Supervised Fine-tuning (Denetimli İnce Ayar)

Supervised Fine-tuning (SFT) ya da Türkçe karşılığıyla Denetimli İnce Ayar, devasa ve etiketlenmemiş veri yığınları üzerinde genel dil kalıplarını öğrenmiş temel (foundation) bir yapay zekâ modelinin, girdi-çıktı çiftlerinden oluşan küratörlü ve etiketli veri setleri kullanılarak belirli görevlere veya davranış kalıplarına uyarlanması sürecidir.

Ön eğitim (pre-training) aşamasından çıkan ham modeller, geniş bir kelime dağarcığına ve dünya bilgisine sahip olsa da amaç odaklı bir diyalog yürütme veya belirli bir formatta yanıt üretme konusunda ham kalır. SFT aşamasında modele; bir kullanıcı istemi (girdi) ve bu isteme karşılık uzmanlar ya da yüksek performanslı sistemler tarafından özenle hazırlanmış ideal yanıt (hedef çıktı) çiftleri sunulur. Süreç boyunca modelin parametreleri, verilen girdiye karşılık beklenen çıktıyı en düşük hata payıyla üretecek şekilde denetimli öğrenme algoritmalarıyla güncellenir.

Bu yöntemin temel amacı; modele mantık yürütme, metin özetleme, kod üretimi, soru-cevap veya belirli bir üslubu benimseme gibi spesifik yetenekleri kazandırmaktır. Model, sadece dilin olasılıksal akışını tamamlamayı değil, doğrudan talimatlara uygun, tutarlı ve hedef odaklı yanıtlar vermeyi bu aşamada içselleştirir.

SFT, çağdaş büyük dil modellerinin insan beklentileriyle hizalanmasında (alignment) ilk ve en kritik köprüdür. İnsan Geri Bildirimiyle Pekiştirmeli Öğrenme (RLHF) veya Doğrudan Tercih Optimizasyonu (DPO) gibi daha ileri güvenlik ve tercih ayarlamalarına geçilmeden önce modelin temel yanıt kalitesini ve yapısal disiplinini inşa eden ana omurgayı oluşturur.