Instruction Tuning (Talimat Uyarlama)

Instruction Tuning (Talimat Uyarlama), büyük dil modellerinin (LLM) kullanıcı tarafından verilen açık talimatları, yönergeleri ve istemleri (prompt) daha doğru, bağlama uygun ve tutarlı bir biçimde yerine getirmesini sağlamak amacıyla uygulanan bir denetimli ince ayar (supervised fine-tuning – SFT) yöntemidir.

Geleneksel ön eğitim aşamasından geçen ham dil modelleri, temelde internet ölçeğindeki metin yığınlarında “bir sonraki kelimeyi tahmin etme” prensibiyle optimize edilir. Bu durum, modelin güçlü bir dil ve dünya bilgisi edinmesini sağlasa da doğrudan bir soruya cevap verme, metin özetleme veya kod yazma gibi spesifik emirleri yerine getirmesinde yetersiz kalabilir; zira model talimatı tamamlamak yerine metnin olası devamını rastgele kurgulama eğilimi gösterir. Instruction tuning süreci, bu ham kabiliyeti hedef odaklı bir etkileşime dönüştürür.

Bu yöntemde model; “talimat”, “isteğe bağlı bağlam/girdi” ve “ideal çıktı” üçlülerinden oluşan on binlerce yüksek kaliteli veri çiftiyle yeniden eğitilir. Çeviri, mantık yürütme, sınıflandırma ve yaratıcı yazım gibi çok çeşitli görev şablonlarına maruz bırakılan sistem, daha önce hiç karşılaşmadığı yeni bir talimat türüyle (zero-shot) karşılaştığında dahi kullanıcının niyetini genelleştirerek çözebilir hale gelir.

Yöntem, modellerin hem insan hedefleriyle uyumlanmasını (alignment) hızlandırır hem de insan geri bildirimiyle pekiştirmeli öğrenme (RLHF) gibi ileri seviye güvenlik ve optimizasyon süreçleri için sağlam bir omurga oluşturur. Günümüzdeki modern diyalog ve asistan modellerinin temel işlevselliği büyük ölçüde bu yaklaşıma dayanmaktadır.