Yapay Zeka Nasıl Eğitilir?

Yapay zeka artık sadece büyük teknoloji şirketlerinin elinde değil. Bugün doğru bilgi ve birkaç ücretsiz araçla, evindeki bilgisayardan bile kendi yapay zeka modelini eğitebilir ya da hazır bir modeli kendi ihtiyacına göre şekillendirebilirsin. Peki yapay zeka nasıl eğitilir? Bu rehberde, veri toplamadan ince ayara, devasa GPU kümelerinden bütçesiz çözümlere kadar konunun tamamını sade bir Türkçeyle anlatıyoruz.

Yapay Zeka Eğitimi Aslında Nedir?

Bir yapay zeka modelini eğitmek, ona doğrudan kural yazmak değildir. Bunun yerine modele çok sayıda örnek gösterilir ve model bu örneklerden kendi kalıplarını çıkarır. Eğitim sırasında modelin milyonlarca, hatta milyarlarca sayısal "ağırlığı" yavaş yavaş güncellenir; her güncellemede model verdiği cevaplara biraz daha yaklaşır. Bu süreç matematiksel olarak bir hatayı küçültme işlemidir: model tahmin eder, hata ölçülür, ağırlıklar düzeltilir ve döngü tekrar eder.

Modeller Hangi Yöntemlerle Eğitilir?

Modern yapay zeka eğitimi tek bir adım değil, birbirini izleyen birkaç aşamadan oluşur. Aşağıda her ana yöntemi sırayla ele alıyoruz.

1. Veri Toplama ve Etiketleme

Her şey veriyle başlar. Bir sohbet modeli için metinler, bir görüntü modeli için resimler, bir ses modeli için kayıtlar gerekir. Verinin kalitesi, miktarından çok daha önemlidir; kirli, çelişkili ya da tek yönlü veri kötü bir model üretir. Toplanan ham verinin temizlenmesi (tekrarların atılması, hataların ayıklanması) ve gerektiğinde etiketlenmesi gerekir. Etiketleme, "bu resim bir kedidir" ya da "bu cevap iyidir" gibi doğru yanıtın insan tarafından işaretlenmesidir.

2. Ön Eğitim (Pre-training)

Ön eğitim, modelin dünyayla ilgili genel bilgiyi öğrendiği en pahalı aşamadır. Büyük dil modelleri bu aşamada internet ölçeğinde metni okuyarak "bir sonraki kelimeyi tahmin etme" görevini öğrenir. Sonuçta ortaya dili bilen ama henüz nasıl davranacağını bilmeyen bir temel model çıkar.

3. İnce Ayar (Fine-tuning)

İnce ayar, hazır temel modeli belirli bir göreve uyarlama işlemidir. Çok daha küçük ve odaklı bir veri kümesiyle yapılır: örneğin bir hukuk asistanı için hukuk metinleri, bir müşteri botu için şirketin geçmiş yazışmaları. Bu aşama görece ucuzdur ve çoğu kişisel proje burada başlar.

4. RLHF (İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme)

RLHF, modeli "yardımcı, dürüst ve zararsız" hale getiren aşamadır. İnsanlar modelin ürettiği cevapları karşılaştırıp puanlar; bu puanlardan bir ödül modeli öğrenir ve ana model bu ödülü en üst düzeye çıkaracak şekilde ayarlanır. ChatGPT gibi araçların doğal ve kibar konuşmasının arkasında büyük ölçüde bu yöntem vardır.

5. Transfer Learning, LoRA ve Quantization

Bir modelin tüm ağırlıklarını güncellemek çok pahalıdır. Transfer learning, bir alanda öğrenilen bilgiyi başka bir göreve taşır. LoRA (Low-Rank Adaptation) ise modelin sadece küçük bir ek katmanını eğiterek, dev modelleri bile sıradan bir GPU'da uyarlanabilir kılar. Quantization (niceleme) modelin sayılarını daha düşük hassasiyete indirir; böylece model çok daha az VRAM kullanır ve eski donanımda bile çalışır.

Ne Lazım? Yazılım ve Donanım

Bir modeli eğitmek ya da ince ayarlamak için belirli bir yazılım yığınına ve donanıma ihtiyacın var.

Kurulması Gereken Yazılımlar

• Python: Yapay zekanın ortak dili. Hemen tüm kütüphaneler Python tabanlıdır.
• PyTorch veya TensorFlow: Modeli kuran ve eğiten temel çatılar. Bugün araştırma ve açık kaynak dünyasında PyTorch daha yaygındır.
• Hugging Face (Transformers, Datasets, PEFT): Binlerce hazır modele ve veri kümesine erişim sağlar; LoRA gibi yöntemler PEFT kütüphanesiyle birkaç satırda uygulanır.
• CUDA ve cuDNN: NVIDIA ekran kartının eğitim için kullanılmasını sağlayan sürücü katmanı.
• Jupyter / VS Code: Kodu deneyerek yazmak ve sonuçları görmek için.

Nasıl Bir Bilgisayar Gerekir?

• GPU (ekran kartı): Eğitimin kalbidir. NVIDIA kartlar tercih edilir. Küçük modellerde 8 GB VRAM iş görür; ciddi ince ayar için 16-24 GB idealdir.
• VRAM: Modelin sığacağı yer burasıdır. Quantization ve LoRA, düşük VRAM'li kartlarda bile büyük modellerle çalışmayı mümkün kılar.
• RAM: En az 16 GB, rahat çalışmak için 32 GB önerilir.
• Disk: Modeller ve veri kümeleri büyüktür; hızlı bir SSD ve bol alan işini kolaylaştırır.

Büyük Şirketler Yapay Zekayı Nasıl Geliştiriyor?

OpenAI, Google ve Meta gibi şirketlerin yaklaşımı ile bireysel bir geliştiricinin yaklaşımı ölçek bakımından dünyalar kadar farklıdır. Aşağıdaki sayılar kesin değil, yalnızca büyüklük fikri vermek için örnek niteliğindedir: