Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Eğitimi
Fine-Tuning Retrieval-Augmented Generation (RAG) Sistemleri için, büyük dil modellerinin dış kaynaklardan ilgili bilgiyi nasıl alıp üreteceğini optimize etme sürecidir ve bu süreç kurumsal uygulamalar için önemlidir.
Bu eğitmen yönetimi altında gerçekleşen canlı eğitim (online veya face-to-face), soru-cevap, kurumsal arama ve özeti oluşturma gibi kullanım durumlarında performansı artırmak isteyen orta düzeyde NLP mühendisleri ve bilgi yönetimi ekibi için tasarlanmıştır.
Eğitim sonunda katılımcılar şunları yapabileceklerdir:
- RAG sistemlerinin mimarisini ve iş akışını anlayacaklardır.
- Alanına özgü veriler için alıcı ve üreteç bileşenlerini ayarlayacaklardır.
- PEFT teknikleriyle RAG performansını değerlendirecek ve iyileştirmeleri uygulayabileceklerdir.
- Optimize edilmiş RAG sistemlerini iç veya üretim kullanımı için dağıtabileceklerdir.
Eğitim Formatı
- Interaktif ders ve tartışma.
- Birçok alıştırma ve uygulama.
- Kanarya ortamında canlı uygulama.
Eğitim Özelleştirme Seçenekleri
- Bu kurs için özel bir eğitim talep etmek istiyorsanız, lütfen bizimle iletişime geçin ve düzenleme yapın.
Bizi tercih ettiğiniz için teşekkür ederiz. Ekip üyelerimiz en kısa sürede sizlerle iletişime geçecektir.
Rezervasyonunuzu gönderdiğiniz için teşekkür ederiz! Ekibimizden bir yetkili kısa süre içinde sizinle iletişime geçecektir.
Eğitim İçeriği
Retrieval-Augmented Generation (RAG) Giriş
- RAG nedir ve neden kurumsal AI'ye önemlidir
- Bir RAG sisteminin bileşenleri: alıcı, üretici, belge deposu
- Özgün LLM'ler ve vektör aramasıyla karşılaştırma
RAG Pipeline Kurulumu
- Haystack veya benzeri çerçevelerin kurulumu ve yapılandırılması
- Belge alımı ve ön işleme
- Alıcıları vektör veritabanlarına bağlama (örn., FAISS, Pinecone)
Fine-Tuning Alıcıyı Anlamak
- Küresel veri kullanarak yoğun alıcılar eğitimi
- Cümle çeviricileri ve karşılaştırmalı öğrenme kullanımı
- En iyi-k doğruluğu ile alıcı kalitesinin değerlendirilmesi
Fine-Tuning Üreticiyi Anlamak
- Temel modellerin seçimi (örn., BART, T5, FLAN-T5)
- Komut ayarlaması vs. gözetimli fine-tuning
- Efektif güncellemeler için LoRA ve PEFT yöntemleri
Değerlendirme ve Optimizasyon
- RAG performansını değerlendirmek için ölçüm birimleri (örn., BLEU, EM, F1)
- Gecikme süresi, alım kalitesi ve hayal kurma azaltması
- Deneysel izleme ve yinelemeli iyileştirme
Yükleme ve Gerçek Dünya Entegrasyonu
- RAG'yi iç arama motorlarına ve sohbet botlarına yükleme
- Güvenlik, veri erişimi ve yönetim meseleleri
- API'lerle, panolarla veya bilgi portallarıyla entegrasyon
Örnek Durumlar ve En İyi Uygulamalar
- Maliye, sağlık ve hukuk sektörlerinde kurumsal kullanım durumları
- Küresel kayma yönetimi ve bilgi tabanı güncellemeleri
- Alım-augmented LLM sistemlerinde gelecek yönleri
Özet ve Sonraki Adımlar
Kurs İçin Gerekli Önbilgiler
- Natural language processing (NLP) kavramlarının anlaşılması
- Dönüşüm temelli dil modeleriyle deneyim
- Python ve temel makine öğrenme iş akışlarıyla tanım
Hedef Kitle
- NLP mühendisleri
- Bilgi yönetimi ekibi
14 Saat
Açık Eğitim Kursları 5 ve üzeri katılımcı gerektirir.
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Eğitimi - Booking
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems Eğitimi - Enquiry
Fine-Tuning for Retrieval-Augmented Generation (RAG) Systems - Danışmanlık Talebi
Danışmanlık Talebi
Yaklaşan Etkinlikler
İlgili Kurslar
Advanced Techniques in Transfer Learning
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), karmaşık gerçek dünya problemlerine son teknoloji transfer öğrenimi tekniklerini uygulamak isteyen ileri düzey makine öğrenimi uzmanlarına yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Transfer öğrenimindeki gelişmiş kavramları ve metodolojileri anlayabilecektir.
- Önceden eğitilmiş modeller için alan özel uyarlama tekniklerini uygulayabilecektir.
- Sürekli değişen görevler ve veri kümeleriyle başa çıkmak için sürekli öğrenmeyi uygulayabilecektir.
- Görevler arasında model performansını artırmak için çoklu görev ince ayarını (multi-task fine-tuning) kullanabilecektir.
Daha Fazla...
Deploying Fine-Tuned Models in Production
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), ince ayarlı modelleri güvenilir ve verimli bir şekilde dağıtmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İnce ayarlı modelleri üretime dağıtmanın zorluklarını anlayabilecektir.
- Modelleri Docker ve Kubernetes gibi araçları kullanarak konteynerize edip dağıtabilecektir.
- Dağıtılan modeller için izleme ve günlük kaydı uygulayabilecektir.
- Modelleri gerçek dünya senaryolarında gecikme ve ölçeklenebilirlik için optimize edebilecektir.
Daha Fazla...
Domain-Specific Fine-Tuning for Finance
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), kritik finansal görevler için yapay zeka modellerini özelleştirmede pratik beceriler kazanmak isteyen orta seviyedeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Finans uygulamaları için ince ayar temellerini anlayabilecektir.
- Finans alanına özgü görevler için önceden eğitilmiş modellerden yararlanabilecektir.
- Dolandırıcılık tespiti, risk değerlendirmesi ve finansal tavsiye oluşturma tekniklerini uygulayabilecektir.
- GDPR ve SOX gibi finansal düzenlemelere uyumu sağlayabilecektir.
- Finansal uygulamalarda veri güvenliğini ve etik yapay zeka uygulamalarını hayata geçirebilecektir.
Daha Fazla...
Fine-Tuning Models and Large Language Models (LLMs)
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), belirli görevler ve veri kümeleri için önceden eğitilmiş modelleri özelleştirmek isteyen orta ve ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İnce ayar prensiplerini ve uygulamalarını anlayabilecektir.
- Önceden eğitilmiş modelleri ince ayar için veri kümeleri hazırlayabilecektir.
- Büyük dil modellerini (LLM'ler) NLP görevleri için ince ayar yapabilecektir.
- Model performansını optimize edebilecek ve yaygın zorlukların üstesinden gelebilecektir.
Daha Fazla...
Efficient Fine-Tuning with Low-Rank Adaptation (LoRA)
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), geniş ölçekli modeller için ince ayar stratejileri uygulamak isteyen orta seviyedeki geliştiriciler ve yapay zeka uygulayıcılarına yöneliktir; bunun için kapsamlı hesaplama kaynaklarına ihtiyaç duyulmaz.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Düşük Ranklı Adaptasyonun (LoRA) prensiplerini anlayacaklar.
- Geniş modellerin verimli bir şekilde ince ayarlanması için LoRA'yı uygulayacaklar.
- Sınırlı kaynaklara sahip ortamlar için ince ayarı optimize edecekler.
- Pratik uygulamalar için LoRA ile ince ayarlanmış modelleri değerlendirecek ve dağıtacaklar.
Daha Fazla...
Fine-Tuning Multimodal Models
28 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), yenilikçi yapay zeka çözümleri için çok modlu model ince ayarı konusunda uzmanlaşmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- CLIP ve Flamingo gibi çok modlu modellerin mimarisini anlayabileceklerdir.
- Çok modlu veri kümelerini etkili bir şekilde hazırlayabilecek ve ön işleme tabi tutabileceklerdir.
- Çok modlu modelleri belirli görevler için ince ayar yapabileceklerdir.
- Gerçek dünya uygulamaları ve performans için modelleri optimize edebileceklerdir.
Daha Fazla...
Fine-Tuning for Natural Language Processing (NLP)
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), önceden eğitilmiş dil modellerini etkili bir şekilde ince ayar yaparak NLP projelerini geliştirmek isteyen orta seviyedeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- NLP görevleri için ince ayarın temellerini anlayabilecektir.
- GPT, BERT ve T5 gibi önceden eğitilmiş modelleri belirli NLP uygulamaları için ince ayar yapabilecektir.
- İyileştirilmiş model performansı için hiperparametreleri optimize edebilecektir.
- İnce ayarlı modelleri gerçek dünya senaryolarında değerlendirebilecek ve dağıtabilecektir.
Daha Fazla...
Fine-Tuning DeepSeek LLM for Custom AI Models
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), belirli sektörlere, alanlara veya iş ihtiyaçlarına göre özelleştirilmiş yapay zeka uygulamaları oluşturmak için DeepSeek LLM modellerini ince ayar yapmak isteyen ileri düzey yapay zeka araştırmacıları, makine öğrenimi mühendisleri ve geliştiricilere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- DeepSeek modellerinin mimarisini ve yeteneklerini, DeepSeek-R1 ve DeepSeek-V3 dahil olmak üzere anlayabilecektir.
- Veri kümelerini hazırlayabilecek ve ince ayar için verileri ön işleyebilecektir.
- Alan özel uygulamaları için DeepSeek LLM'yi ince ayar yapabilecektir.
- İnce ayarlı modelleri verimli bir şekilde optimize ve dağıtabilecektir.
Daha Fazla...
Fine-Tuning Large Language Models Using QLoRA
14 SaatTürkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, QLoRA'yı kullanarak büyük modelleri belirli görevler ve özelleştirmeler için etkin şekilde ayarlamayı öğrenmek isteyen orta düzeyden ileri düzey machine learning mühendisleri, AI geliştiricileri ve veri bilimcilerine yönelik olarak tasarlanmıştır.
Eğitim sonunda katılımcılar aşağıdaki becerilere sahip olacaktır:
- QLoRA'nın teorisini ve LLM'ler için nicelikleme tekniklerini anlayacaklar.
- Büyük dil modellerinin alanına özgü uygulamalar için QLoRA'yı nasıl uygulayacaklarını öğrenecekler.
- Nicelikleme kullanarak sınırlı hesaplama kaynakları üzerinde fine-tuning performansını optimize edecekler.
- İleri düzeyde fine-tuned modelleri gerçek dünya uygulamalarında dağıtabilecek ve değerlendirebilecekler.
Daha Fazla...
Fine-Tuning Open-Source LLMs (LLaMA, Mistral, Qwen, etc.)
14 SaatTürkiye'de (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, LLaMA, Mistral ve Qwen gibi açık ağırlık modellerini belirli iş veya iç uygulamalar için ayarlamak ve dağıtmak isteyen orta düzeyde ML uzmanları ve AI geliştiricilere yönelik olarak tasarlanmıştır.
Eğitim sonunda, katılımcılar şunları yapabileceklerdir:
- Açık kaynaklı LLM'lerin ekosistemi ve arasındaki farkları anlayacaklar.
- LLaMA, Mistral ve Qwen gibi modeller için veri kümelerini ve ayarlamayı hazırlayacaklar.
- Hugging Face Transformers ve PEFT kullanarak ayarlama akışlarını gerçekleştirecekler.
- Ayarlanmış modelleri güvenli ortamlarda değerlendirecek, kaydedecek ve dağıtacaklar.
Daha Fazla...
Fine-Tuning with Reinforcement Learning from Human Feedback (RLHF)
14 SaatTürkiye'da (çevrimiçi veya yerel) gerçekleştirilen bu eğitmen yönetimi altında olan canlı eğitim, büyük AI modellerini daha iyi performans, güvenlik ve uyum için ince ayarlamak isteyen ileri düzey makine öğrenimi mühendisleri ve yapay zeka araştırmacıları için tasarlanmıştır.
Eğitim sonunda katılımcılar şunları yapabileceklerdir:
- RLHF'in teorik temellerini anlamak ve neden modern AI geliştiricileri için önemli olduğunu anlayacaklar.
- Kişiye özel geribildirimlere dayalı ödül modelleri uygulayarak tekrarlamaz öğrenme süreçlerini yönlendirebilecekler.
- RLHF teknikleri kullanarak büyük dil modellerini ince ayarlayıp insan tercihlerine uyumlu çıktılar elde edebilecekler.
- Üretim kalitesi AI sistemleri için RLHF iş akışlarını ölçeklendirmek üzere en iyi uygulamaları uygulayabilecekler.
Daha Fazla...
Fine-Tuning Vision-Language Models (VLMs)
14 SaatThis instructor-led, live training in Türkiye (online or onsite) is aimed at advanced-level computer vision engineers and AI developers who wish to fine-tune VLMs such as CLIP and Flamingo to improve performance on industry-specific visual-text tasks.
By the end of this training, participants will be able to:
- Understand the architecture and pretraining methods of vision-language models.
- Fine-tune VLMs for classification, retrieval, captioning, or multimodal QA.
- Prepare datasets and apply PEFT strategies to reduce resource usage.
- Evaluate and deploy customized VLMs in production environments.
Daha Fazla...
Optimizing Large Models for Cost-Effective Fine-Tuning
21 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek dünya senaryolarında maliyet etkin ince ayar için büyük modelleri optimize etme tekniklerinde ustalaşmak isteyen ileri düzey profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- Büyük modelleri ince ayar yaparken karşılaşılan zorlukları anlayabilecektir.
- Büyük modellere dağıtık eğitim teknikleri uygulayabilecektir.
- Verimlilik için model niceleme ve budama tekniklerini kullanabilecektir.
- İnce ayar görevleri için donanım kullanımını optimize edebilecektir.
- İnce ayarlı modelleri üretim ortamlarında etkili bir şekilde dağıtabilecektir.
Daha Fazla...
Prompt Engineering and Few-Shot Fine-Tuning
14 SaatBu eğitmen liderliğindeki, canlı eğitim (Türkiye çevrimiçi veya yerinde), gerçek dünya uygulamaları için LLM performansını optimize etmek amacıyla istem mühendisliği ve az sayıda örnekle öğrenmenin gücünden yararlanmak isteyen orta düzeydeki profesyonellere yöneliktir.
Bu eğitimin sonunda katılımcılar şunları yapabilecektir:
- İstem mühendisliği ve az sayıda örnekle öğrenmenin prensiplerini anlayabilecektir.
- Çeşitli NLP görevleri için etkili istemler tasarlayabilecektir.
- LLM'leri asgari veriyle uyarlamak için az sayıda örnekle öğrenme tekniklerini kullanabilecektir.
- Pratik uygulamalar için LLM performansını optimize edebilecektir.
Daha Fazla...
Parameter-Efficient Fine-Tuning (PEFT) Techniques for LLMs
14 SaatTürkiye'da (çevrimiçi veya yerel) yapılan bu eğitmen yönetimi altında gerçekleştirilen canlı eğitim, LoRA, Adapter Tuning ve Prefix Tuning gibi yöntemleri kullanarak büyük dil modellerini daha uygun ve verimli şekilde fine-tuning yapmak isteyen orta düzeyde veri bilimcileri ve yapay zeka mühendislerine yönelik olarak tasarlanmıştır.
Eğitim sonunda, katılımcılar şunları başarabilecekler:
- Parametre verimli fine-tuning yaklaşımlarının teorisini anlamak.
- Hugging Face PEFT kullanarak LoRA, Adapter Tuning ve Prefix Tuning'i uygulamak.
- PEFT yöntemleriyle tam fine-tuning arasındaki performans ve maliyet ödünlerini karşılaştırmak.
- Düzenlencek hesaplama ve depolama gereksinimleri ile fine-tuning edilmiş LLM'leri dağıtmak ve ölçeklendirmek.
Daha Fazla...
