5.2 Karar Ağacı — RAG mı, İnce Ayar mı?¶
Yabancı kelime mi gördün?
Concept drift (kavram kayması) = verinin zamanla değişmesi; bu ayın müşteri sorusu geçen yılın sorusundan farklı. Latency budget (gecikme bütçesi) = uygulamanın cevap süresi bütçesi; chatbot 2-3 sn, toplu ajan 30 sn tolere eder. Cold start (soğuk başlangıç) = ilk kullanıcı için modelin yüklenme/açılma süresi; barındırılan ince ayarda 30-90 sn olabilir, API çağrısında neredeyse 0. Staleness (bayatlık) = modelin güncel olmaması; RAG'de parça (chunk) güncel kalır, ince ayar modeli eğitildiği günden sonra "donuk" olur. Hibrit (hybrid) = RAG + ince ayar birlikte; genellikle ince ayar ton/biçem için, RAG bilgi için. TCO (Total Cost of Ownership — toplam sahiplik maliyeti) = sadece API/eğitim faturası değil, GPU + bakım + zaman + risk maliyetinin toplamı. A/B test = iki sürümü eş zamanlı canlıda denemek; kullanıcının %50'si A, %50'si B alır. Provisioned throughput (ayrılmış işleme kapasitesi) = AWS Bedrock + Vertex AI gibi platformlarda barındırılan modele saatlik ödeme; minimum 1 saat ücretlendirme.
Neden bu sayfa?¶
5.1'de kavramları gördün. Bu sayfa o kavramları karara dönüştürür. Müşterin geldi: "Bana hukuki doküman analizi sistemi kur." Nereden başlarsın?
AI Engineer'ı yeni başlayandan ayıran nokta: doğru soru sorma refleksi. Bu sayfa 10 kriterli soru listesi verir — her biri kararı daraltır. 10 dakika sonra müşterine: "Sizinki için RAG + prompt mühendisliği yeter; ince ayara şu noktada ihtiyaç olursa geri dönelim" diyebiliyorsun.
İkincisi: Mülakat sorusu olarak doğrudan çıkar. 10.2 sayfasında "İnce ayar mı, RAG mi?" sorusu vardı; bu sayfa o cevabı derinleştirir. Senaryo soruları için (10.2'deki senaryo 29) somut cevap şablonu.
Üçüncüsü: Bu sayfa imza niteliğinde — Bölüm 5'in karar-odaklı sayfası. Index'te 🏁 işaretli. 5.4 pratik imzası (Colab'de LoRA), 5.2 kavramsal imzası (karar refleksi).
10 kriterli karar soruları¶
Yeni proje için sırayla sor:
1. Veri değişim sıklığı¶
Soru: Model görevinin bilgisi ne sıklıkta değişir?
| Sıklık | Kategori | Tercih |
|---|---|---|
| Saat / gün | Fiyat, stok, haber | RAG (ince ayar anlık güncellenemez) |
| Hafta | Müşteri kataloğu, doküman | RAG |
| Ay | Ürün kılavuzu | RAG veya hibrit |
| Yıl | Şirket stili, tıp kurallarının temeli | İnce ayar düşünülebilir |
| Hiç | Matematik sabitleri | Model zaten biliyor, hiçbiri gereksiz |
Altın kural: Veri ayda 1'den sık değişiyorsa RAG. İnce ayarda her güncellemede yeniden eğitim = sürdürülemez.
2. Kaynak alıntı gereksinimi¶
Soru: Kullanıcı cevabın hangi belgeye dayandığını görmeli mi?
- Evet: Hukuk, tıp, finans, akademi → RAG zorunlu. İnce ayarlı model "şu sayfadan" bilgi veremez (kaynak ile bilgi içselleştirilmiştir).
- Hayır: Günlük chatbot, stil değiştirme → ince ayar veya prompt.
Kaynak alıntı = RAG'in yapısal avantajı. Hiçbir ince ayar bu açığı kapatmaz.
3. Veri miktarı¶
Soru: Elinde kaç kaliteli örnek var?
| Örnek sayısı | Tercih |
|---|---|
| 0-50 | Prompt mühendisliği + few-shot (ince ayar yetersiz, ezberler) |
| 50-500 | Prompt + RAG |
| 500-2000 | RAG veya küçük LoRA |
| 2000-10.000 | LoRA/QLoRA anlamlı |
| 10.000+ | İnce ayarı ciddi düşün; sürekli ön-eğitim (continued pre-training) ihtimali |
4. Davranış mı bilgi mi?¶
Soru: Sorun ne?
| Sorun | Tercih |
|---|---|
| "Model bilmiyor" (yeni ürün, içine eklenmemiş bilgi) | RAG |
| "Model yanlış söylüyor" (stil, ton, format) | İnce ayar |
| "Model yapmıyor" (tool çağırmıyor, format dışında cevap veriyor) | Prompt mühendisliği + tool calling |
Örnek ayrımı:
- "Model 'müşteri' diyor, biz 'ürün sahibi' diyoruz" → İnce ayar (ton)
- "Model şirketin iade politikasını bilmiyor" → RAG (bilgi)
- "Model JSON dönüş formatına uymuyor" → tool_choice (prompt)
5. Latency bütçesi¶
Soru: Uygulaman ne kadar hızlı cevap vermeli?
- <500 ms (sesli ajan, gerçek zamanlı): İnce ayar (retrieval ek yükü yok) veya küçük model
- 500 ms - 3 sn (chatbot, akış): RAG uygun (retrieval 100-300 ms)
- >3 sn (toplu iş, ajan): Her ikisi de olur
RAG retrieval bir ek adım (embedding hesapla + Qdrant sorgu + bağlam ekle). Toplam gecikme 300-500 ms artar. Kritik durumda ince ayar veya cache.
6. Maliyet bütçesi¶
Soru: Aylık AI bütçesi?
| Aylık bütçe | Tercih |
|---|---|
| <$50 | Yönerge + hafif RAG + Haiku 4.5 (\(1/\)5) + yönerge önbelleği |
| $50-500 | RAG + Sonnet 4.6 (\(3/\)15) + yönerge önbelleği + heterojen model karması |
| $500-5000 | RAG (Opus 4.7 — \(5/\)25) + Batch API (%50 indirim) veya QLoRA kendi sunucunda |
| $5K+ | İnce ayar + kendi sunucunda kapsamlı düşün; Forward Deployed Engineer ile ön çalışma |
İnce ayarın gizli maliyeti (TCO — toplam sahiplik): GPU çıkarımı (inference). Bulutta A100 80 GB ayda ~\(300-500 (saatlik ~\)1.5-2 × yarım gün), H100 80 GB saatlik ~\(2-3 (RunPod, Lambda Labs 2026 fiyatları); Anthropic API'siyle aynı yükü ~\)100/ay tutar. İnce ayar %80+ kesintisiz kullanılırsa kendini karşılar; yoksa maliyet artar. AWS Bedrock'ta provisioned throughput modu en az 1 ay ayrılmış kapasite ister, ki bu küçük müşteri için cüzdan dostu değil.
7. Domain spesifiklik¶
Soru: Sorun ne kadar niche?
- Genel bilgi (özet, çeviri, soru-cevap): Claude zaten üstün → prompt yeter
- Orta niş (hukuk, tıp, finans): RAG kaynaklarla zenginleştir
- Derin niş (molecular biology terimleri, maritime law TR): FT veya hybrid
Claude + Voyage çoğu niş'te İngilizce ve Türkçe'de iyi. FT'ye atlamadan önce RAG + zengin kaynak + few-shot dene.
8. Bakım kapasitesi¶
Soru: Modeli canlı tutmak için kaç kişi ayırırsın?
- Solo (sen): RAG çok daha kolay. Qdrant + embedding = 1 haftada kurulur, ayda 1 saat bakım.
- 2-3 kişi: LoRA/QLoRA mümkün, aylık retrain döngüsü.
- 5+ kişi / ML team: Tam FT + continuous training düşünülebilir.
Solo için altın kural: FT'ye girme. Sürdürülemez. 6 ay sonra model "çürür" (concept drift) ve yeniden eğitim için zaman yok.
9. Veri sahipliği + gizlilik¶
Soru: Veri nerede kalmalı?
- Bulut tamam (KVKK uyumu varsa): Claude + Qdrant Cloud → kolay.
- Yerinde (on-prem) zorunlu (sağlık, savunma): Kendi sunucunda Qdrant + kendi sunucunda model (Llama / Qwen / DeepSeek). İnce ayar muhtemelen gerekli — API kullanamazsın.
- Hibrit: Hassas veri yerinde (embedding yerinde), LLM bulutta (anonimleştirilmiş prompt).
Yerinde + API kullanmaya direnç yüksekse ince ayar + kendi sunucunda Llama/Qwen tek seçenek.
10. Geri alınabilirlik¶
Soru: Yanlış giderse ne kadar hızlı düzeltebilirsin?
- Prompt — 1 dakikada
git commitile geri al. - RAG — parçaları (chunks) yeniden indeksle, 1 saatte geri al.
- İnce ayar — eski adaptörü yükle + yeni eğitim başlat; gün veya hafta sürer.
Kritik: İnce ayar "iade edilemez" değil ama "yavaş iade." Üretimdeki bir hata 3 gün kalıcı olursa müşteri kaybedebilirsin.
Karar ağacı — görsel¶
flowchart TB
START["🆕 Yeni AI projesi"]
Q1{"Veri ayda 1'den\nsık değişiyor mu?"}
Q2{"Kaynak alıntı\ngerekli mi?"}
Q3{"Davranış mı\nbilgi mi?"}
Q4{"Bakım için\n5+ kişi var mı?"}
Q5{"Bütçe $5K+/ay mı?"}
PROMPT["🎯 Prompt Engineering\nyeter"]
RAG["📚 RAG"]
RAG_PROMPT["📚 RAG + Prompt\ncaching"]
FT_LORA["🔧 LoRA/QLoRA\ndene"]
HYBRID["🔀 RAG + FT\n(ileri)"]
START --> Q1
Q1 -->|Evet| RAG
Q1 -->|Hayır| Q2
Q2 -->|Evet| RAG
Q2 -->|Hayır| Q3
Q3 -->|Bilgi| RAG_PROMPT
Q3 -->|Davranış/Stil| Q4
Q3 -->|Her ikisi| HYBRID
Q4 -->|Hayır| PROMPT
Q4 -->|Evet| Q5
Q5 -->|Evet| FT_LORA
Q5 -->|Hayır| PROMPT
classDef q fill:#dbeafe,stroke:#2563eb,color:#111
classDef result fill:#fef3c7,stroke:#ca8a04,color:#111
classDef warning fill:#fef3c7,stroke:#ca8a04,color:#111
classDef advanced fill:#fed7aa,stroke:#ea580c,color:#111
class Q1,Q2,Q3,Q4,Q5 q
class PROMPT,RAG,RAG_PROMPT result
class FT_LORA warning
class HYBRID advancedAğacın mesajı: 5 "evet/hayır" sorusu → karar. Çoğu yol RAG veya prompt'a çıkıyor — FT sadece çok spesifik koşulların birleşimi.
5 senaryo — pratik uygulama¶
Senaryo 1 — Müşteri destek chatbot'u¶
Durum: E-ticaret şirket, günlük 500 müşteri soru. Sipariş takibi + iade + kargo + ürün bilgisi.
Kriter uygulama: - Veri değişim: günlük (sipariş durumu değişir) → RAG - Kaynak: "Sipariş #X şuradan aldık" gerek → RAG - Davranış/bilgi: bilgi (ürün + sipariş) → RAG - Bakım: solo dev → RAG kolay - Gizlilik: bulut OK (KVKK form) → RAG kolay
Karar: RAG + prompt engineering. Sipariş veritabanı real-time; ürün katalogu Qdrant'ta; Claude Sonnet cevap. FT gerekmez.
Senaryo 2 — Hukuki doküman analizi¶
Durum: Hukuk bürosu, avukat sözleşmeleri yüklüyor, risk analizi istiyor.
Kriter uygulama: - Veri: sözleşme değişir, yasa değişir (nadiren) → RAG - Kaynak alıntı: kritik — "Madde 3'te riskli" demek gerek → RAG - Davranış: Avukat jargonu → prompt + few-shot yeter - Gizlilik: müşteri sözleşmesi hassas → KVKK rıza + şifreleme ama API OK
Karar: RAG + Claude Sonnet + kapsamlı system prompt. Yasalar + sözleşmeler ayrı Qdrant collection. Reference + line number gönderme zorunlu.
Senaryo 3 — Tıbbi tanı asistan (araştırma)¶
Durum: Radyoloji bölümü, X-ray + röntgen raporu yazım asistanı. Sadece araştırma ortamı, son karar radyolog.
Kriter uygulama: - Veri: tıbbi literatür (yıllık güncellemeler) + hastane protokolleri - Kaynak alıntı: zorunlu — tıp etiği - Davranış: radyolog tonu + rapor biçimi - Gizlilik: yerinde (on-prem) zorunlu (HIPAA / KVKK özel nitelikli veri) - Bütçe: araştırma projesi, uygun
Karar: Hibrit (RAG + LoRA ince ayar) kendi sunucunda. Llama 4 Scout (17B aktif / 109B toplam, MoE) kendi sunucunda; radyolog raporu biçimi için LoRA (500 örnek, DPO ile tercih ayarı sonrası); tıp literatürü (PubMed + hastane PACS verisi) Qdrant'a; yerinde. İnce ayar ton için, RAG bilgi için. Karmaşık proje; 3-6 aylık iş. Tıbbi yazılım için AB MDR (Medical Device Regulation) + AI Act yüksek risk yükümlülükleri 2026 Ağustos'ta yürürlüğe girer — uyum çalışmasını başlangıçtan kapsa.
Senaryo 4 — Finansal analiz (kişisel proje)¶
Durum: Kendi kişisel gelir-gider takibi + bütçe önerisi. Sadece senin verin.
Kriter uygulama: - Veri: kişisel, günlük değişir → RAG veya direkt prompt - Kaynak alıntı: yok (kişisel, sen zaten görürsün) - Davranış: samimi dil OK → prompt - Bakım: yalnız sen → minimal - Bütçe: düşük → Haiku
Karar: Prompt engineering + Claude Haiku + günlük CSV. Hayır, RAG bile gereksiz — CSV prompt'a direkt yapıştır. 200-satır Python script, tek dosya, ayda $2.
Senaryo 5 — Yaratıcı yazım — "Ahmet Ümit tonunda polisiye roman üret"¶
Durum: Roman yazarı, Ahmet Ümit'in 10 romanını verdi, benzer ton istiyor.
Kriter uygulama: - Veri: sabit (10 roman, değişmez) → ince ayar uygun - Kaynak alıntı: yok (yaratıcı eser) - Davranış: ton + stil değişimi → ince ayarın kullanım alanı - Gizlilik: eser telifli; edebi taklit (pastiche) için eğitim hukuki gri bölge — ticari için TELİF SAHİBİNDEN İZİN şart - Bütçe: hobi → düşük
Karar: QLoRA + Llama 3.2 1B Instruct veya Qwen3-1.7B (Türkçe iyi) + 200-300 örnek paragraf. Colab T4/L4 ücretsiz katmanı + Unsloth ile 1.5-2 saat eğitim, $0. Telif uyarısı (ciddi): Telifli eserle eğitilmiş model ticari kullanılırsa yazarın veya yayınevinin dava açma hakkı vardır (2024-2025'te ABD'de NYT vs OpenAI, Sarah Silverman vs Meta, Authors Guild vs OpenAI gibi davalar açıldı; 2026'da bazıları sonuçlandı, telif lehine eğilim). AB AI Act 53. madde "Genel Amaçlı AI" eğitim verisinin telif uyumunu zorunlu kılıyor. Sadece kişisel deney + paylaşmama koşuluyla yap.
Alternatif (daha basit): Claude Sonnet 4.6 + 20 Ahmet Ümit paragrafı few-shot + prompt caching. Kalite yetmezse LoRA.
Hybrid yaklaşım — ileri kullanım¶
RAG + FT birlikte. Amaç: FT ton/stil/format, RAG bilgi.
Mimari¶
[Kullanıcı sorusu]
↓
[RAG retrieval] ← Qdrant: bilgi kaynakları
↓
[Fine-tuned Llama] ← LoRA adapter: ton/stil/format
↓
[Cevap (müşteri tonunda + doğru bilgi)]
Hybrid'in maliyeti¶
- Compute: GPU self-host (Llama + adapter) veya Anthropic + FT başka platform
- Complexity: 2 sistem bakımı (RAG index + LoRA adapter)
- Bakım: her ikisinin de kendi refresh döngüsü
Hybrid ne zaman?¶
- Hukuk/tıp gibi kaynak alıntı + sektör dili ikisi birden gerekli
- Banka müşteri destek — stil şirket kimliği + veri gerçek zamanlı
- Çok-dilli + domain spesifik sistem (tıp İngilizce + Türkçe)
Çoğu projede gerekmez. Hybrid "gösterişli" ama bakım yükü çifte.
CTO tuzakları — 8 karar hatası¶
| # | Tuzak | Sonuç | Doğru |
|---|---|---|---|
| 1 | Sadece trende göre karar | "İnce ayar popüler" diye seçmek → maliyet patlar | 10 kriteri sırayla uygula |
| 2 | İlk denemede hibrit | 2 sistem bakımı + karmaşık | Önce tekil, yetmezse hibrit |
| 3 | Prompt denemeden RAG'e geç | Gereksiz Qdrant kurulumu | Prompt + few-shot önce |
| 4 | RAG denemeden ince ayara geç | \(500-\)5K gereksiz | RAG 1 haftada sonuç verir; ince ayar 4 haftada |
| 5 | "Müşteri ince ayar istedi" = ince ayar | Müşterinin teknik bilgisi eksik | Gereksinim analizi yap + sen karar ver |
| 6 | Tek senaryo için 3 saatlik karar tartışması | Boşa zaman | 10 kriter + 5 dakika yeter |
| 7 | Karar sonrası sorgulama yok | 3 ay sonra yanlış anlaşılır | 1 aylık kontrol noktası koy |
| 8 | "Hibrit en iyisi" refleksi | Gereksiz karmaşıklık | Tekil yetiyorsa tekil |
Anthropic ekosistemi — karar öncesi sorgular¶
🤖 Anthropic-öz: Claude + RAG + tool'a özel kalibre
Claude kullanıyorsan karar ağacının RAG yolu %80+ olasılıkla sonuç. Sebepleri:
1. 1M bağlam + prompt caching¶
Claude Sonnet 4.6 ve Opus 4.7 = 1M token bağlam (Haiku 4.5 = 200K). Prompt caching (Kasım 2024'ten beri) ile sistem promptunun cache okuma maliyeti yaklaşık base × 0.1 (%90 düşüş). Büyük few-shot örnek seti (50-100 örnek, 10K+ token) sistem promptuna rahat sığar; her istekte cache'den okunur. Bu "mini ince ayar" gibi çalışır — model parametreleri değişmez ama bağlamda tutarlı örnekler kalır.
2. Tool calling — davranış kilidi¶
tool_choice={"type":"tool","name":"X"} ile Claude cevabı kesin JSON şemasına uyar. FT'nin "format değişikliği" ihtiyacının %80'ini karşılar. Bölüm 6.2 + 8.1 referans.
3. Extended thinking (2025+)¶
Claude'un reasoning modu karmaşık problemlerde adım adım düşünür; FT ile yapılmaya çalışılan "reasoning kapasitesi" artışının bir kısmını karşılar. Platform'da Bölüm 4.7/4.8 civarında değindi.
4. Constitutional AI tutarlılığı¶
Claude "kötü karar" vermeme refleksine sahip. FT bu refleksi bozabilir. Claude hybrid'te cloud tarafı + self-host Llama'yı FT için kullan — Claude Constitutional rolü (güvenli cevap filter), Llama domain rolü.
5. Pratik karar¶
"Claude + RAG + tool calling" %85 projeye uyar. Kalan %15'te:
- Ton/stil değişimi kritik → Llama/Qwen LoRA
- On-prem zorunlu → self-host Llama
- Kosulsuz latency <500ms → küçük self-host model
Claude projen için karar ağacı eğik RAG tarafına. 5.1'de Anthropic public FT yok dedim; bu eksik değil, sistem tasarımı teşvik.
Model seçimi içinde karar¶
Proje ince ayar gerektiriyorsa:
| Senaryo | Öneri |
|---|---|
| Türkçe yaratıcı (kişisel) | Llama 3.2 1B/3B Instruct veya Llama 3.1 8B Instruct |
| Türkçe + kod | Qwen3-1.7B / Qwen3.5-7B Instruct |
| Çok dilli (24+ dil) | Mistral Nemo 12B (Mistral + Nvidia ortak) |
| Küçük (mobil + edge) | Gemma 3 2B / 9B / 27B veya Phi-4-mini 3.8B |
| Akıl yürütme yoğun | DeepSeek V3.2 (671B / 37B aktif MoE) veya Qwen3-235B-Reasoner |
| Açık ağırlıklı yeni nesil | Llama 4 Scout (17B aktif / 109B toplam, MoE) veya Maverick (17B aktif / 400B toplam) |
| Çoklu kip (görsel + metin) | Qwen3-VL-7B / Llama 3.2 Vision 11B |
Hepsi açık ağırlıklı + Hugging Face'te erişilebilir + LoRA/QLoRA uyumlu. Llama 4 ailesinde MoE (Mixture of Experts — uzman karması) mimarisi var; eğitim için yoğun (dense) modellere göre VRAM ihtiyacı farklılaşır, Unsloth + Llama 4 entegrasyonu 2025 sonunda eklendi.
Çıktı kanıtları — 3 kanıt¶
1. 10 kriter özeti:
Tek sayfa (not defterinde veya notlarim/bolum-5/02-karar/10-kriter.md): her kriter + karar yönü. 5 dakika tekrar hatırlama için referans.
2. Kendi 3 projesini karar ağacına koy:
9.4 RAG Chatbot + 9.5 Agent + 5.4 FT Deneyi (bir sonraki sayfada yapacağın) için karar ağacı yürüt. Hangi dalda? Neden?
3. Müşteri sorusu için karar:
Bir arkadaş veya kendi düşündüğün bir proje — "AI sistemi istiyorum" dediğinde 5 dakika içinde karar ağacı uygula + sonucu yaz.
Kanıt klasörü: muhendisal-notlarim/bolum-5/02-karar/
Görev — 45 dk üç karar yaz¶
- Proje A: Kendin için — 9.4 RAG Chatbot + 5 soru (10 kriterden) — karar zaten RAG, ama nedenini yaz.
- Proje B: Hayali senaryo — "Türkiye bir avukat grubu için yasa + içtihat arama sistemi" — karar ağacı uygula + gerekçe 3 paragraf.
- Proje C: Senin niş ilgin — kendi seçtiğin bir domain (oyun, müzik, finans, eğitim...) — "X için AI asistan" + karar.
muhendisal-notlarim/bolum-5/02-karar/kararlar.mddosyasına commit.- Mülakatta "FT mi RAG mi?" sorusuna bu 3 karardan 1 tanesini örnekle anlatırsın.
Başarı kriteri: 45 dakika sonunda 3 proje için gerekçeli karar yazılı. Karar ağacı refleksin sağlam.
- **A → B:** AI Engineer'ı junior'dan ayıran: doğru soru sorma + karar refleksi. Bu yüzden **karar çerçevesi kod yazmaktan önce gelir.**
- **B → C:** 10 kriter: değişim sıklığı + kaynak + veri + davranış/bilgi + latency + maliyet + niş + bakım + gizlilik + geri alınabilirlik. Bu yüzden **tek kriter yetmez.**
- **C → D:** Karar ağacı 5 soruda sonuç; çoğu yol RAG veya prompt'a çıkar. Bu yüzden **FT nadir seçilen seçenek.**
- **D → E:** 5 senaryo (müşteri destek, hukuk, tıp, kişisel finans, yaratıcı); her birinde karar ağacı uygulandı. Bu yüzden **soyut kural somut senaryoda pekişir.**
- **E → F:** Hybrid (RAG + FT) ileri seviye; tekil yetiyorsa tekil; hukuk/tıp büyük projelerde anlamlı. Bu yüzden **karmaşıklık ancak zorunluysa eklenir.**
- **F → G:** Claude kullanıyorsan karar ağacı %80+ RAG'e çıkar; FT gerekiyorsa Llama/Qwen self-host. Bu yüzden **provider seçimi karar ağacını etkiler.**
- **G → H:** 8 CTO tuzak; en yaygını 'ilk denemede hybrid' ve 'müşteri FT dedi diye FT'. Bu yüzden **talepten değil, gereksinimden hareket et.**
Sonuç: Karar refleksi kuruldu. Yeni proje için 5 dakika → karar. Sonraki (5.3): LoRA + QLoRA matematik sezgi — eğer FT'ye girersen ne yapıyorsun.
5.3 LoRA ve QLoRA → — matris ayrıştırma sezgisi + 4-bit quantization + hangi GPU için hangisi.
← 5.1 Fine-tuning Nedir | Bölüm 5 girişi | Ana sayfa
Pekiştirme: OpenAI fine-tuning docs + Anthropic Claude Prompting Best Practices + HuggingFace Smol Course. Üç farklı bakış: sağlayıcıya özel + çerçeve bağımsız + uygulamalı.