AI Prompt Engineering · Ders

İnce Ayar Ne Zaman Yapılmalı

İstem yazmanın sınırlarına ulaşıldığını gösteren işaretler.

İnce Ayar Ne Zaman Yapılmalı, CoddyKit'te ücretsiz bir AI Prompt Engineering dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Prompt Engineering öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

İnce Ayar Bir Kanıt Kararıdır

İnce ayar yalnızca istemlemenin bir engele takıldığını gösteren verileri işaret edebildiğinizde gerekçelendirilebilir. Tetikleyici hiçbir zaman bir sezgi değildir; en iyi ve dürüst istem, optimizasyon merdiveninde ilerlemenize rağmen kalite ölçütünüzün altında plato yaptığında, bu durum ayrılmış bir değerlendirmede görülmelidir.

İnce ayar esnekliği; tutarlılık, çağrı başına daha düşük maliyet ve öğrenilmiş davranış karşılığında takas eder
Maliyeti bir veri hattı, değerlendirme altyapısı ve temel model değiştikçe yeniden ince ayardır
İstemlemenin düzeltemediği belirli hatayı adlandırabilmeniz gerekir

Sinyal 1: İstem Platosu

En açık sinyal, dondurulmuş bir değerlendirme kümesindeki platodur. Örnekler ekler, ayrıştırır, doğrulayıcılar eklersiniz; hatalar rastgele değil sistematik kalırken puan yükselmeyi bırakır.

Sistematik artık hatalar (modelin sürekli olarak aynı yapıyı yanlış ele alması), davranışın talimat yoluyla ortaya çıkarılmasının zor olduğu anlamına gelir. Bu, ince ayara uygun bir sorundur. Rastgele ve dağınık hatalar ise genellikle istemin veya verilerin hâlâ gürültülü olduğu anlamına gelir; bunun yerine yinelemeye devam ediniz.

# Track eval score vs prompt-iteration; flat tail = plateau
scores = [0.62, 0.71, 0.78, 0.79, 0.795, 0.796]  # diminishing returns
def plateaued(scores, window=3, eps=0.01):
    tail = scores[-window:]
    return (max(tail) - min(tail)) < eps

print(plateaued(scores))  # True -> prompting has stalled

Sinyal 2: İstem Uzunluğu Ürünün Kendisi Olur

Kaliteyi korumak için istem, binlerce belirteçlik örnek ve kurala ulaştığında, öğrenilmiş davranışı taklit etmek üzere her çağrıda gecikme ve maliyet bedeli ödersiniz.

Bu belirteçler kararlı ve tekrarlayan davranışları (sabit bir biçim, tutarlı bir üslup veya yönlendirme kararı) kodluyorsa, ince ayar bunları ağırlıklara katlayabilir; davranışı korurken istemi büyük ölçüde kısaltabilir. Bu, en yaygın meşru ince ayar kullanım alanı olan istem damıtımıdır.

Sinyal 3: Kesin Gecikme veya Maliyet Tabanı

Dar bir görevde daha büyük bir modelin davranışına uyacak daha küçük, daha hızlı ve daha ucuz bir modele ihtiyacınız varsa ince ayar doğru araçtır. Büyük modelin çıktılarını küçük bir ayarlanmış modele damıtırsınız.

Bu yaklaşım şu durumlarda gerekçelidir: hacim başa baş noktasının üzerindedir, gecikme bütçesi dardır ve görev, küçük bir modelin öğrenebileceği kadar dardır. Bu koşulların dışında mühendislik ek yükü buna değmez.

# Distillation data: teacher (big model) labels -> student (small) trains
def make_distill_pair(prompt, teacher_fn):
    completion = teacher_fn(prompt)  # high-quality big-model output
    return {'messages': [
        {'role': 'user', 'content': prompt},
        {'role': 'assistant', 'content': completion},
    ]}

Sinyal 4: Kendine Özgü Biçim veya Üslup

Bazı çıktılar o kadar özeldir ki onları tanımlamak, büyük ölçekte göstermelerinden daha pahalıya gelir: tescilli bir DSL, binlerce küçük kural içeren kurumsal yazım üslubu veya sayısız koşullu alana sahip katı bir alan şeması.

Biçime uygunluğun neredeyse kusursuz olması gerektiğinde ve kurallar bir istemde sıralanamayacak kadar çok olduğunda, yüzlerce örnek örüntüyü düzyazıdan daha güvenilir biçimde öğretir. İnce ayar, örtük yapıyı içselleştirme ve açık talimata direnen örüntüleri öğrenme konusunda başarılıdır.

Sinyal 5: Modelin Direndiği Davranış

Bazen bir model bir talimata karşı çıkar: yasakladığınız çekinceleri eklemeyi sürdürür, zararsız bir görevi reddeder veya yük altında varsayılan üsluba geri döner. Güçlü ve tekrarlanan talimatlar ile örnekler davranışı güvenilir biçimde bastıramıyorsa, bu direnç temel ağırlıklara yerleşmiş bir önkabuldür.

İnce ayar bu tür önkabulleri geçersiz kılabilir. Ancak önce direncin gerçek olduğunu ve istemin açıklığıyla ilgili bir sorun olmadığını doğrulayınız; yanlış atfedilen direnç gereksiz eğitim çalıştırmalarına yol açar.

Karşı Sinyaller: Ne Zaman İnce Ayar YAPILMAMALI

Yanlış alarmları fark etmek de aynı derecede önemlidir. Şu durumlarda ince ayar YAPMAYINIZ:

Eksiklik bilgiyle ilgilidir — bunun yerine erişiniz; ince ayar güncelliğini yitirmiş ve kayıplı olguları yerleştirir
Belirtim hâlâ haftalık olarak değişiyordur — sürekli yeniden eğitim yapmanız gerekir
Birkaç yüz temiz örnekten azına sahipsinizdir — sinyal çok az, aşırı uyum riski yüksektir
Hatalar sistematik değil rastgeledir — veriler veya istem hâlâ gürültülüdür
Bir değerlendirme düzeneğiniz yoktur — ince ayarın gerçekten yardımcı olup olmadığını anlayamazsınız

Veri Hazırlığı Kapısı

İnce ayar kalitesi, veri kalitesiyle sınırlıdır. Taahhütte bulunmadan önce bir hazırlık kapısından geçiniz: yeterli sayıda örnek bulunmalı, örnekler önem verdiğiniz durumlar arasında dengeli dağılmalı, etiketler tutarlı olmalı ve değerlendirme puanlarını yapay biçimde yükselten veri sızıntısı bulunmamalıdır.

Özenle seçilmiş birkaç yüz örnek, gürültülü on binlerce örnekten daha değerlidir. Etiketleriniz birbiriyle uyuşmuyorsa model gürültüyü öğrenir.

def data_ready(examples, min_n=300, max_dupe_ratio=0.05):
    n = len(examples)
    texts = [e['messages'][0]['content'] for e in examples]
    dupe_ratio = 1 - (len(set(texts)) / n)
    return n >= min_n and dupe_ratio <= max_dupe_ratio

# Returns False until you have enough deduped, curated examples

İnce Ayar Yöntemini Seçme

Her ince ayar, tüm ağırlıkların eğitilmesi anlamına gelmez. Yöntemi sinyale uygun seçiniz:

LoRA / bağdaştırıcılar - ucuz, hızlı ve geri alınabilirdir; üslup ve biçim damıtımı için idealdir
Tam ince ayar - daha ağırdır; yetenekli açık modellerde derin davranış değişimleri için kullanılır
Tercih ayarı (DPO tarzı) - altın standart tamamlamalar yerine iyi/kötü çiftli yargılara sahip olduğunuzda kullanılır

Sinyalin gerektirdiği en hafif yöntemle başlayınız. LoRA tarzı bağdaştırıcılar, maliyetin çok küçük bir bölümüyle üretim durumlarının çoğunu karşılar.

Ön Taahhüt Protokolü

Bir eğitim çalıştırması başlatmadan önce, sonucu yorumlanabilir kılmak için deneyi sabitleyiniz:

Modelin eğitim sırasında hiçbir zaman görmeyeceği ayrılmış bir değerlendirme kümesini dondurunuz
Yalnızca istem kullanılan en iyi temel puanı bu kümede kaydediniz
Hedeflenen kazanımı ve maliyet tavanını önceden belirtiniz
Geri alma planını tanımlayınız: ayarlanmış model temel modeli hedeflenen ölçüde geçmezse istemi kullanıma sununuz

Önceden taahhüt edilmiş bir temel ve hedef olmadan, ince ayarın maliyetini karşıladığını kanıtlayamazsınız.

Sinyalleri Bir Araya Getirme

Sinyalleri tek bir devam/etme kapısında birleştiriniz. İnce ayar yalnızca istemleme plato yaptığında AND veriler hazır olduğunda AND eksiklik davranışla ilgili olduğunda ilerler; tek bir sinyalin tek başına ortaya çıkması yeterli değildir.

def should_fine_tune(plateaued, data_ready, gap_is_behavior,
                     spec_stable, has_eval_harness):
    return all([
        plateaued,        # prompting stalled on frozen eval
        data_ready,       # enough clean, deduped examples
        gap_is_behavior,  # not a knowledge gap (else use RAG)
        spec_stable,      # task definition has settled
        has_eval_harness, # can measure the lift
    ])

print(should_fine_tune(True, True, True, True, True))  # True -> proceed

Hızlı Kontrol

Dondurulmuş bir değerlendirme kümesinde modelin hataları birçok farklı girdi türüne rastgele ve dağınık biçimde yayılıyor ve örnekleri değiştirdiğinizde puan hâlâ sıçrıyorsa, bu ince ayar hazırlığı hakkında ne gösterir?

Özet

İnce ayarı sezgiyle değil, kanıtla yapınız. Meşru sinyaller şunlardır: sistematik hatalarla birlikte gerçek bir plato, ürünün kendisi hâline gelmiş istem uzunluğu, kesin bir gecikme/maliyet tabanı, kendine özgü biçimler veya temel modelin direndiği davranış.

Karşı sinyaller: bilgi eksiklikleri, değişken belirtimler, yetersiz veri, rastgele hatalar ve değerlendirme düzeneğinin olmaması
Eğitimden önce veri hazırlığı kapısından geçiniz — kalite sonucu sınırlar
Sinyalin gerektirdiği en hafif yöntemi seçiniz (önce LoRA tarzı)
Dondurulmuş bir değerlendirmeyi, temel puanı, hedeflenen kazanımı ve geri alma planını önceden taahhüt ediniz
Yalnızca plato AND veri hazırlığı AND davranış eksikliği koşullarının tümü sağlandığında ilerleyiniz

Sıkça Sorulan Sorular

“İnce Ayar Ne Zaman Yapılmalı” dersi ücretsiz mi?

Evet — “İnce Ayar Ne Zaman Yapılmalı” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Prompt Engineering kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Prompt Engineering kursu toplamda 4 dersten oluşur.

“İnce Ayar Ne Zaman Yapılmalı” dersinde ne öğreneceğim?

İstem yazmanın sınırlarına ulaşıldığını gösteren işaretler. AI Prompt Engineering ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Prompt Engineering öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Prompt Engineering, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“İnce Ayar Ne Zaman Yapılmalı” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Prompt Engineering dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Prompt Engineering dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← AI Prompt Engineering Sayfasına Dön