[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ai-engineer\u002Ffine-tuning-adaptation":4,"config":193},null,{"field_key":5,"field_name":6,"seniority":7,"topic_key":8,"topic_name":9,"spec_key":7,"spec_name":7,"locale":10,"cell_total":11,"field_total":12,"seniorities":13,"topics":17,"specs":97,"samples":108},"ai-engineer","AI Engineer","","fine-tuning-adaptation","Fine Tuning Adaptation","tr",75,2025,[14,15,16],"junior","mid","senior",[18,21,24,27,30,33,36,39,42,45,48,51,54,57,60,63,64,67,70,73,76,79,82,85,88,91,94],{"key":19,"name":20,"count":11},"agents-tool-use","Agents Tool Use",{"key":22,"name":23,"count":11},"aimlops-deployment-strategies-ml","Aimlops Deployment Strategies Ml",{"key":25,"name":26,"count":11},"aimlops-experiment-tracking-reproducibility","Aimlops Experiment Tracking Reproducibility",{"key":28,"name":29,"count":11},"aimlops-feature-store-data-versioning","Aimlops Feature Store Data Versioning",{"key":31,"name":32,"count":11},"aimlops-ml-cicd-pipelines","Aimlops Ml Cicd Pipelines",{"key":34,"name":35,"count":11},"aimlops-model-monitoring-drift-detection","Aimlops Model Monitoring Drift Detection",{"key":37,"name":38,"count":11},"aimlops-model-versioning-registry","Aimlops Model Versioning Registry",{"key":40,"name":41,"count":11},"aipy-async-concurrency-ml-serving","Aipy Async Concurrency Ml Serving",{"key":43,"name":44,"count":11},"aipy-data-pipeline-dataloader","Aipy Data Pipeline Dataloader",{"key":46,"name":47,"count":11},"aipy-gpu-memory-management","Aipy Gpu Memory Management",{"key":49,"name":50,"count":11},"aipy-numpy-vectorization-broadcasting","Aipy Numpy Vectorization Broadcasting",{"key":52,"name":53,"count":11},"aipy-python-ml-packaging-environments","Aipy Python Ml Packaging Environments",{"key":55,"name":56,"count":11},"aipy-tensor-ops-autograd","Aipy Tensor Ops Autograd",{"key":58,"name":59,"count":11},"embeddings-vector-search","Embeddings Vector Search",{"key":61,"name":62,"count":11},"evaluation-testing","Evaluation Testing",{"key":8,"name":9,"count":11},{"key":65,"name":66,"count":11},"inference-serving","Inference Serving",{"key":68,"name":69,"count":11},"llm-fundamentals","Llm Fundamentals",{"key":71,"name":72,"count":11},"prompt-engineering","Prompt Engineering",{"key":74,"name":75,"count":11},"rag-chunking-indexing","Rag Chunking Indexing",{"key":77,"name":78,"count":11},"rag-embeddings-similarity","Rag Embeddings Similarity",{"key":80,"name":81,"count":11},"rag-evaluation","Rag Evaluation",{"key":83,"name":84,"count":11},"rag-generation-context","Rag Generation Context",{"key":86,"name":87,"count":11},"rag-reranking-fusion","Rag Reranking Fusion",{"key":89,"name":90,"count":11},"rag-retrieval","Rag Retrieval",{"key":92,"name":93,"count":11},"rag-retrieval-search","Rag Retrieval Search",{"key":95,"name":96,"count":11},"safety-guardrails","Safety Guardrails",[98,102,105],{"key":99,"name":100,"count":101},"llm-rag","LLM\u002FRAG",450,{"key":103,"name":104,"count":101},"mlops","MLOps",{"key":106,"name":107,"count":101},"python","Python",[109,127,141,154,167,180],{"id":110,"topic":9,"difficulty":111,"body":112,"options":113,"correct_key":115,"explanation":126},"019f5912-45d3-7235-8e59-55c5d354dbf1",1,"Pratikte bir dil modelini fine-tune etmek ne yapar?",[114,117,120,123],{"key":115,"text":116},"a","Ağırlıkları ek etiketli örneklerle güncellenir, böylece çıktılar o verideki örüntülere kayar",{"key":118,"text":119},"b","Modele, bir yanıt oluştururken sorgulayabileceği canlı, talep üzerine harici bir veritabanı erişimi kazandırır",{"key":121,"text":122},"c","Modelin tokenizer'ını değiştirerek eskisinden daha uzun girdi belgelerini işleyebilmesini sağlar",{"key":124,"text":125},"d","Modelin context window'unu kalıcı olarak büyüterek her isteğe daha fazla metin sığdırır","Fine-tuning ek eğitimdir: model parametreleri etiketli veri üzerinde güncellenir ve davranış o örneklere doğru kayar. Yanıt anında harici veri sorgulamak RAG'ın işidir (b), tokenizer değişimi olağan fine-tuning'in parçası değildir (c), context window ise mimari\u002Fserving ayarıdır, fine-tuning ile büyümez (d).",{"id":128,"topic":9,"difficulty":129,"body":130,"options":131,"correct_key":121,"explanation":140},"019f5912-45d4-7bb2-b261-852707fdb4e3",2,"Bir destek botu, model eğitim verisindeki ürün dokümanları güncel olmadığı için yanlış cevaplar veriyor ve dokümanlar haftalık değişiyor. Ekip, modeli güncel dokümanlarla fine-tune etmeyi tartışıyor. Daha iyi ilk adım nedir?",[132,134,136,138],{"key":115,"text":133},"En güncel dokümanlarla haftalık fine-tune yapmak, böylece model her zaman güncel bilgiyi ağırlıklarına tamamen gömer",{"key":118,"text":135},"Büyük bir geçmiş doküman arşiviyle bir kez fine-tune yapmak, böylece model ürünü derinlemesine öğrenir",{"key":121,"text":137},"Bilgi sık değiştiği için retrieval (RAG) kullanarak güncel dokümanları yanıt anında prompt'a çekmek",{"key":124,"text":139},"Modelin bilgileri daha çok biçimde ezberlemesi için dokümanların parafraz edilmiş hallerini fine-tune etmek","Altta yatan bilgi sık değiştiğinde retrieval, kaynak dokümanlar sorgu anında taze çekildiği için yeniden eğitime gerek kalmadan cevapları güncel tutar. Fine-tuning ise belirli bir andaki örüntüleri ağırlıklara gömer (a, b, d), bu yüzden hızlı değişen gerçekler için zayıf bir seçimdir ve doğruluğu korumak için sürekli yeniden eğitim gerektirir.",{"id":142,"topic":9,"difficulty":129,"body":143,"options":144,"correct_key":118,"explanation":153},"019f5912-45d5-79be-b411-2344a1ee06ac","Bir ekip, modelin girdi ne olursa olsun her zaman sabit bir tonda ve sabit bölüm sırasıyla belirli bir JSON benzeri rapor yapısı üretmesini istiyor. Talimat ve örneklerle prompt yazmak hâlâ tutarsız yapı üretiyor. Bu ihtiyaca en uygun yaklaşım hangisi?",[145,147,149,151],{"key":115,"text":146},"Modelin yapıyı kopyalayabileceği daha fazla bağlam olsun diye prompt'a daha fazla retrieval belgesi eklemek",{"key":118,"text":148},"Bu bir davranış\u002Fformat problemi olduğu için girdi ile istenen tam çıktı yapısını eşleştiren birçok örnekle fine-tune yapmak",{"key":121,"text":150},"Model daha fazla çıktı çeşidi denesin ve sonunda formata uysun diye temperature'ı yükseltmek",{"key":124,"text":152},"Daha büyük modeller biçimlendirme talimatlarına doğal olarak daha iyi uyar diye daha büyük genel amaçlı bir modele geçmek","Sabit bir çıktı formatını tutarlı şekilde üretmek bir davranış örüntüsüdür ve girdi\u002Fçıktı çiftleriyle fine-tuning tam olarak bunu öğretir. Retrieval bilgi ekler, formatlama disiplini eklemez (a); temperature yükseltmek rastgeleliği artırır ve tutarlılığa ters çalışır (c); talimat ve örnekler zaten başarısız olduysa model boyutu tek başına formata uyumu garanti etmez (d).",{"id":155,"topic":9,"difficulty":111,"body":156,"options":157,"correct_key":124,"explanation":166},"019f5912-45da-7d8c-95f5-157825fd4b73","Fine-tuning'in genellikle GÜVENİLİR ŞEKİLDE başaramadığı şey aşağıdakilerden hangisidir?",[158,160,162,164],{"key":115,"text":159},"Modele zaman içinde birçok farklı türde girdi genelinde tutarlı bir yanıt stili veya tonu öğretmek",{"key":118,"text":161},"Modele dar kapsamlı bir görevde belirli bir çıktı formatını öğretmek",{"key":121,"text":163},"Modelin tekrarlayan, iyi tanımlı bir görev örüntüsünü nasıl ele aldığını ayarlamak",{"key":124,"text":165},"Modelin ihtiyaç anında doğru şekilde hatırlayabileceği yeni gerçek bilgileri güvenilir şekilde eklemek","Fine-tuning, tekrarlayan örüntülerde davranışı, stili ve formatı şekillendirmede iyidir (a, b, c) ama belirli gerçekleri ekleyip sonra güvenilir şekilde hatırlatmak için sağlam bir yol değildir, çünkü model gerçekleri bir veritabanı gibi saklamaz; sadece çıktı eğilimlerini kaydırır. Belirli gerçeklere dayalı cevaplar için retrieval daha güvenilir bir yoldur.",{"id":168,"topic":9,"difficulty":129,"body":169,"options":170,"correct_key":121,"explanation":179},"019f5912-45db-7ba6-9044-fdffe69d372c","Bir ürün yöneticisi şöyle diyor: \"Modelimiz uydurma istatistikler halüsinasyon olarak üretiyor. Doğru verimizle fine-tune edelim ki halüsinasyon yapmayı bıraksın.\" AI engineer olarak en doğru yanıt nedir?",[171,173,175,177],{"key":115,"text":172},"Tamamen katılmak, çünkü doğru veriyle fine-tune etmek her halüsinasyon sorunu için her zaman eksiksiz, standart çözümdür",{"key":118,"text":174},"Katılmamak, çünkü fine-tuning modelin cevaplarını ifade etme veya yapılandırma biçimini asla etkilemez",{"key":121,"text":176},"Fine-tuning'in gerçeklerden çok stil ve formatı şekillendirdiğini, bu yüzden retrieval tabanlı temellendirmenin halüsinasyonu daha doğrudan ele aldığını açıklamak",{"key":124,"text":178},"Fine-tuning'i tamamen atlamayı ve rastgeleliği azaltmak için yalnızca modelin temperature'ını artırmayı önermek","Fine-tuning bazı kötü ifade örüntülerini azaltabilir ama modele hangi gerçeklerin doğru olduğunu güvenilir şekilde öğretmez, bu yüzden halüsinasyon için güvenilir bir çözüm değildir; cevapları retrieval ile kaynağa dayandırmak ve doğrulama adımları eklemek uydurma gerçekleri daha doğrudan ele alır. a şıkkı fine-tuning'in çözdüğünü abartıyor, b hiçbir etkisini reddederek aşırıya kaçıyor, d ise temperature'ı (rastgelelik kontrolü) gerçeğe dayalı temellendirmeyle karıştırıyor.",{"id":181,"topic":9,"difficulty":111,"body":182,"options":183,"correct_key":115,"explanation":192},"019f5912-45dc-7ed7-8fdf-9111cb219c1b","Aşağıdakilerden hangisi supervised fine-tuning (SFT) eğitim verisinin tipik görünümüyle en çok örtüşür?\n```json\n{\"input\": \"Bu destek talebini tek cümlede özetle.\", \"output\": \"Müşteri geç teslimat nedeniyle iade talep ediyor.\"}\n```",[184,186,188,190],{"key":115,"text":185},"İstenen davranışı gösteren eşleştirilmiş girdi\u002Fçıktı örnekleri, modeli bu eşlemeyi üretmesi için eğitmek amacıyla kullanılır",{"key":118,"text":187},"Sorgu anında benzerlik araması için embed edilip saklanacak belgeler listesi",{"key":121,"text":189},"Herhangi bir model eğitim adımı olmadan doğrudan üretimde A\u002FB test edilecek sistem prompt varyasyonları kümesi",{"key":124,"text":191},"Yalnızca üretim sonrası modelin çıktı formatını doğrulamak için kullanılan bir şema tanımı","SFT verisi tam olarak budur: girdi, istenen çıktıyla eşleştirilir ve eğitim, model benzer girdiler için benzer çıktılar üretme eğiliminde olsun diye ağırlıkları ayarlar. Benzerlik araması için belge saklamak (b) embedding\u002Fretrieval'i tanımlar, eğitim verisini değil; prompt A\u002FB testi (c) ve çıktı doğrulama şeması (d) modelin ağırlıklarını hiç güncellemez.",{"fields":194,"seniorities":372,"interview_shapes":373,"locales":378,"oauth":380,"question_count":383,"coach_enabled":384,"jd_match_enabled":384},[195,218,238,255,279,286,305,324,346,353,359,366],{"key":196,"name_tr":197,"name_en":197,"sort":111,"specializations":198},"backend","Backend",[199,202,205,206,209,212,215],{"key":200,"name":201,"field":196},"general","Genel",{"key":203,"name":204,"field":196},"go","Go",{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},"java","Java",{"key":210,"name":211,"field":196},"csharp","C#\u002F.NET",{"key":213,"name":214,"field":196},"nodejs","Node.js",{"key":216,"name":217,"field":196},"php","PHP",{"key":219,"name_tr":220,"name_en":220,"sort":129,"specializations":221},"frontend","Frontend",[222,223,226,229,232,235],{"key":200,"name":201,"field":219},{"key":224,"name":225,"field":219},"javascript","JavaScript",{"key":227,"name":228,"field":219},"typescript","TypeScript",{"key":230,"name":231,"field":219},"react","React",{"key":233,"name":234,"field":219},"vue","Vue",{"key":236,"name":237,"field":219},"angular","Angular",{"key":239,"name_tr":240,"name_en":240,"sort":241,"specializations":242},"fullstack","Fullstack",3,[243,244,245,246,247,248,249,250,251,252,253,254],{"key":200,"name":201,"field":239},{"key":203,"name":204,"field":196},{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},{"key":210,"name":211,"field":196},{"key":213,"name":214,"field":196},{"key":216,"name":217,"field":196},{"key":224,"name":225,"field":219},{"key":227,"name":228,"field":219},{"key":230,"name":231,"field":219},{"key":233,"name":234,"field":219},{"key":236,"name":237,"field":219},{"key":256,"name_tr":257,"name_en":257,"sort":258,"specializations":259},"devops-cloud","DevOps \u002F Cloud",4,[260,261,264,267,270,273,276],{"key":200,"name":201,"field":256},{"key":262,"name":263,"field":256},"aws","AWS",{"key":265,"name":266,"field":256},"gcp","GCP",{"key":268,"name":269,"field":256},"azure","Azure",{"key":271,"name":272,"field":256},"kubernetes","Kubernetes",{"key":274,"name":275,"field":256},"terraform","Terraform",{"key":277,"name":278,"field":256},"linux","Linux",{"key":5,"name_tr":6,"name_en":6,"sort":280,"specializations":281},5,[282,283,284,285],{"key":200,"name":201,"field":5},{"key":106,"name":107,"field":5},{"key":99,"name":100,"field":5},{"key":103,"name":104,"field":5},{"key":287,"name_tr":288,"name_en":289,"sort":290,"specializations":291},"database","Veritabanı","Database",6,[292,293,296,299,302],{"key":200,"name":201,"field":287},{"key":294,"name":295,"field":287},"postgresql","PostgreSQL",{"key":297,"name":298,"field":287},"mysql","MySQL",{"key":300,"name":301,"field":287},"mongodb","MongoDB",{"key":303,"name":304,"field":287},"redis","Redis",{"key":306,"name_tr":307,"name_en":308,"sort":309,"specializations":310},"mobile","Mobil","Mobile",7,[311,312,315,318,321],{"key":200,"name":201,"field":306},{"key":313,"name":314,"field":306},"ios-swift","iOS (Swift)",{"key":316,"name":317,"field":306},"android-kotlin","Android (Kotlin)",{"key":319,"name":320,"field":306},"flutter","Flutter",{"key":322,"name":323,"field":306},"react-native","React Native",{"key":325,"name_tr":326,"name_en":327,"sort":328,"specializations":329},"security","Güvenlik","Security",8,[330,331,334,337,340,343],{"key":200,"name":201,"field":325},{"key":332,"name":333,"field":325},"appsec","AppSec",{"key":335,"name":336,"field":325},"offensive-pentest","Offensive \u002F Pentest",{"key":338,"name":339,"field":325},"cloud-security","Cloud Security",{"key":341,"name":342,"field":325},"devsecops","DevSecOps",{"key":344,"name":345,"field":325},"blue-team-incident","Blue Team \u002F Incident",{"key":347,"name_tr":348,"name_en":349,"sort":350,"specializations":351},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[352],{"key":200,"name":201,"field":347},{"key":354,"name_tr":355,"name_en":355,"sort":356,"specializations":357},"data-engineer","Data Engineer",10,[358],{"key":200,"name":201,"field":354},{"key":360,"name_tr":361,"name_en":362,"sort":363,"specializations":364},"game-dev","Oyun Geliştirme","Game Development",11,[365],{"key":200,"name":201,"field":360},{"key":367,"name_tr":368,"name_en":368,"sort":369,"specializations":370},"ml-engineer","ML Engineer",12,[371],{"key":200,"name":201,"field":367},[14,15,16],{"junior":374,"mid":376,"senior":377},{"questions":375,"median_sec":3},20,{"questions":375,"median_sec":3},{"questions":375,"median_sec":3},[10,379],"en",[381,382],"google","github",21750,true]