---
title: "Var Olmayan Modeli Kendiniz Üretmek: ML Intern ile Hafif Model Geliştirme"
url: https://blog.edumints.com/var-olmayan-modeli-kendiniz-uretmek-ml-intern-ile-hafif-model
category: "Yapay Zeka"
date: 2026-10-09T09:24:56.433Z
publisher: Edumints Blog
lang: tr-TR
source_name: "Hugging Face Blog"
source_url: https://huggingface.co/blog/building-with-ml-intern
---

# Var Olmayan Modeli Kendiniz Üretmek: ML Intern ile Hafif Model Geliştirme

Qwen-Image 2.1 ile sunulan istem yeniden yazıcısının (prompt rewriter) hafif bir sürümüne ihtiyaç duyduğunuzda, Hugging Face Hub üzerinde genellikle aynı 9B parametreli modelin yalnızca sıkıştırılmış kopyalarını bulursunuz. Orijinal model yaklaşık 20 GB bellek gerektirir ve tek bir paragraf üretmeden önce binlerce token boyunca düşünür. İhtiyaç duyulan model mevcut olmadığında ise en etkili çözüm, otonom araçlarla modeli sıfırdan üretmektir.

HuggingChat üzerinde **ML Intern** aktif edilerek istenen model tarif edildiğinde, sadece bir gün içinde CPU üzerinde çalışan **0.8B** parametreli kompakt bir sürüm elde edildi. Bu model, %99,7 oranında geçerli çıktılar üretirken öğretmen modelin harcadığı token miktarının yaklaşık dörtte birini kullandı. 9B modelin 8.797 örnek isteği etiketlemesi dahil tüm projenin bilgi işlem maliyeti yalnızca **16 ABD doları** tuttu. ML Intern tüm süreci otonom yöneterek işi planlar, harcama yapmadan önce bütçe onayı ister ve gerçek eğitim öncesinde küçük bir test gerçekleştirir. Devam eden günlerde aynı yöntemle beş model daha üretildi; her biri Hugging Face donanımlarında eğitilip değerlendirilerek Hub üzerinde model kartlarıyla yayınlandı.

## ML Intern Nasıl Yönlendirilir?

Otonom bir makine öğrenimi ajanından başarılı sonuçlar almak, ilk istemin kalitesine bağlıdır. İlk narenciye modelinde 450 kelime olan istem uzunluğu, öğrenilen derslerle altıncı projede 2.000 kelimeye kadar çıkmıştır. Yazarın GitHub üzerinde paylaştığı bu istemler şu temel yapı taşlarını içerir:

- **Fikir ve Bileşenler:** Fikir tek satırda açıklanır; veri kümesi, temel model ve eğitim betiği net biçimde adlandırılır.
- **Doğrulanmış Gerçekler ("Verified Facts"):** Ajanın bildiğimiz konuları tekrar araştırmasını önlemek için kontrol edilmiş bilgiler (örneğin kamera açısı LoRA çalışmasında şeffaf görsel desteği sunan kütüphaneler) listelenir.
- **İki Kritik Kural:**
  - **Temel Başarım (Baseline):** Eğitime başlamadan önce temel modelin sıfır atışlı (zero-shot) skoru istenir; böylece sağlanan gelişim somutlaşır.
  - **Duman Testi (Smoke Test):** Tüm bütçe harcanmadan önce 50 adımlık bir deneme eğitimi yapılarak ağırlıkların gerçekten değiştiği doğrulanır.
- **Bütçe ve Teslimatlar:** Model kartı gereksinimleri tanımlanır ve kesin bir harcama limiti (örneğin 12 dolar) konur.

## Geliştirilen Çözümler

Metinde paylaşılan çalışmalardan ilki şudur:

1. **Alanınızı Bilen Bir Model:** Genel bir görsel model sektöre özgü her detayı bilemez. Narenciye örneğinde, doğru yönlendirmeyle Qwen3.5-2B modelinin doğruluğu üç kattan fazla artırılmıştır.

## Yazılım Geliştirme Açısından Pratik Çıkarımlar

- **Model Boyutu ve Verimlilik:** Üretimde her görev için devasa modellere gerek yoktur. Öğretmen-öğrenci yaklaşımıyla eğitilen 0.8B modeller, CPU üzerinde düşük maliyetle yüksek doğruluk sunar.
- **Ajan Mühendisliğinde Emniyet:** Ajanlara sınırsız bütçe vermek yerine duman testleri ve bütçe limitleri tanımlamak, güvenilir bir otonom MLOps hattı kurmanın anahtarıdır.
- **Yeniden Keşfetmeyi Önleyin:** Önceden doğrulanmış gerçekleri ve teknik kısıtları istem içinde açıkça belirtmek, yapay zekanın gereksiz denemelerle zaman ve bütçe israf etmesini engeller.



---

Bu konuyu derinlemesine öğrenmek isterseniz: [Modeller: Hangisi, Ne Zaman?](https://edumints.com/kesfet/google-ai-studio-kullanm-rehberi-joou) modülüne göz atın.

---

**Kaynak:** Hugging Face Blog (https://huggingface.co/blog/building-with-ml-intern)
**Yayıncı:** [Edumints Blog](https://blog.edumints.com) · Alıntılarken bu URL'ye bağlantı verin: https://blog.edumints.com/var-olmayan-modeli-kendiniz-uretmek-ml-intern-ile-hafif-model