Eğitimin Amacı ve Kapsamı
Fine-tuning projelerinde 1.000 adet özenle tasarlanmış, tutarlı ve çeşitli örnek; 100.000 adet gürültülü ve dengesiz log kaydından çok daha başarılı modeller üretir. Bu eğitim, modelin davranışını doğrudan şekillendiren eğitim verisi mimarisini ve insan-yapay zeka ortak etiketleme süreçlerini öğretir.
Tek ve çok turlu diyalog şeması tasarımı, görev ve zorluk dağılımı dengeleme, uzman etiketleme kılavuzu (annotation playbook) yazımı, etiketleyiciler arası uyum (inter-annotator agreement), Argilla/Label Studio iş akışları ve üretim hatalarından veri geri besleme döngüsü (data flywheel) uygulamalı işlenir. Katılımcılar kendi kullanım senaryoları için üretime hazır bir fine-tuning dataset taslağı ve etiketleme spesifikasyonu oluşturur.
Kimler Katılmalı?
- Fine-tuning için veri hazırlayan veri bilimciler ve yapay zeka mühendisleri
- Alan uzmanlarıyla (SME) etiketleme süreçlerini yöneten yapay zeka ürün ve veri liderleri
- Kurumsal LLM veri boru hatlarını kuran veri mühendisleri
- Ön koşul: Python, JSON/JSONL veri yapıları ve temel LLM bilgisi
Kazanımlar
- Hedef görev için girdi, bağlam, düşünce adımı ve çıktı alanlarını içeren standart veri şeması tanımlamak
- Kısa/uzun yanıt, pozitif/negatif senaryo ve alt görev oranlarını (mixture ratio) dengeli biçimde kurgulamak
- Alan uzmanlarının tutarlı veri üretmesini sağlayan net etiketleme kılavuzları ve altın örnekler hazırlamak
- Etiketleyiciler arası uyuşmazlığı (Fleiss'/Cohen's kappa) ölçüp belirsiz kuralları düzeltmek
- Üretim ortamındaki hatalı model yanıtlarını düzeltip yeni eğitim versiyonuna katan data flywheel kurmak
Konular
Veri Merkezli Fine-Tuning: LIMA İlkesi ve Şema Tasarımı
- Neden veri kalitesi ve stil tutarlılığı veri hacminden daha belirleyicidir?
- System, user, context, tool_calls ve assistant alanlarının standartlaştırılması
- Ara düşünce adımlarını (scratchpad / reasoning) çıktı şemasına dahil etme kararı
Görev Karışımı (Data Mixing) ve Dağılım Dengeleme
- Ana görev, yardımcı görevler ve genel yetenek koruma verisi arasındaki karışım oranları
- Uzunluk, ton, karmaşıklık ve "bilmiyorum / yetkim dışı" örneklerinin dengelenmesi
- Azınlık sınıflarda aşırı örnekleme (upsampling) ve ağırlıklandırma
Uzman Etiketleme (SME Annotation) ve Kalite Kontrol
- Alan uzmanları için uç durumları kapsayan annotation playbook yazımı
- LLM ön-üretimi + insan düzeltmesi (human-edited LLM drafts) ile etiketleme hızını artırma
- Inter-annotator agreement (IAA) ölçümü ve çelişkili etiketlerin hakem (adjudication) çözümü
Veri Versiyonlama, Soy Kütüğü (Lineage) ve Data Flywheel
- Her eğitim koşusunu tam veri snapshot'ı ve filtre parametreleriyle ilişkilendirme
- Canlı trafikteki düşük güvenli ve düzeltilmiş yanıtları aktif öğrenmeyle (active learning) seçme
Atölye: Fine-Tuning Dataset Taslağı ve Kılavuzu
- Kurumsal bir use case için şema, karışım planı ve ilk altın örnek setinin (seed set) yazılması
- Örnek veri üzerinde tutarlılık ve kapsam boşluğu incelemesi
Bu Kategorideki Diğer Eğitimler
-
İnce ayar yapılmış modellerde görev başarısını, catastrophic forgetting regresyonlarını, halüsinasyon ve güvenlik kaymalarını lm-evaluation-harness, özel görev testleri ve ikili kıyaslamalarla ölçme eğitimi.
- Canlı Kurs
- 5 modül
-
Llama, Qwen, Mistral, Gemma ve DeepSeek gibi açık ağırlıklı modelleri kurumsal ortama uyarlama; mimari farklar, özel kontrol token'ları, nicemleme (AWQ/GGUF/FP8) ve self-hosted dağıtıma hazırlama eğitimi.
- Canlı Kurs
- 5 modül
-
Sondan eklemeli Türkçe yapısının BPE tokenizer verimliliğine etkisini, kelime dağarcığı genişletme ve continual pre-training yöntemlerini, Türkçe benchmark ve kültürel/hukuki bağlam uyarlamasını ele alan eğitim.
- Canlı Kurs
- 5 modül
-
Çoklu GPU ve çoklu sunucu kümelerinde büyük dil modellerini eğitmek için Data/Tensor/Pipeline/Context paralelliği, DeepSpeed ZeRO-1/2/3, PyTorch FSDP2 ve iletişim darboğazı optimizasyonu eğitimi.
- Canlı Kurs
- 5 modül
-
DeepSeek-R1 tarzı akıl yürütme modellerini doğrulanabilir ödüllerle (RLVR) ve kritik modelsiz Group Relative Policy Optimization (GRPO) algoritmasıyla eğitmeyi öğreten ileri seviye uygulama eğitimi.
- Canlı Kurs
- 5 modül
-
LLM eğitim veri setlerinde MinHash ve embedding tabanlı tekilleştirme (deduplication), test/benchmark sızıntısı (contamination) temizliği, kalite puanlama ve PII maskeleme boru hatları kurma eğitimi.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
