Sıfır-Atış Sınıflandırma: Nasıl Çalışır ve Ne Zaman Kullanılır

Metni yeni bir kategoriye sınıflandırmanız gerektiğinde, ancak eğitmek için tek bir etiketli örneğiniz bile olmadığında ne olur?

Geleneksel sınıflandırıcılarla ilerleyemezsiniz. Öngörmek istediğiniz her kategori için etiketli örnek beklerler; bu da eğitime başlamadan önce haftalarca anotasyon çalışması demektir. Ve yeni bir kategori ortaya çıkar çıkmaz, etiketleme işine geri dönersiniz.

Aradığınız şey sıfır-atış sınıflandırmadır. Modelin eğitim sırasında hiç görmediği etiketleri atamasına izin vererek tüm etiketleme adımını atlar. Pratikte bu, müşteri geri bildirimlerini "faturalandırma şikâyeti" veya "özellik talebi" gibi kategorilere, her ikisi için de tek bir eğitim örneği hazırlamadan ayırabileceğiniz anlamına gelir.

Bu yazıda, sıfır-atış sınıflandırmanın nasıl çalıştığını, geleneksel ve az-atış yaklaşımlarla nasıl karşılaştırıldığını ve Hugging Face Transformers kullanarak gerçek NLP görevlerine nasıl uygulanacağını anlatacağım.

Hugging Face tam olarak nedir? Yapay zekâ ajanları oluşturmak ve LLM'leri ince ayar yapmak için Hugging Face Fundamentals öğrenim yolumuza kaydolun.

Sıfır-Atış Sınıflandırma Nedir?

Sıfır-atış sınıflandırma, bir modelin, özellikle o etiketler üzerinde eğitilmeden veriye etiket atadığı bir makine öğrenimi yaklaşımıdır.

Buradaki kilit ifade "sıfır-atış"tır. Bu, modelin tahmin etmek istediğiniz kategoriler için sıfır eğitim örneği gördüğü anlamına gelir. Ona bir metin parçası ve olası etiketlerden oluşan bir liste verirsiniz; model de sahip olduğu ön bilgilerine dayanarak en iyi eşleşmeyi seçer.

Bu bilginin tamamı ön eğitimden gelir. Büyük modeller, devasa metin külliyatlarından dil ve kavramlara dair geniş bir anlayış kazanır ve siz onlardan yeni bir şeyi sınıflandırmalarını istediğinizde bu genel bilgiye başvururlar.

Sıfır-Atış Sınıflandırma Nasıl Çalışır

Sıfır-atış sınıflandırmanın iş akışı adımlara böldüğünüzde basittir. Yalnızca dört adıma ihtiyacınız var:

1. Metni veya veriyi girin: Sınıflandırmak istediğiniz herhangi bir şey olabilir - bir müşteri yorumu, destek bileti, haber başlığı, bir dokümantasyon bölümü.

2. Aday etiketleri sağlayın: Modele olası kategorilerden oluşan bir liste verirsiniz. Bunlar "product question", "refund request", "technical issue" veya "general inquiry" gibi yalın kelimeler ya da kısa ifadelerden ibarettir.

3. Model, girdi ile etiketler arasındaki ilişkiyi değerlendirir: Model, önceden eğitilmiş dil anlayışına dayanarak her bir etiketin girdiyle ne kadar iyi örtüştüğünü puanlar.

4. En olası etiket seçilir: En yüksek puan alan etiket, çoğunlukla her aday için bir güven puanıyla birlikte, tahmin olarak döndürülür.

Tüm mesele, yeniden eğitime gerek olmadan aday etiketleri istediğiniz zaman değiştirebilmenizdir. Yarın yeni bir kategori eklemek isterseniz, onu listeye eklemeniz yeterli. Yalnızca denetimli öğrenmeyle çalıştıysanız bu biraz akıl almaz gelebilir.

Sıfır-Atış Sınıflandırma vs Geleneksel Sınıflandırma

Her iki yaklaşım da aynı sorunu (veriye etiket atamak) çözer, ancak oraya farklı yollarla ulaşırlar.

Geleneksel sınıflandırma

Geleneksel sınıflandırıcılar etiketli örneklerden öğrenir. Her öğenin doğru kategoriyle etiketlendiği bir veri kümesi toplar, bunun üzerinde bir model eğitir ve model sınıfları birbirinden ayıran kalıpları öğrenir.

Bu yaklaşım onlarca yıldır işe yarıyor, ancak iki büyük kısıtı var:

• Etiketli eğitim verisine ihtiyacınız var: Çoğu zaman çokça. Bu veriyi toplamak ve anotasyonlamak zaman ve para gerektirir; yani en değerli sınırlı kaynakları.
• Etiket kümesi sabittir: Model eğitildikten sonra yalnızca eğitimde gördüğü kategorileri tahmin edebilir. Yeni bir sınıf eklemek, başa dönüp yeniden eğitmek demektir.

Sıfır-atış sınıflandırma

Sıfır-atış bunun tam tersidir. Göreve özel hiçbir eğitim adımı yoktur. Model, ön eğitim sırasında öğrendiklerini, önünüze koyduğunuz herhangi bir etiketi değerlendirmek için kullanır.

Bu da size iki avantaj sağlar:

• Göreve özel eğitim yok: Veri toplama, anotasyon ve eğitimi tamamen atlıyorsunuz.
• Esnek etiket kümesi: Kategorileri yolda değiştirebilirsiniz. Yenilerini ekleyin, eskilerini kaldırın, yeniden adlandırın - model, herhangi bir yeniden eğitim olmadan bunları kaldırır.

Tercih dengeleri

Bu esneklik bedelsiz gelmez. Sağlam bir etiketli veri kümesi üzerinde eğitilmiş geleneksel bir sınıflandırıcı, genellikle o özel görevde bir sıfır-atış modeli geride bırakır. Tam olarak önemsediğiniz türden örnekleri görmüş ve kendini onlara göre ayarlamıştır.

Sıfır-atış modeller genelisttir. Pek çok konuda iyidirler, ancak nadiren tek bir konuda en iyisidirler. Bu yüzden seçim, sizin ihtiyacınıza bağlıdır.

Etiketli veriniz varsa ve sabit bir kategori setinde en yüksek doğruluk önemliyse, geleneksel bir sınıflandırıcı eğitin. Etiketli veriniz yoksa veya kategorileriniz sık değişiyorsa, sıfır-atış çalışan bir çözüme daha hızlı giden yoldur.

Temel Modellerin ve LLM'lerin Rolü

Sıfır-atış sınıflandırma, büyük ön eğitimli modeller bunun üstesinden gelebilecek kadar iyi hâle geldiği için popüler oldu.

Temel modellerden önce, bir modele hiç görmediği etiketlerden oluşan bir liste verip makul tahminler yapmasını bekleyemezdiniz. Model, bağlantı kuracak kadar dil bilgisine sahip değildi. Devasa metin külliyatları üzerinde ön eğitim bunu değiştirdi. İnternetin hatırı sayılır bir bölümünü "okumuş" bir model, "refund" veya "complaint" gibi kelimeleri sayısız bağlamda zaten görmüştür; bu nedenle bunları yeni girdilerle eşleştirmek mümkün hâle gelir.

Bugün çoğu sıfır-atış iş akışının arkasında birkaç model ailesi vardır:

• BERT ve türevleri: BERT tarzı modeller, ön eğitim sırasında metnin derin temsillerini öğrenir. RoBERTa ve DeBERTa gibi türevler, daha iyi eğitim yöntemleri ve daha büyük veri kümeleriyle bunu daha da ileri taşıdı.
• NLI tabanlı modeller: Bunlar, doğal dil çıkarımı görevleri üzerinde ince ayar yapılmış modellerdir. Hazır sıfır-atış hatlarının çoğunun arkasında bunlar vardır; bir sonraki bölümde nedenini açıklayacağım.
• Modern LLM'ler: GPT ailesi veya Claude gibi büyük dil modelleri, yönlendirme yoluyla sıfır-atış sınıflandırmayı gerçekleştirebilir. Görevi sade bir dille tarif eder, kategorileri listelersiniz ve model birini seçer.

Ortak nokta ölçek ve genelliktir. Dar bir görevde eğitilmiş bir model yalnızca o görevi yapabilir. Geniş metin verisi üzerinde eğitilmiş bir model, hiç etiketli örnek görmeden pek çok göreve yönlendirilebilir.

Doğal Dil Çıkarımı (NLI) ve Sıfır-Atış Sınıflandırma

Pratikte göreceğiniz sıfır-atış sınıflandırıcıların çoğu NLI modelleri üzerine kuruludur. Bu, insanları şaşırtan kısımdır; bu yüzden yavaşlamakta fayda var.

Doğal dil çıkarımı başlı başına bir görevdir. İki cümle verildiğinde (öncül ve hipotez), model aralarındaki ilişkiyi belirler. Çıktı üç etiketten biridir:

• Kapsama (entailment): Hipotez, öncülden çıkar.
• Çelişki (contradiction): Hipotez, öncülle çelişir.
• Nötr (neutral): İki cümle ilgisizdir ya da karar vermek için yeterli bilgi yoktur.

Örneğin, öncül "The team finished the project two weeks early" ve hipotez "The team delivered on time" ise, bir NLI modelinin kapsama tahmin etmesi gerekir. Hipotez "The team missed the deadline" ise, çelişki tahmin etmelidir.

Bu kurgu, sıfır-atış sınıflandırma için harika bir uyum sağlar. Girdinizi öncül olarak ele alırsanız, her aday etiketi bir hipoteze dönüştürebilirsiniz.

Diyelim ki "My package never arrived" cümlesini şu üç kategoriden birine sınıflandırmak istiyorsunuz: gönderim sorunu, faturalandırma sorunu veya ürün sorusu. Model bunları etiket olarak görmez. Genellikle "This text is about {label}" gibi basit bir şablona sarılı hipotezler olarak görür:

• Öncül: "My package never arrived" | Hipotez: "This text is about a shipping issue"

• Öncül: "My package never arrived" | Hipotez: "This text is about a billing issue"

• Öncül: "My package never arrived" | Hipotez: "This text is about a product question"

NLI modeli her çifti puanlar. En yüksek kapsama puanına sahip hipotez kazanır ve o etiket tahmin olur.

Modelin "shipping issue" veya "billing issue"un ne anlama geldiğini bir etiket olarak öğrenmesine hiç gerek yoktur. Yalnızca genel olarak kapsamayı nasıl yargılayacağını öğrenmesi gerekir ve bunu NLI ince ayarı sırasında edinir.

İşte bu yüzden NLI tabanlı sıfır-atış bu kadar iyi çalışır. Model, eğitildiği görevi (kapsamayı yargılamak) yapmaktadır ve siz de sınıflandırma probleminizi bir dizi kapsama sorusu olarak çerçeveliyorsunuz.

Sıfır-Atış vs Az-Atış vs İnce Ayarlı Modeller

Bir modeli tam bir eğitim çalışması olmadan bir sınıflandırma görevi yapmaya yönlendirmenin tek yolu sıfır-atış değildir. Alternatiflerle karşılaştırayım.

Sıfır-atış

Sıfır-atış hiç örnek olmaması demektir. Modele bir girdi ve aday etiketlerden oluşan bir liste verirsiniz; model de ön eğitim sırasında öğrendiklerine dayanarak tahmin yapar.

Model, sizin özel göreviniz için etiketli veri hiç görmemiştir. Tamamen genel bilgiden çalışır.

Az-atış

Az-atış, modele genellikle istem içinde birkaç örnek verir. Doğru etiketlerle eşlenmiş iki, beş, belki on girdi örneği gösterir, ardından yeni bir girdiyi aynı şekilde sınıflandırmasını istersiniz.

Burada model yeniden eğitilmez. Hâlâ önceden eğitilmiş ağırlıklarını kullanır. Örnekler yalnızca bir referans görevi görür - tahminden önce hızlıca "kategorilerden kastım bu" demek gibidir.

İnce ayar

İnce ayar adanmış bir eğitim sürecidir. Önceden eğitilmiş bir modeli alır, göreviniz için etiketli bir veri kümesiyle besler ve belirli kategorilerinizi iyi tahmin edene kadar ağırlıklarını güncellersiniz.

Üçü arasındaki en ağır olan budur. Etiketli veriye, eğitim altyapısına ve zamana ihtiyacınız vardır. Karşılığında model görevinize özel hâle gelir.

Üçünün karşılaştırması

Üç yaklaşım, pratikte önemli olan üç şeyde farklılaşır: doğruluk, esneklik ve maliyet.

Alternatiflerle karşılaştırıldığında sıfır-atış öğrenme

Bu tablodan çıkarılmaya değer birkaç nokta var.

Doğruluk net bir sıralama değildir. Yeterli etiketli veri ve stabil bir göreviniz olduğunda ince ayar kazanır. Ancak örneklerin olmadığı brand-new bir görevde, ince ayar seçenek bile değildir ve sıfır-atış tek gerçekçi tercih hâline gelir.

Esneklik ters yönde ilerler. Sıfır-atış, kategorileri istediğiniz zaman değiştirmenize izin verir. İnce ayarlı modeller, eğitildikleri etiket setine kilitlidir.

Maliyet en bariz olanıdır. Sıfır-atışın kurulumu neredeyse hiçbir şeye mal olmaz. Az-atış küçük bir anotasyon adımı ekler. İnce ayar başlı başına bir projedir ve özel altyapı gerektirir.

Çoğu ekibin yerleştiği iş akışı, görevin yapılabilir olup olmadığını görmek için sıfır-atışla başlamaktır. Doğruluk yeterli değilse az-atışa geçin. Hâlâ yetmiyor ve görev önemliyse, ince ayar yapın.

NLP'de Sıfır-Atış Sınıflandırma

Sıfır-atış sınıflandırma, özellikle etiketli verinin zor bulunduğu veya kategorilerin sürekli değiştiği birçok NLP iş akışında karşımıza çıkar. En yaygın uygulamalar şunlardır.

Duygu analizi

Duygu analizi, ders kitabı başlangıç noktasıdır. Modele bir metin parçası verirsiniz ve "positive", "negative" ve "neutral" gibi etiketler arasından seçmesini istersiniz.

İlginç olan, standart üçün ötesine geçmenin ne kadar kolay olduğudur. Geleneksel bir duygu sınıflandırıcı, üzerinde eğitildiği şeye kilitlidir. Sıfır-atış ile "frustrated", "satisfied", "confused" veya "excited" gibi daha spesifik etiketleri kullanabilir ve model bunları yeniden eğitim olmadan kaldırır. Bu, duygusal kategorilerin bağlama bağlı olduğu ürün geri bildirimi veya sosyal medya izleme için harikadır.

Konu sınıflandırma

Konu sınıflandırma, belgeleri konu alanlarına ayırır. Haberleri "politics", "sports", "technology", "finance" olarak; destek biletlerini "billing", "shipping", "account access", "feature request" olarak ayırır.

Sıfır-atış, bunu kurmayı çocuk oyuncağı hâline getirir. Her yeni konu için etiketli bir veri kümesine ihtiyacınız yoktur. Ürününüz yeni bir özellik çıkarır ve bununla ilgili biletleri takip etmek isterseniz, aday etiket listenize "new feature feedback" ekleyin ve iş biter.

Niyet tespiti

Niyet tespiti, bir kullanıcının ne yapmaya çalıştığını anlar. Çoğu sohbet botu ve sesli asistanın motorudur. Biri "I need to change my password" yazdığında, modelin niyeti "password reset" olarak tanıması gerekir; "general security question" gibi değil.

Sıfır-atışın parladığı yer burasıdır. Gerçek ürünler zamanla yeni kullanıcı niyetleri ekler ve ürün ekibi bir özellik eklediğinde niyet sınıflandırıcısını her seferinde yeniden eğitmek epey iştir. Sıfır-atış, modeli değiştirmeden niyet listesini güncel tutmanıza izin verir.

İçerik moderasyonu

İçerik moderasyonu, "hate speech", "spam", "harassment" veya "misinformation" gibi sorunlu metinleri işaretler. Platformların politikalarını güncel tutmaları gerekir ve yeni suistimal türleri ortaya çıktıkça kategoriler değişir.

Sıfır-atış burada çok uygundur. Moderasyon ekipleri, politikalar evrildikçe etiket tanımlarını ayarlayabilir veya yeni kategoriler ekleyebilir; bunun için mühendislik ekibinden yeniden eğitim döngüsü istemeleri gerekmez. Genellikle yüksek hacimli durumlar için geleneksel sınıflandırıcılarla birlikte kullanılır, ancak sıfır-atış, eğitim için yeterince etiketli örneği olmayan uzun kuyruk kategorileri kaldırır.

Hugging Face Transformers ile Sıfır-Atış Sınıflandırma

Hugging Face'in transformers kütüphanesi, Python'da sıfır-atış sınıflandırmayı denemenin en kolay yoludur. pipeline API'si, model yükleme işinin neredeyse tamamını gizler; böylece birkaç satır kodla sıfırdan tahminlere geçebilirsiniz.

Bu kod parçasını ilk kez çalıştırdığınızda model indirilecektir; bu yüzden biraz zaman alacaktır.

Çalıştırabileceğiniz eksiksiz bir örnek burada:

from transformers import pipeline
from pprint import pprint

# Load a zero-shot classification pipeline
classifier = pipeline(
    "zero-shot-classification",
    model="facebook/bart-large-mnli"
)

# The text you want to classify
text = "My package never arrived and customer support hasn't responded in three days."

# The labels you want the model to choose from
candidate_labels = [
    "shipping issue",
    "billing issue",
    "product question",
    "general inquiry"
]

# Run the classification
result = classifier(text, candidate_labels)

pprint(result)

Çıktı, üç alan içeren bir sözlüktür: orijinal girdi, en olasından en aza doğru sıralanmış aday etiketler ve her etiket için güven puanı.

Pipeline çıktısı

"shipping issue" 0,82 güvenle kazanır. Model, eğitim sırasında gönderim şikâyetlerine ait etiketli örnekler hiç görmedi; ancak, önceki bölümde anlatıldığı gibi NLI verisi üzerinde ince ayar yapılan bart-large-mnli ön eğitimli modelden bunu çıkardı.

Bu iş akışıyla ilgili dikkat çekmeye değer birkaç nokta var:

• Model bir NLI modelidir: bart-large-mnli, MultiNLI veri kümesi üzerinde ince ayar yapılmış bir BART'tır. Hattı çağırdığınızda, perde arkasında etiketlerinizi hipotezlere dönüştürür ve modelden geçirir.

• Etiketleri istediğiniz zaman değiştirebilirsiniz: Modelde değişmesi gereken hiçbir şey yoktur. candidate_labels listesini farklı bir listeyle değiştirin ve farklı kategorilere göre sınıflandırma yapın.

• Çoklu etiket yalnızca bir bayrak uzaklıkta: Hattı çağırırken multi_label=True ayarını yapın; etiketler birbirleriyle yarışmasın. Her etiket bağımsız bir olasılık alır; böylece tek bir girdi birden fazla kategoriye ait olabilir.

result = classifier(text, candidate_labels, multi_label=True)
pprint(result)

Çoklu etiket çıktısı

Tüm iş akışı bu kadar. Hattı yükleyin, etiketlerinizi tanımlayın, sınıflandırıcıyı çağırın. Baştan bir sınıflandırma modeli kurmaktan çok daha hızlı ve kolay.

Sıfır-Atış Sınıflandırmada Yaygın Hatalar

Sıfır-atış sınıflandırma kurması kolaydır; tam da bu yüzden yanlış kullanımı da kolaydır. Gerçek projelerde en sık ortaya çıkan hatalar şunlardır.

Belirsiz etiketler seçmek

Etiketler, görevi modele nasıl ilettiğinizdir. Belirsiz etiketler, belirsiz tahminlere yol açar.

"good" ve "bad" modele pek bir şey söylemez. "customer is happy with the product" ve "customer is reporting a problem with the product" modele çalışabileceği bir şey verir. Etiketleriniz ne kadar anlamlı ifadeler gibi görünürse, model onları girdilerinize o kadar iyi puanlar.

Ayrıca çakışan etiketlerden kaçının. "complaint" ve "negative feedback" her ikisi de aday listenizde görünürse, model güvenini aralarında böler ve hiçbiri net bir kazanan olarak çıkmaz.

Sıfır-atışın ince ayar performansına eşdeğer olduğunu varsaymak

En yaygın olan budur. Sıfır-atış iyidir, ama sihir değildir.

Özel göreviniz için birkaç bin etiketli örnekle eğitilmiş bir ince ayarlı model, aynı görevde neredeyse her zaman bir sıfır-atış modeli yener. Sıfır-atış ile %85 doğruluk görüyorsanız ve üretim için %95'e ihtiyacınız varsa, hiçbir etiket ince ayarı bu farkı kapatmaz. O noktada cevap ince ayardır.

Sıfır-atışı, etiketli veriniz olmadığında, kategorileriniz sık değiştiğinde veya "yeterince iyi" gerçekten yeterince iyi olduğunda kullanın. Sadece daha hızlı kurulduğu için seçip de, yüksek riskli bir görevde bekleneni veremediğinde şaşırmayın.

Aşırı dar veri kümeleri üzerinde değerlendirmek

Genellikle şöyle olur: bir sıfır-atış sınıflandırıcı kurarsınız, kendi yazdığınız 50 örnekte test edersiniz ve hepsini doğru yapar. Yayınlarsınız; üretime çıktığında ise herkes ne kadar kötü olduğundan şikâyet eder.

Sizin yazdığınız 50 örnek, gerçek kullanıcıların gönderdiğinin temsili değildir. Daha temiz, daha barizdir ve kategoriler hakkında sizin düşünme biçiminize daha çok uyar. Modeli gerçekten göreceği veriye benzeyen veriler üzerinde değerlendirin - yazım hataları, argo ve uç durumlarla kullanıcı tarafından üretilen metin. Eğer henüz o veriye sahip değilseniz, birkaç yüz gerçek girdiyi örnekleyin ve sayılara güvenmeden önce bunları elle etiketleyin.

Alana özgü dili görmezden gelmek

Genel amaçlı sıfır-atış modelleri genel amaçlı dili bilir. Sektörünüzün jargonunu bilmezler.

Tıbbi terimler, hukuki dil, finans kısaltmaları, mühendislik spesifikasyonları; tümü, ön eğitimli modellerin gördüğü ama derinlemesine öğrenmediği dar söz varlıklarına sahiptir. Genel bir sıfır-atış modelinden ICD-10 kodları veya SQL hata mesajlarıyla dolu bir cümleyi sınıflandırmasını isterseniz, karışık sonuçlar bekleyin.

Burada iki seçeneğiniz var. Ya etiketlerinizi modelin anlaması daha muhtemel sade bir dille yeniden yazın ya da alanınızdan metinlerle ön eğitilmiş bir modele geçin. Tıbbi metin için BioBERT, finans metni için FinBERT ve benzeri alan özelindeki modeller, uzmanlaşmış görevlerde genellikle genel modelleri geride bırakır.

Modern Yapay Zekâda Sıfır-Atış Sınıflandırmanın Önemi

Sıfır-atış sınıflandırma, temel modellerin yapay zekâda mümkün olanı nasıl değiştirdiğinin en net göstergelerinden biridir.

On yıl önce her sınıflandırma görevi aynı soruyla başlardı: Etiketli verimiz var mı, yoksa nasıl elde ederiz? Anotasyon projeleri aylar sürer, bütçe, tedarikçi koordinasyonu ve kalite kontrol gerektirirdi. Veri olmadan model bile kurulamazdı.

Artık bu varsayım doğru değil.

Geniş metin verisi üzerinde eğitilmiş bir temel model, siz onu tarif ettiğiniz anda yeni bir sınıflandırma görevini kaldıracak kadar dil bilgisine sahiptir. Tanımlamanız gereken tek şey etiket listesidir.

Bu değişim, yapay zekâdaki daha büyük eğilimlerle bağlantılı birkaç nedenle önemlidir:

• Temel modellerin aslında ne için olduğunu gösterir: Ölçekli ön eğitimin amacı, yeniden eğitime gerek kalmadan birçok göreve yönlendirilebilecek kadar genel bir model inşa etmekti. Sıfır-atış sınıflandırma, bu vaadin en temiz örneklerinden biridir.
• Denetimli veri kümelerine bağımlılığı keser: Etiketli veri hâlâ faydalıdır, ancak çalışır bir sınıflandırıcı oluşturmak için artık şart değildir. Anotasyon projeleri için bütçesi olmayan ekipler bile değerli yapay zekâ özellikleri sunabilir.
• Yayınlama hızını değiştirir: Eskiden bir çeyrek süren bir sınıflandırma özelliği artık bir öğleden sonra prototiplenebilir. Bu da ekiplerin ne inşa etmeyi seçeceğini etkiler; çünkü bir şeyi denemenin maliyeti neredeyse sıfıra inmiştir.

Daha geniş eğilim, göreve özel modellerden genel amaçlı olanlara geçiştir. İnce ayarın hâlâ yeri vardır; görev gerektirdiğinde sıfırdan eğitimin de. Ancak varsayılan başlangıç noktası değişti. Önce ön eğitimli bir modele başvurur, yalnızca veriler haklı çıkardığında uzmanlaştırırsınız.