Fine-Tuning İçin Veri Kümesi (Dataset) Hazırlama: JSON ve JSONL Formatları

Yapay zeka modellerini ince ayar (fine-tune) eğitimine sokmak için elimdeki metin verilerini uygun formata getirmem gerekiyor. Alpaca formatı ve ChatML formatı arasındaki farklar nelerdir?

Bir veriyi JSONL (JSON Lines) formatında hazırlarken nelere dikkat etmeliyiz? Eğitim kalitesini doğrudan etkileyen sistem promptları veri setinin içine nasıl yerleştirilmelidir? Örnek şablonları tartışalım.

Bu konuda RTX 3060 12GB hala fiyat/performans kralı diyebiliriz. VRAM kapasitesi hayat kurtarıyor, kesinlikle tavsiye ederim.

Peki bu off-grid sistemde batarya olarak ne kullanıyorsunuz? Jel akü mü yoksa derin deşarj döngüsü yüksek LiFePO4 bataryalar mı?

Harika bir rehber olmuş, ellerinize sağlık. Kurulum adımlarını tek tek deneyeceğim ve sonuçları buradan paylaşacağım.

SmolLM-1.7B modelini Raspberry Pi 4 üzerinde denedim. Saniyede 4-5 token veriyor, basit niyet analizleri ve otomasyon tetiklemeleri için fena değil.

DeepSeek Coder gerçekten çok başarılı bir model. Özellikle Python ve Javascript kodlamada ticari modelleri hiç aratmıyor.

ComfyUI yerel görsel üretiminde gerçekten standart haline geldi. Arayüzü düğüm (node) tabanlı olduğu için çok esnek ve güçlü.

Whisper.cpp ile yerel ses tanıma yapıyorum. CPU kullanımı biraz yüksek ama doğruluk oranı bulut servislerini aratmayacak kadar iyi.

GGUF formatı olmasaydı herhalde yerelde LLM çalıştırmak hayal olurdu. Kuantizasyon gerçekten çok büyük bir devrim.

SQLite monolitik mimaride gerçekten çok başarılı. Gecikme süresi (latency) neredeyse sıfır olduğu için web sitesi inanılmaz hızlı açılıyor.

Yapay zeka etiği konusunda ne düşünüyorsunuz? Telif hakları ve üretilen kodların ticari lisansları hala ciddi birer soru işareti.

Paylaşım için çok teşekkürler, benim gibi yerel yapay zeka dünyasına yeni başlayanlar için altın değerinde bir kaynak olmuş.

Bu proxy kodunu kendi projeme entegre ettim, tıkır tıkır çalışıyor. API anahtarını güvene alarak büyük bir dertten kurtuldum.

Kuantize modellerde Q4_K_M bence doğruluk kaybı ve hız dengesi açısından en ideali. Q8 ile aralarında hissedilir bir fark yok.

Eğitim verilerini temizlemek ve yapılandırmak, modelin kendisini eğitmekten çok daha fazla zaman ve emek alıyor.

Apple Silicon cihazlar bu alanda bir harika. 64GB birleşik bellek ile 70B modelleri bile yerelde açıp test edebiliyorum, büyük avantaj.

Bu sistemde API anahtarlarını maskelemek için proxy kullanmak şart. Yoksa frontend kodundan API key sızdırılması kaçınılmaz olur.

Fine-tuning yaparken öğrenme oranını (learning rate) düşük tutmak overfitting'i önlemek ve modelin sapmasını engellemek için kritik.

AGI seviyesine ulaşmamız için daha çok yolumuz var bence. Şimdiki modeller sadece gelişmiş birer olasılık ve tahmin motoru.

Unsloth kütüphanesini kesinlikle tavsiye ederim. VRAM kullanımını acayip düşürüyor ve eğitimi normal PyTorch'a göre neredeyse 3 kat hızlandırıyor.

Docker üzerinde yerel dil modellerini ayağa kaldırmak taşınabilirlik ve sunucu yönetimi açısından çok pratik bir yöntem.

Peki bu modellerde bağlam penceresi (context window) ne kadar stabil? 8k veya 32k bağlam limitine ulaştığında doğruluk ciddi şekilde düşüyor mu?

Ben de local RAG üzerinde çalışıyorum. ChromaDB yerine bazen FAISS de oldukça kullanışlı olabiliyor, alternatif olarak bakabilirsiniz.

NPU çekirdekleri ileride CPU ve GPU üzerindeki yapay zeka yükünü tamamen alacaktır. Tüketici bilgisayarlarında büyük kolaylık sağlayacak.

İkinci el temiz bir RTX 3090 bulursam doğrudan çift GPU kuruluma geçeceğim. 48GB VRAM ile 70B modelleri tam hızda koşturmak harika olurdu.

Open-WebUI arayüzü gerçekten çok stabil. Ollama API'si ile birleştiğinde adeta yerel ve özel bir ChatGPT deneyimi sunuyor.

Ben de yerel modelleri aktif olarak test ediyorum. Qwen 2.5 gerçekten Türkçe performansı konusunda beni çok şaşırttı. Özellikle bağlam takibi harika.

Yerel çıkarımın en güzel yanı tamamen internetsiz çalışabilmesi. Uçakta veya internetin çekmediği kırsal alanlarda yerel asistan çok kullanışlı.

CUDA sürücüleri Ubuntu'da bazen kabus olabiliyor. Sürücü çakışmalarını çözmek için docker kullanmak en temiz ve sürdürülebilir yol bence.

Continue eklentisinde autocomplete hızı saniyede kaç token üretiyor? Kod yazarken gecikme (lag) hissettiriyor mu?

Bu projede SQLite yerine PostgreSQL kullanmayı düşündünüz mü? Veri boyutu büyüdükçe SQLite eşzamanlı yazmalarda kilitlenme yaşatabilir.

Benzer bir sistemi off-grid solar panel ile denedim. 100W panel ve 12V akü ile mini PC çalıştırıyorum, sıfır maliyetle yerel çıkarım yapıyorum!

Türkçe karakter desteği konusunda bazı modellerde sıkıntılar yaşanabiliyor ama Qwen ve Llama-3-Instruct bu işi çözmüş görünüyor.

Rehberi baştan sona uyguladım ve sistem lokalimde başarıyla çalıştı. Çok açıklayıcı bir anlatım olmuş, tekrar teşekkürler.

Apple Silicon Mac Mini sunucusu kurma fikri çok mantıklı. 10W gibi komik bir tüketim ile 7/24 kesintisiz çalışabilir.

Veri setini hazırlarken JSONL formatına çok dikkat etmek lazım. Yanlış bir parantez veya eksik virgül tüm eğitimi çökertebiliyor.

Continue.dev eklentisi VS Code ile mükemmel entegre oluyor. Local Ollama ve Qwen-Coder ile kod yazmak artık hem bedava hem çok konforlu.