Instruction Tuning

Talimat ayarlama, modelleri belirli kullanıcı direktiflerini veya komutlarını takip edecek şekilde eğitmek için kullanılan uzmanlaşmış bir makine öğrenimi tekniğidir. Genellikle bir dizideki sonraki kelimeyi tahmin etmeye veya verideki genel kalıpları tanımaya odaklanan standart ön eğitimden farklı olarak talimat ayarlama, doğrudan görevler olarak biçimlendirilmiş veri kümelerinden yararlanır. Modeli açık komutlar ve bunlara karşılık gelen doğru yanıtlar şeklinde yapılandırılmış girdi-çıktı çiftlerine maruz bırakarak geliştiriciler, genel amaçlı bir temel modeli son derece duyarlı, görev odaklı bir asistana dönüştürebilirler. Bu yaklaşım, çıktıların alakalı, güvenli ve uygulanabilir olmasını sağlamak için Üretken Yapay Zeka alanında modelleri insan niyetiyle uyumlu hale getirmek için yaygın olarak kullanılır.

Link to this sectionTalimat Ayarlama Nasıl Çalışır?#

Süreç, oldukça düzenlenmiş bir talimat veri kümesi kullanılarak bir modelin model ağırlıklarının güncellenmesini içerir. Bu veri kümeleri, matematiksel denklemleri çözmekten görüntüleri analiz etmeye kadar çeşitli alanları kapsar. Eğitim sırasında model, bir talimatın emir kipi ifadesi (örneğin "Bu metni özetle" veya "Bu görüntüdeki nesneleri tanımla") ile istenen çıktı biçimi arasındaki yapısal ilişkiyi öğrenir. Google tarafından yapılan FLAN (Fine-tuned Language Net) üzerine çalışmalar gibi yeni araştırmalar, talimat ayarlı modellerin görülmemiş görevlerde çok daha gelişmiş sıfır örnekli öğrenme yetenekleri sergilediğini göstermektedir.

Link to this sectionGerçek Dünya Uygulamaları#

Talimat ayarlama, hem metin hem de görsel modalitelerde dönüştürücü yeteneklerin kilidini açtı:

• Etkileşimli Yapay Zeka Asistanları: Modern sohbet botları, karmaşık diyalogları işlemek ve çok adımlı mantığı yürütmek için büyük ölçüde talimat ayarlamaya güvenir. Bu ayarlama, bir kullanıcı sistemden verileri bir JSON nesnesi olarak biçimlendirmesini istediğinde modelin konuşma dolgusu oluşturmak yerine bu kısıtlamaya kesinlikle bağlı kalmasını sağlar. OpenAI'ın InstructGPT üzerine araştırması, bu tekniğin toksik çıktıları nasıl azalttığını ve uyumluluğu nasıl iyileştirdiğini vurgulamaktadır.
• Görüş-Dil Modelleri (VLM'ler): Bilgisayarlı görüde, talimat ayarlama esnek, komut verilebilir görme sistemleri oluşturmak için kullanılır. Sabit bir sınıf kümesini algılayan katı bir nesne algılama hattı yerine, talimat ayarlı bir görme modeli "Montaj hattındaki kusurlu ürünü bul" gibi bir komutu işleyebilir ve odağını dinamik olarak ayarlayabilir.

Bu gelişmiş iş akışları için gereken yüksek kaliteli veri kümelerini yönetmek amacıyla ekipler, veri kümesi açıklamayı, proje organizasyonunu ve bulut tabanlı eğitim dağıtımlarını basitleştiren Ultralytics Platform'a başvururlar.

Link to this sectionİlgili Kavramları Ayırt Etme#

Yapay zeka hatlarını doğru bir şekilde mimari olarak tasarlamak için talimat ayarlamayı benzer model optimizasyon tekniklerinden ayırmak önemlidir:

• İstem Ayarlama ve Talimat Ayarlama: İstem ayarlama, temel modeli dondurulmuş halde tutarken küçük bir "yumuşak istem" (öğrenilebilir tensörler) kümesini optimize eden, parametre açısından verimli bir yöntemdir. Buna karşılık talimat ayarlama, genellikle talimat veri kümeleri üzerinde denetimli öğrenme kullanarak modelin tamamını (veya önemli kısımlarını) güncellemeyi içerir.
• İnce Ayar ve Talimat Ayarlama: Geleneksel ince ayar, bir modeli komutları nasıl takip edeceğini öğretmek zorunda kalmadan belirli bir alana (örneğin tıp literatürü) uyarlar. Talimat ayarlama, görev yürütmeyi ve doğal dil anlayışını çok çeşitli talimatlar genelinde iyileştirmek için açıkça tasarlanmış, ince ayarın farklı bir alt kümesidir.

Link to this sectionModelleri Uygulamada Uyarlama#

Özel bilgisayarlı görü hatları oluşturan geliştiriciler için temel bir modeli belirli görev kısıtlamalarına uyarlamak yaygın bir gereksinimdir. Tam talimat ayarlama özel devasa veri kümeleri gerektirse de, Ultralytics YOLO26 gibi güçlü modelleri belirli alan görevlerine uyarlamak benzer denetimli adaptasyon ilkelerini kullanır.

from ultralytics import YOLO

# Load a pre-trained YOLO26 foundation model
model = YOLO("yolo26n.pt")

# Adapt the model weights to a custom task dataset using the PyTorch backend
# This process aligns the model's predictive capabilities with user-defined classes
results = model.train(data="custom_task.yaml", epochs=50, imgsz=640)

Bu gelişmiş eğitim metodolojilerinden yararlanarak geliştiriciler, karmaşık komutları güvenilir bir şekilde yorumlayan ve yürüten, teorik derin öğrenme ile pratik, kullanıcı odaklı yazılım arasındaki boşluğu dolduran sağlam yapay zeka sistemleri dağıtabilirler. Eğitim mekanizmaları hakkında daha fazla okuma yapmak için sinir ağı eğitimi üzerine resmi PyTorch belgelerini keşfet.