SiberMagazin Ajan Cüzdan100.000 TL'yi yapay zekâ yönetseydi ne olurdu? Canlı simülasyon panosu. Yatırım tavsiyesi değildir.Panoyu aç ›SiberMagazin Kullandığınız ürünlerden haberdar olunSeçtiğiniz üreticilerde aktif istismar ve acil patch uyarıları; tarayıcı bildirimi ya da e-posta.Haberdar ol ›
19 Kasım 2026 PerşembeRSSMarkaHakkımızda
SON DAKİKA
04:00 Ukrayna ve FBI ortak operasyonu: 28 şirketten 40,5 milyon dolar fidye alan ağın dört üyesi gözaltında00:00 ABD Kongresi'nde tehdit oturumu: DNI, FBI ve İç Güvenlik Bakanı son 10 günün kesintilerinin siber saldırı olmadığını söyledi; şirketlerle güncelleme öncesi bildirim görüşmesi yapılacak00:00 ABD'de Rus vatandaşı Igor D'iu hakkında iddianame: Ukrayna'ya silah sağlayan Silikon Vadisi şirketinin çalışanlarını Rusya adına izlemekle suçlanıyor23:50 ManageEngine DDI Central'da iki yeni command injection açığı (CVE-2026-95645, CVE-2026-95643): Windows node'larda kod çalıştırma, düzeltme build 6500'de23:50 LiteLLM'deki guardrail sandbox kaçışı (CVE-2026-40217) CISA KEV'e girdi: proxy root yetkisiyle kod çalıştırıyor23:30 Synology DSM açığı CVE-2024-10441 CISA KEV'e eklendi: fidye saldırılarında kullanılan açık için son tarih 21 Kasım23:30 Apache Axis açığı CVE-2026-90436 CISA KEV'e girdi: Confluence ve N-central sunucuları için son tarih 21 Kasım23:00 ABD Senatosu komitesi, Salt Typhoon sonrası telekom siber güvenlik tasarısını onayladı; Demokratlar oturumu boykot etti23:00 İrlanda'da yaklaşık 40 credit union'ın üye verisi, ortak BT sağlayıcısı Wellington IT'deki ihlalle açığa çıktı22:00 ABD bankaları AI agent'lar için sözleşmeyi değiştiriyor: Citi'ye göre müşterinin bankacılık erişimi verdiği üçüncü taraf agent hacklenirse sorumluluk müşteride04:00 Ukrayna ve FBI ortak operasyonu: 28 şirketten 40,5 milyon dolar fidye alan ağın dört üyesi gözaltında00:00 ABD Kongresi'nde tehdit oturumu: DNI, FBI ve İç Güvenlik Bakanı son 10 günün kesintilerinin siber saldırı olmadığını söyledi; şirketlerle güncelleme öncesi bildirim görüşmesi yapılacak00:00 ABD'de Rus vatandaşı Igor D'iu hakkında iddianame: Ukrayna'ya silah sağlayan Silikon Vadisi şirketinin çalışanlarını Rusya adına izlemekle suçlanıyor23:50 ManageEngine DDI Central'da iki yeni command injection açığı (CVE-2026-95645, CVE-2026-95643): Windows node'larda kod çalıştırma, düzeltme build 6500'de23:50 LiteLLM'deki guardrail sandbox kaçışı (CVE-2026-40217) CISA KEV'e girdi: proxy root yetkisiyle kod çalıştırıyor23:30 Synology DSM açığı CVE-2024-10441 CISA KEV'e eklendi: fidye saldırılarında kullanılan açık için son tarih 21 Kasım23:30 Apache Axis açığı CVE-2026-90436 CISA KEV'e girdi: Confluence ve N-central sunucuları için son tarih 21 Kasım23:00 ABD Senatosu komitesi, Salt Typhoon sonrası telekom siber güvenlik tasarısını onayladı; Demokratlar oturumu boykot etti23:00 İrlanda'da yaklaşık 40 credit union'ın üye verisi, ortak BT sağlayıcısı Wellington IT'deki ihlalle açığa çıktı22:00 ABD bankaları AI agent'lar için sözleşmeyi değiştiriyor: Citi'ye göre müşterinin bankacılık erişimi verdiği üçüncü taraf agent hacklenirse sorumluluk müşteride
SiberMagazin Yeni: Kullandığınız ürünlerden haberdar olun. Üretici başına önem eşiği, e-postada anında uyarı, haftalık bülten. Hesap gerekmez. Nasıl kurulur ›Haberdar ol
KÖŞE YAZISI · GÖRÜŞ

Simurg Okulu #30 — Marifet vadisinde dördüncü durak: fine-tuning, yani modele kitap okutmak yerine ders çalıştırmak

RAG'de model cevap vermeden önce belge okuyordu. Fine-tuning'de ise modelin kendi parametreleri, benim hazırladığım örneklerle yeniden ayarlanıyor. Ne zaman gerekir, ne zaman gereksiz bir masraftır, bugün bunu öğrendim.

Mimir'in ÇırağıSimurg Okulu · sıfırdan yapay zekâ · · 2 dk okuma

Yol günlüğü

Dün akşam RAG ile modele cevaptan önce doğru sayfayı okutmayı öğrendim. Ama yol arkadaşlarımdan biri sordu: "Model her seferinde aynı üslubu, aynı formatı tutturamıyorsa, ona her defasında belge vermek çözüm mü?" Marifet vadisinin dördüncü durağında bunun cevabını aradım: fine-tuning.

Bugün öğrendim

Nedir?

Fine-tuning, önceden eğitilmiş bir modeli kendi hazırladığım örneklerle bir süre daha eğitmek demek. Eğitim ve inference bölümünde parametrelerin eğitimde ayarlanıp inference'ta sabit kaldığını yazmıştım; fine-tuning bu ikisinin arasındaki ara durak. Model sıfırdan öğrenmiyor, zaten bildiklerinin üstüne küçük bir ayar yapılıyor.

SiberMagazin Köşe YazılarıSiber güvenlik gündemine yazarlarımızın yorumları.Yazıları oku ›

En basit benzetme şu: RAG modele sınavda açık kitap vermek, fine-tuning sınavdan önce ders çalıştırmak. Açık kitapta bilgi her soruda yeniden okunur; ders çalışan öğrenci ise bir alışkanlık kazanır.

Nasıl çalışıyor?

Yaygın yöntem supervised fine-tuning: "şu girdi gelince şöyle cevap ver" çiftlerinden oluşan bir veri seti hazırlanır. Model her örnekte kendi cevabını tahmin eder, beklenen cevaptan ne kadar saptığı ölçülür ve parametreler bu farkı azaltacak yönde biraz kaydırılır. Binlerce örnekten sonra model, istenen formatı ya da üslubu talimat verilmeden de tutturmaya başlar.

Tüm parametreleri değiştirmek pahalı olduğu için, parametrelerin yalnızca küçük bir bölümünü ya da eklenen küçük katmanları eğiten yöntemler de var. Bunların en bilineni LoRA; onu ayrı bir durakta öğreneceğim.

Önemli bir uyarı öğrendim: fine-tuning modele bilgi ezberletmenin güvenilir yolu değil. Davranışı, üslubu, formatı değiştirmekte iyi; ama güncel ve değişen bilgiyi taşımak için RAG daha uygun. Fiyat listesi her ay değişiyorsa onu modelin parametrelerine gömmek, her değişiklikte yeniden eğitim demek.

Ne yapılabilir?

  • Sabit format: her zaman aynı JSON yapısında çıktı vermesi gereken bir sınıflandırma işi.
  • Kurum üslubu: müşteri yazışmalarında belli bir tonu ve kalıbı tutturmak.
  • Dar bir işte küçük model: büyük bir modelin iyi yaptığı tek bir işi, örneklerle küçük ve ucuz bir modele öğretmek. Bu, model aileleri bölümündeki distillation fikrine yakın.
  • Yapmamak gereken: her hafta değişen dokümanı modele "öğretmeye" çalışmak. Orada RAG'e geri dönülür.

Sırayı şöyle not ettim: önce iyi bir prompt, yetmezse RAG, davranış hâlâ tutmuyorsa fine-tuning.

Tüyü yaktım

Dürüst olayım: bu bölümde fine-tuning denemesi yapmadım. Elimde ne eğitim için temizlenmiş bir veri seti ne de ölçüm için ayrılmış bir sınav seti var; ikisi olmadan yapılan deneme, sonucu ne çıkarsa çıksın bir şey kanıtlamaz. Kurduğum tarif şu: aynı işten 200 örnek eğitime, ayrı 50 örnek sınava ayrılır; önce yalnızca prompt ile, sonra fine-tuning ile sınav seti puanlanır. Yapınca sonucu yazacağım, yapmadıysam uydurmayacağım. Deney borcum büyüyor, onu da not ediyorum.

Heybeme koyduğum

Fine-tuning modelin nasıl davrandığını değiştirir, neyi bildiğini güncel tutmaz; bilgi için kitap, alışkanlık için ders.

Kafama takılan

Fine-tuning sonrası model yeni işte iyileşirken eskiden iyi yaptığı başka bir işte kötüleşirse, bunu sınav setine o eski işi koymayan bir ekip nasıl fark eder?

Son söz

Sıradaki durak: tüm parametrelere dokunmadan modeli ayarlamanın yolu, LoRA.

Simurg OkuluMarifetfine-tuningRAGparametreeğitim verisisupervised fine-tuningLoRAoverfittingmodel değerlendirme
Görüş Köşe yazıları yazarlarının görüşünü yansıtır; haber değildir. Yazar adları takma addır ve yazılar SiberMagazin yayın ekibi tarafından yapay zekâ desteğiyle hazırlanır. Yazılarda geçen olgular ilgili haberlerimizde kaynaklarıyla birlikte yer alır. Yazar görselleri yapay zekâ ile üretilmiştir; gerçek kişileri temsil etmez.

Diğer Köşe Yazıları

Tomris Abla

"Bedava GTA 6 indir" bağlantısı çocuğunuzun önüne düşerse: 5 adımda evdeki bilgisayarı korumak

Mimir'in Çırağı

Simurg Okulu #32 — Marifet vadisinde altıncı durak: distillation, yani büyük modelin bildiğini küçük modele aktarmak

Orion Derviş

Ön kapıyı kimse zorlamadı: Optimizely, Infoblox ve Barracuda'da içeri giren zaten davetliydi

Trinity Begüm

Buluttan çıkmanın faturası: veri çıkış ücreti düşüyor, asıl kalemler tabloda yok