AWS, SageMaker’da sunucusuz tam ince ayarı kullanıma açtı
SageMaker AI Serverless Model Customization artık modelin tüm ağırlıklarını güncelleyen tam ince ayarı destekliyor; AWS’nin testleri kalite artışının daha yüksek hesaplama ve unutma riskiyle geldiğini gösteriyor.

BİR BAKIŞTA
Haberin özeti
- FFT, LoRA adaptörleri yerine modelin tüm ağırlıklarını güncelliyor.
- Sunucusuz hizmet GPU sağlama, küme kurulumu ve kontrol noktası yönetimini üstleniyor.
- AWS’nin kodlama deneyinde FFT yüzde 90,0 anlamsal doğruluğa ulaştı; sonuç sağlayıcının kendi testine ait.
- Daha yüksek hesaplama maliyeti ve katastrofik unutma riski üretim öncesi ayrı ölçüm gerektiriyor.
Neler değişiyor?
Amazon Web Services, 18 Kasım 2026’da SageMaker AI Serverless Model Customization’a Full Fine-Tuning (FFT) desteği ekledi. Yeni seçenek, LoRA gibi yalnızca düşük dereceli adaptörleri eğitmek yerine modelin bütün ağırlıklarını güncelliyor. Kullanıcı temel modeli, veri kümesini ve hiperparametreleri belirliyor; hizmet GPU sağlama, küme kurulumu, dağıtık eğitim yapılandırması, işlem kapasitesi ve kontrol noktalarını yönetiyor.
AWS, Qwen3-4B üzerinde Magicoder-Evol-Instruct-110K veri kümesiyle yaptığı kontrollü deneylerde FFT ile LoRA’ya aynı istemleri, hedefleri ve değerlendirme kodunu uyguladı. Şirket, 100 binden fazla eğitim örneğinde kod üretimi için LLM hakemiyle ölçülen anlamsal doğruluğun yüzde 90,0’a ulaştığını ve bazı BLEU ile ROUGE ölçümlerinde FFT’nin öne çıktığını bildiriyor. Bunlar AWS’nin seçtiği veri, model ve değerlendirme düzenine ait sağlayıcı sonuçları; bağımsız ve her kullanım alanına genellenebilir bir üstünlük kanıtı değil.
Tam ince ayar, büyük ve kaliteli veri kümeleriyle karmaşık alan uyarlamalarında daha fazla temsil kapasitesi sağlarken maliyeti ve eğitim süresini artırıyor. AWS belgelerine göre çıktı dosyaları modelin tam ağırlıklarını içerdiği için daha büyük; yöntem sürekli özelleştirmeyle uyumlu değil. Aynı veri biçimleri LoRA ve FFT arasında korunuyor, ancak FFT’de LoRA’ya özgü rank ve alpha ayarları bulunmuyor.
AWS’nin deneyleri aşırı ayarların ciddi gerilemeye yol açabildiğini de gösteriyor. Şirket, 5e-5 ve üzerindeki öğrenme oranlarında MMLU doğruluğunun yüzde 3,6’ya kadar düştüğünü; küçük veri kümelerinin katastrofik unutma riskini artırdığını belirtiyor. Bu nedenle üretim akışında alan başarısının yanında genel bilgi koruması, eğitim maliyeti, çıkarım gecikmesi ve güvenlik davranışı ayrı test kümeleriyle izlenmeli.
Bu haber AI desteğiyle hazırlanır ve kaynaklarla karşılaştırılır. Otomatik kontrol, insan editör incelemesi anlamına gelmez. Yayın yaklaşımımız
Asıl kaynaklara göz at
Kaynak tarihi: 19 Kasım 2026.
AI Radar yayın saati: 19 Kas 2026 04:10 (Türkiye). Son güncelleme: 19 Kas 2026 05:09.
KONUYU TAKİP ET
Konular ve etiketler
Keşfini paylaş.
Bu haberi bir arkadaşına gönder.
Okuyucu yorumları
Bu gelişme hakkında ne düşünüyorsun? Deneyimini veya sorunu paylaş. Yorumlar editör onayından sonra yayımlanır.
Adın/takma adın ve yorumun onaylanırsa herkese açık görünür. Veri işleme hakkında: Gizlilik bilgilendirmesi.






Yorumlar yükleniyor…