Full Fine-tuning (Tam İnce Ayar)

Full Fine-tuning (Tam İnce Ayar), önceden eğitilmiş (pre-trained) bir yapay zekâ veya büyük dil modelinin, hedef göreve ya da özel bir veri setine uyarlanması sürecinde mimarideki tüm ağırlık ve parametre matrislerinin istisnasız güncellendiği geleneksel ve kapsamlı ince ayar yöntemidir.

Ön eğitim aşamasında devasa metin veya veri yığınları üzerinden genel dil yapılarını ve dünya bilgisini edinen model, Full Fine-tuning sürecinde hedef göreve ait etiketli verilerle baştan sona yeniden geriye yayılım (backpropagation) döngüsüne sokulur. Modelin dikkat (attention) blokları, ileri beslemeli (feed-forward) katmanları ve gömme matrisleri dâhil olmak üzere tüm katmanları eğitime açık tutulur. Bu yaklaşım, modelin temsil uzayını hedef görevin veri dağılımına en radikal biçimde yeniden hizalamasına olanak tanır ve genellikle ulaşılabilecek en yüksek performans tavanını belirler.

Buna karşın yöntem, devasa bir hesaplama gücü ve donanım altyapısı gerektirir. Milyarlarca parametrenin hem gradyanlarının hem de Adam gibi optimizasyon algoritmalarının durum değişkenlerinin (optimizer states) bellekte tutulması, GPU bellek ihtiyacını model boyutunun katbekat üzerine çıkarır. Ayrıca her yeni görev veya alan için modelin yüzlerce gigabaytlık tam bir kopyasının saklanması ve dağıtılması zorunluluğu doğar. Bir diğer kritik dezavantaj ise modelin ön eğitimde edindiği genel yetenekleri ve mantık yürütme kabiliyetlerini yeni göreve aşırı odaklanarak kaybetmesi anlamına gelen “yıkıcı unutma” (catastrophic forgetting) riskidir.

Hesaplama ve depolama maliyetleri yüksek olmasına rağmen Full Fine-tuning; temel modelin hedef alanla (örneğin tıp, hukuk veya tamamen yabancı bir dil) olan bilgi farkının çok derin olduğu ve parametre verimli adaptasyonların (PEFT) yetersiz kaldığı senaryolarda altın standart olmaya devam etmektedir.