzun süre geçerliliğini korur.
2 Ekim 2026 API Durumu
OpenAI’nin güncel belgesi fine-tuning platformunun kapatılma sürecine girdiğini ve yeni kullanıcılara açık olmadığını belirtiyor. Kod, erişimi bulunan mevcut hesapların akışını anlatır; yeni bir hesapta çalışacağı vaat edilmiyor. Mevcut kullanıcılar ve fine-tuned modeller için takvimi resmî deprecation sayfasından doğrulayın. Belge en az 10 örnek ister ve 50 iyi örnekle değerlendirmeye başlamayı önerir; birkaç yüz örnek evrensel alt sınır değildir. QLoRA’nın tüketici GPU’suna sığması model boyutu, bağlam, optimizer ve batch’e bağlıdır.
Kaynak: OpenAI — SFT ve platform durumu.
