# Fine-Tuning (İnce Ayar) Nedir? > Source: https://sukruyusufkaya.com/blog/fine-tuning-nedir > Updated: 2026-07-05T16:07:46.551Z > Type: blog > Category: yapay-zeka **TLDR:** Fine-tuning nedir? Fine-tuning (ince ayar), önceden eğitilmiş bir yapay zeka modelini, daha küçük ve göreve özel bir eğitim verisiyle yeniden eğiterek belirli bir davranışa, tona veya alana uyarlama yöntemidir. Bu rehber: net tanım, fine-tuning nasıl çalışır, SFT ve LoRA gibi türleri, eğitim verisi hazırlama, RAG ile farkı, Türkiye ve sektör örnekleri, KVKK, sınırlar ve sık sorulan sorular. Fine-tuning nedir? Fine-tuning (Türkçesiyle ince ayar), önceden büyük bir veriyle eğitilmiş bir yapay zeka modelini, daha küçük ve göreve özel bir eğitim verisiyle yeniden eğiterek modelin davranışını, tonunu veya bir alandaki uzmanlığını kalıcı olarak değiştirme yöntemidir. Böylece genel amaçlı bir model, belirli bir görev veya kurum için özelleştirilmiş bir modele dönüşür. Bir dil modeli kutudan çıktığında her şeyi "ortalama" iyi yapar ama hiçbir şeyde sizin kurumunuza özgü değildir. Fine-tuning tam olarak burada devreye girer: modele yeni bir gerçek ezberletmekten çok, bir işi sizin istediğiniz biçimde nasıl yapacağını gösterir. Bu rehber fine-tuning nedir, nasıl çalışır, SFT ve LoRA gibi türleri nelerdir, eğitim verisi nasıl hazırlanır ve RAG ile farkı nedir sorularını uygulayıcı gözüyle yanıtlıyor. ## Fine-Tuning Neden Gerekli? Genel Model ile Özel İhtiyaç Arasındaki Boşluk Önceden eğitilmiş büyük bir model (bkz. LLM nedir) devasa bir genel bilgiyle gelir, ama bu genellik hem güçlü hem de sınırlayıcıdır. Model, hukuki bir dilekçeyi de, bir pazarlama metnini de, bir kod parçasını da makul biçimde üretebilir; ancak hiçbirini sizin kurumunuzun ses tonuyla, terminolojisiyle veya çıktı formatıyla üretmez. Genel yetenek ile özel ihtiyaç arasında her zaman bir boşluk kalır. Bu boşluğu kapatmanın üç yolu vardır: prompt engineering (talimatı iyi yazmak), RAG (dışarıdan bilgi eklemek) ve fine-tuning (modeli yeniden eğitmek). İlk ikisi modelin ağırlıklarına dokunmaz; sadece o anki bağlamı biçimlendirir. Fine-tuning ise farklıdır: modelin içindeki ağırlıkları güncelleyerek istenen davranışı kalıcı hâle getirir. Bir talimatı her seferinde tekrar yazmak yerine, model o davranışı artık "öğrenmiş" olur. İşte fine-tuning nedir sorusunun uygulamadaki karşılığı budur: davranışı prompt'a değil, modelin kendisine gömmek. ## Fine-Tuning Nasıl Çalışır? Fine-tuning, sıfırdan eğitim değildir; hazır bir modelin üzerine ince bir katman ekler. Süreç, önceden eğitilmiş modelin ağırlıklarıyla başlar ve göreve özel, etiketli örneklerden oluşan bir eğitim verisiyle bu ağırlıkları küçük adımlarla ayarlar. Model her örnekte "benim ürettiğim çıktı, beklenen çıktıdan ne kadar sapıyor?" sorusunu yanıtlar ve ağırlıklarını bu sapmayı azaltacak yönde günceller. Buradaki en kritik nokta, aşırı öğrenme (overfitting) dengesidir: model, eğitim örneklerini ezberlerse yeni durumlara genelleyemez. Bu yüzden eğitim verisinin çeşitliliği ve ayrı bir doğrulama kümesi, sürecin vazgeçilmez parçalarıdır. Fine-tuning, doğru yapıldığında modelin genel yeteneğini korurken onu istenen davranışa yaklaştırır. ## Fine-Tuning Türleri: SFT, LoRA ve Diğerleri Fine-tuning tek bir teknik değil, bir yöntem ailesidir. En temel ayrım, modelin ağırlıklarının ne kadarının güncellendiğidir. En yaygın başlangıç noktası SFT (Supervised Fine-Tuning, denetimli ince ayar): modele "şu girdiye şu çıktıyı ver" biçiminde etiketli örnekler gösterilir ve model bu eşleşmeleri öğrenir. SFT, çoğu davranış ve format uyarlamasının temelidir. Tüm ağırlıkları güncellemek pahalı ve bellek-yoğun olduğu için parametre-verimli yöntemler (PEFT) gelişti. Bunların en bilineni LoRA (Low-Rank Adaptation): modelin orijinal ağırlıklarını dondurur, yalnızca eklenen küçük bir matris kümesini eğitir. LoRA çok daha az kaynakla özelleştirme sağlar ve farklı görevleri ayrı "adaptör"lerle yönetmeyi kolaylaştırır. Bunların ötesinde, modeli insan tercihiyle hizalayan RLHF gibi ileri yöntemler de fine-tuning ailesine girer. Pratikte çoğu kurum için sıralama nettir: önce prompt engineering, sonra RAG, ihtiyaç sürerse SFT veya LoRA. En pahalı ve en kalıcı müdahale olan tam ince ayar, çoğu senaryoda gereksizdir. ## Eğitim Verisi Neden En Önemli Bileşen? Fine-tuning başarısının %80'i eğitim verisinde saklıdır. Model, ona ne gösterirseniz onu öğrenir; dolayısıyla veri kalitesi doğrudan model kalitesine dönüşür. İyi bir eğitim verisi üç özelliği taşır: temizlik (hatalı veya çelişkili örnek içermez), tutarlılık (aynı tür girdiye aynı biçimde yanıt verir) ve temsil gücü (gerçek kullanımı yansıtır). Sık yapılan hata, "ne kadar çok veri o kadar iyi" varsayımıdır. Oysa gürültülü, çelişkili veya dengesiz bir eğitim verisi, modele yanlış örüntüler öğretir ve genel yeteneğini bozabilir. Birkaç yüz özenle hazırlanmış örnek, on binlerce dağınık örnekten çoğu zaman daha iyi sonuç verir. Bu yüzden fine-tuning projelerinde asıl emek, modeli eğitmekte değil, eğitim verisini titizlikle hazırlamakta harcanır. Fine-tuning, verinizdeki her kusuru büyütür. Eğitim verisinde tutarsız ton, yanlış etiket veya taraflı örnekler varsa, model bunları sadakatle öğrenir ve üretimde tekrarlar. Veriyi eğitmeden önce insan gözüyle denetlemek, en yüksek getirili adımdır. ## Fine-Tuning ile RAG Arasındaki Fark Nedir? Bu, kurumların en sık sorduğu sorudur ve iki yaklaşımı karıştırmak pahalı hatalara yol açar. Kısa cevap: fine-tuning davranış değiştirir, RAG bilgi ekler. Fine-tuning modelin nasıl konuştuğunu, hangi formatta yanıt verdiğini ve bir alandaki tarzını kalıcı olarak biçimlendirir. RAG ise (bkz. RAG nedir) modele, yanıt üretmeden önce dışarıdan güncel ve kuruma özel belgeler getirir. RAG ile farkı bir örnekle netleşir: müşteri destek asistanınızın her zaman aynı nazik, kurumsal tonda ve belirli bir yanıt formatında konuşmasını istiyorsanız bu bir fine-tuning işidir. Ama asistanın dünkü fiyat listesini veya yeni yayınlanan bir politikayı bilmesini istiyorsanız bu bir RAG işidir. Güncel ve sık değişen bilgiyi fine-tuning'e gömmek hatadır; çünkü bilgi değiştiğinde modeli yeniden eğitmeniz gerekir. İkisi rakip değil, tamamlayıcıdır. Olgun sistemlerde sık görülen kalıp şudur: davranış ve format için hafif bir fine-tuning, güncel bilgi için RAG. Bu kararın senaryo bazlı ayrıntısını ve kurumsal mimariyi kurumsal RAG sistemleri çözümünde ele alıyoruz. ## Fine-Tuning Ne Zaman Doğru Seçimdir? Fine-tuning maliyetli ve kalıcı bir müdahaledir; bu yüzden "yapabiliyorum" değil, "gerekiyor" sorusuyla başlanmalıdır. Pratikte doğru sıralama şudur: önce prompt engineering ile talimatı iyileştirin, işe yaramazsa RAG ile bilgiyi bağlama ekleyin, ve yalnızca her ikisi de yetmediğinde fine-tuning'e geçin. Bu merdiveni atlamak, çoğu projede gereksiz maliyet ve karmaşıklık demektir. Fine-tuning'in gerçekten öne çıktığı üç durum vardır. Birincisi, çıktı biçiminin katı ve tutarlı olması gerektiği durumlardır: modelin her seferinde aynı yapıda JSON, aynı rapor şablonu veya aynı sınıflandırma etiketlerini üretmesi gerekiyorsa, bunu prompt'la garanti etmek zordur; fine-tuning ise davranışı sabitler. İkincisi, kuruma özgü bir tonun veya stilin ölçekli biçimde korunması gerektiği durumlardır. Üçüncüsü, gecikme ve maliyetin kritik olduğu, uzun talimatları her çağrıda göndermenin pahalıya geldiği yüksek hacimli senaryolardır; davranış modele gömüldüğünde prompt kısalır. Bunun tersine, bilgi sık değişiyorsa, kaynak göstermek zorunluysa veya veri hacminiz sınırlıysa fine-tuning yanlış araçtır. Bu ayrımı baştan yapmak, hem bütçeyi hem de zamanı korur; ekibinizin bu kararı sağlıklı verebilmesi için öğrenme merkezindeki kaynaklar ve uygulamalı kurumsal eğitim programları iyi bir başlangıçtır. ## Gerçek Dünya ve Türkiye Örnekleri Fine-tuning'in değeri, dar ve iyi tanımlanmış görevlerde en yüksektir. Birkaç somut senaryo bunu netleştirir. Bir hukuk teknolojisi şirketi, dilekçe taslaklarını her zaman aynı resmi yapıda üretmek için bir modeli kendi geçmiş belgeleriyle ince ayarlayabilir. Bir e-ticaret markası, ürün açıklamalarını marka sesiyle ve tutarlı bir formatta üretmek için fine-tuning kullanabilir. Bir çağrı merkezi, müşteri mesajlarını sabit bir etiket kümesine sınıflandıran bir modeli göreve özel veriyle eğitebilir. Türkiye bağlamında öne çıkan bir alan, Türkçe dil ve alan uyarlamasıdır: genel bir modelin Türkçe hukuk, sağlık veya finans terminolojisine ve resmî yazım geleneğine uyarlanması, fine-tuning'in tipik bir kullanımıdır. Yerelleştirilmiş çıktı kalitesi, çoğu zaman modeli büyütmekten değil, doğru eğitim verisiyle ince ayarlamaktan gelir. Bu araçların ekosistemi de olgun: OpenAI, Google ve Hugging Face gibi platformlar, hazır modeller üzerinde fine-tuning yapmayı hem API hem de açık kaynak araçlarıyla erişilebilir kılıyor. Ancak araç erişilebilirliği, doğru problem seçimini ve veri kalitesini garanti etmez; asıl fark bu iki alanda yaratılır. ## KVKK, Güvenlik ve Kişisel Veri Riski Fine-tuning, RAG'e göre gizlilik açısından daha hassas bir yöntemdir; çünkü eğitim verisine giren her şey modelin ağırlıklarına gömülür. RAG'de bir belgeyi kaynaktan silerseniz sistem artık ona erişemez; oysa fine-tuning'te modele öğretilen bir kişisel veriyi geri almak çok daha zordur. Bu, KVKK açısından ciddi bir sorumluluk doğurur. Bu yüzden fine-tuning öncesi birkaç adım şarttır: eğitim verisindeki kişisel verileri anonimleştirmek veya kaldırmak, verinin işlenme amacını ve saklama süresini tanımlamak, modele ve çıktısına erişimi kontrol etmek. Türkiye'de faaliyet gösteren kurumlar için bu, isteğe bağlı bir iyi uygulama değil, uyumun temel bir parçasıdır. Güvenli bir özelleştirme mimarisi kurmak için yapay zeka danışmanlığı ile başlayabilir, ekibinizi hazırlamak için kurumsal eğitim seçeneklerine bakabilirsiniz. ## Fine-Tuning'in Sınırları ve Yaygın Hatalar Fine-tuning güçlü ama sıkça yanlış yere uygulanan bir araçtır. En yaygın hatalar şunlardır: - **Yanlış problem seçimi:** Güncel bilgi ihtiyacını fine-tuning ile çözmeye çalışmak. Bu neredeyse her zaman RAG işidir. - **Zayıf eğitim verisi:** Az, gürültülü veya tutarsız veriyle eğitmek; modele yanlış örüntüler öğretir. - **Aşırı öğrenme:** Modeli dar bir veriye fazla uydurmak, genel yeteneğini bozar ve yeni durumlarda kırılganlaştırır. - **Erken başvurma:** Prompt engineering ve RAG denenmeden doğrudan fine-tuning'e geçmek; çoğu zaman gereksiz maliyet demektir. - **Değerlendirme eksikliği:** Ayrı bir test kümesi ve net başarı ölçütü olmadan eğitmek, iyileşmeyi ölçmeyi imkânsız kılar. Özetle fine-tuning, bir başlangıç değil, doğru koşullar oluştuğunda başvurulan bir ileri adımdır. Temeli prompt engineering ve RAG ile atmak, çoğu kurumu fine-tuning'e hiç gerek kalmadan hedefine ulaştırır. ## Sıkça Sorulan Sorular ### Fine-tuning ile RAG arasındaki fark nedir? Fine-tuning modelin davranışını, tonunu ve formatını kalıcı olarak değiştirir; RAG ise modele dışarıdan güncel bilgi ekler. Kuruma özel güncel bilgi gerekiyorsa RAG, tutarlı bir stil veya çıktı biçimi gerekiyorsa fine-tuning uygundur. İkisi çoğu zaman birlikte kullanılır. ### Fine-tuning için ne kadar eğitim verisi gerekir? Kesin bir sayı yoktur; görev karmaşıklığına bağlıdır. Çoğu davranış uyarlaması, birkaç yüz ile birkaç bin arasında temiz ve tutarlı örnekle yapılabilir. Kritik olan miktar değil kalitedir: az ama doğru etiketlenmiş veri, çok ama gürültülü veriden daha iyi sonuç verir. ### LoRA nedir ve neden tercih edilir? LoRA (Low-Rank Adaptation), modelin tüm parametrelerini değil, eklenen küçük bir parametre kümesini eğiten parametre-verimli bir fine-tuning yöntemidir. Daha az bellek ve maliyetle özelleştirme sağlar, birden çok görevi ayrı adaptörlerle yönetmeyi kolaylaştırır; bu yüzden pratikte sık tercih edilir. ### Fine-tuning modele yeni bilgi öğretir mi? Sınırlı biçimde. Fine-tuning temelde davranış ve stil uyarlar; güncel veya kuruma özel gerçekleri güvenilir biçimde ezberletmek için tasarlanmamıştır. Yeni ve değişen bilgi gerekiyorsa RAG daha uygundur; fine-tuning bilgiyi kalıcı gömerse eski veya yanlış bilgi de kalıcılaşabilir. ### Küçük bir kurum fine-tuning yapmalı mı? Çoğu durumda önce prompt engineering ve RAG denenmelidir; bunlar daha hızlı, ucuz ve esnektir. Fine-tuning, tutarlı bir ton veya özel bir çıktı formatı ölçekli biçimde gerektiğinde anlam kazanır. Dar, ölçülebilir bir senaryoyla başlamak riski düşürür. ### Fine-tuning kişisel veri açısından risk taşır mı? Evet. Eğitim verisine giren kişisel veriler modele gömülür ve sonradan silmek zordur; bu KVKK açısından dikkat gerektirir. Fine-tuning öncesi veriyi anonimleştirmek, amaç ve saklama süresini tanımlamak ve erişim kontrolü kurmak gerekir. ## Özetle: Fine-Tuning Nedir? Özetle fine-tuning nedir sorusunun cevabı şudur: önceden eğitilmiş bir modeli göreve özel bir eğitim verisiyle yeniden eğiterek davranışını, tonunu ve formatını kalıcı olarak özelleştiren yöntem. SFT en yaygın biçimidir, LoRA ise düşük maliyetli özelleştirmeyi mümkün kılar. RAG ile farkı nettir: RAG bilgi ekler, fine-tuning davranış biçimlendirir. Temeli anlamak için LLM nedir ve token nedir rehberlerine göz atabilir, kurumsal bir özelleştirme yol haritası için öğrenme merkezine veya yapay zeka danışmanlığına başvurabilirsiniz.