Videoda Erhan Meydan, yerel bilgisayarlarda yapay zeka modellerini eğitmenin üç ana yolu olan RAG, fine-tuning ve reinforcement learning'i ASUS Ascent GX10 bilgisayarında pratik olarak gösterir. İlk olarak LM Studio Bionic kullanarak Qwen 3.5 27B modelini yükler ve RAG yöntemiyle müşteri dosyasını modele erişilebilir hale getirir. Daha sonra 2000 WhatsApp siparişi mesajından veri seti hazırlayarak Unsloth Studio'da 1.5 milyar parametreli bir Qwen modelini sadece 7 dakikada LoRA yöntemiyle fine-tune eder. Son olarak reinforcement learning ile modeli reward signals üzerinden eğiterek doğru yanıt vermesini ve bilmediği durumlarda soruyla cevap vermesini sağlar.

Fine-tuning tekniği, önceden eğitilmiş bir modelin ağırlıklarını belirli görev için uyarlama işlemidir ve videoda LoRA (Low-Rank Adaptation) yöntemi kullanılarak yapılır; bu yöntem, milyarlarca parametreyi değiştirmek yerine yalnızca küçük ek parametreleri eğiterek hesaplama kaynağını önemli ölçüde tasarruf sağlar. Quantization ise modeli belirli sayıda bite sıkıştırarak bilgisayarın RAM belleğine sığdırabilmesini mümkün kılar—4-bit quantization uygulandığında bir 27B model yaklaşık 10 GB yerine 7 GB bellek kullanır. RAG (Retrieval-Augmented Generation) yöntemi ise dış veri kaynaklarından belgeler çekerek modelin yanıtını zenginleştirirken, reinforcement learning (RL) modelin çıktılarına verilen puanlamalarla belirli davranışları güçlendirir. Videoda kullanılan Qwen 2.5 serisi gibi açık kaynak modellerin avantajı, kapalı API modellerine kıyasla veri gizliliğini koruyup tamamen yerel çalışabilmesidir.

Videoda pratik örnek olarak WhatsApp siparişlerini otomatik olarak JSON fişeye çevirme görevine odaklanılır; 2000 örnek mesaj-çıktı çiftiyle eğitilen 1.5B parametreli model, 18 kat daha büyük bir modelle hemen hemen aynı başarıyı gösterir. Eğitim süreci sırasında learning rate, batch size, context length ve LoRA rank gibi hiperparametreler dikkatli seçilir. Modelin eğitim sırasında kayıp (loss) grafiği incelenerek overfitting'i kontrol etmek ve optimal parametre kombinasyonunu bulmak mümkün olur. Sonuç olarak küçük eğitilmiş model, belki de daha hızlı ve enerji tasarruflu çalışırken, istenen davranışı güvenilir bir şekilde yerine getirir.

Bu video, özellikle işini yapay zeka ile geliştirmek, müşteri verilerini bulut hizmetlerine yüklemek istemeyenler ve kültüre özgü modeller geliştirmek isteyenler için önem taşır. Türkçe desteği, özel yazılı mesajlar ve yerel veri işleme gibi gereksinimleri olan işletmeler, bulut tabanlı API'lara bağımlı kalmadan kendi makinelerinde model eğiterek masraf ve gizlilik sorunlarını çözebilir. Videonun güçlü yönü, teorik açıklamalarla beraber adım adım kurulum talimatları ve çalışan örnekler sunmasıdır. Dikkat edilmesi gereken nokta, fine-tuning başarısı kaliteli ve temsili eğitim verisi gerektirir—az veri veya yan yanlı veri seti sonuçları olumsuz etkileyebilir; ayrıca modelin kalitesi, seçilen açık model'in temel yeteneklerine bağlıdır ve yetersiz temel model yetiştirilse de belirli sınırlar vardır.