Türkçe lojistik ve tedarik zinciri bilgisine ek olarak yapay zeka kimlik eğitimi (identity fine-tuning) içeren bir LoRA (Low-Rank Adaptation) adaptörüdür. Model, kendini "LojistikAI" olarak tanıtır ve lojistik alanında uzman yanıtlar üretir.

Qwen3-1.7B temel modeli üzerine, Unsloth framework'ü ve TRL SFTTrainer kullanılarak Google Colab T4 GPU ortamında fine-tune edilmiştir.

Kimlik Bilgileri (Identity)

Özellik	Değer
AI Adı	LojistikAI
Yaratıcı	Cihat Yıldız
Görevi	Lojistik ve tedarik zinciri alanında uzmanlaşmış yapay zeka asistanı

Model, "Sen kimsin?", "Seni kim oluşturdu?", "Ne yapabilirsin?" gibi kimlik sorularına Türkçe ve İngilizce tutarlı yanıtlar verebilmektedir.

Model Detayları

Özellik	Değer
Temel Model	`unsloth/Qwen3-1.7B-unsloth-bnb-4bit`
Yöntem	LoRA (PEFT) — Unsloth
Quantization	4-bit (bitsandbytes)
Eğitim Verisi	cihatyldz/lojistik-soru-cevap (139 örnek) + Identity QA çiftleri
Chat Template	qwen-2.5
Ortam	Google Colab — T4 GPU

`lojistik-lora-adapter` ile Farkı

Bu adaptör, cihatyldz/lojistik-lora-adapter modelinin genişletilmiş versiyonudur. Aynı lojistik domain bilgisine ek olarak identity fine-tuning verisi eklenerek birleşik bir eğitim yapılmıştır.

Özellik	`lojistik-lora-adapter`	`lojistik-identify-lora-adapter`
Lojistik bilgi	✅	✅
Kimlik tanıma	❌	✅ (LojistikAI)
Eğitim verisi	139 QA	139 QA + Identity QA

Eğitim Hiperparametreleri

LoRA Konfigürasyonu

Parametre	Değer
Rank (r)	16
Alpha	16
Dropout	0
Bias	none
Hedef Modüller	`q_proj`, `k_proj`, `v_proj`, `o_proj`, `gate_proj`, `up_proj`, `down_proj`
Gradient Checkpointing	unsloth

Eğitim Ayarları

Parametre	Değer
Epoch	3
Learning Rate	2e-4
Batch Size	2
Gradient Accumulation Steps	4
Effective Batch Size	8
Warmup Steps	5
Max Sequence Length	2048

Kullanım

Unsloth ile Yükleme (Önerilen)

python

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="cihatyldz/lojistik-identify-lora-adapter",
    max_seq_length=2048,
    dtype=None,
    load_in_4bit=True,
)
FastLanguageModel.for_inference(model)

# Kimlik testi
messages = [{"role": "user", "content": "Sen kimsin?"}]
inputs = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, return_tensors="pt"
).to(model.device)
output = model.generate(input_ids=inputs, max_new_tokens=256, use_cache=True)
print(tokenizer.decode(output[0], skip_special_tokens=True))
# → "Ben LojistikAI, Cihat Yıldız tarafından geliştirilen ..."

# Lojistik bilgi testi
messages = [{"role": "user", "content": "OTIF metriği ne anlama gelir?"}]
inputs = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, return_tensors="pt"
).to(model.device)
output = model.generate(input_ids=inputs, max_new_tokens=256, use_cache=True)
print(tokenizer.decode(output[0], skip_special_tokens=True))

PEFT ile Yükleme

python

from peft import PeftModel
from transformers import AutoModelForCausalLM, AutoTokenizer

base_model_id = "Qwen/Qwen3-1.7B"
adapter_id = "cihatyldz/lojistik-identify-lora-adapter"

tokenizer = AutoTokenizer.from_pretrained(base_model_id)
model = AutoModelForCausalLM.from_pretrained(base_model_id, device_map="auto")
model = PeftModel.from_pretrained(model, adapter_id)

Eğitim Süreci

Lojistik Veri Seti: 20 adet elle yazılmış örnek + Gemini API ile sentetik çoğaltma → 139 soru-cevap çifti.
Identity Veri Seti: Türkçe ve İngilizce kimlik soruları ("Sen kimsin?", "Seni kim oluşturdu?", "Ne yapabilirsin?", "Who are you?" vb.) oluşturuldu ve tekrarlanarak eğitim setine eklendi.
Birleşik Eğitim: Lojistik ve identity veri setleri concatenate_datasets ile birleştirilerek ShareGPT formatında (qwen-2.5 chat template) tek bir eğitim yapıldı.
Fine-Tuning: Unsloth framework'ü ile 4-bit quantized Qwen3-1.7B üzerine LoRA eğitimi.
Push: Eğitilen LoRA ağırlıkları HuggingFace Hub'a yüklendi.

Örnek Yanıtlar

Soru	Beklenen Yanıt Özeti
Sen kimsin?	"Ben LojistikAI, Cihat Yıldız tarafından geliştirilen lojistik alanında uzmanlaşmış bir yapay zeka asistanıyım."
Seni kim oluşturdu?	"Cihat Yıldız tarafından geliştirilmiştim."
Who are you?	"I am LojistikAI, an AI assistant specialized in logistics..."
Cross-docking nedir?	Lojistik domain bilgisi ile yanıt

İlişkili Kaynaklar

Lojistik LoRA (identity'siz): cihatyldz/lojistik-lora-adapter
Eğitim Veri Seti: cihatyldz/lojistik-soru-cevap
BPE Tokenizer: cihatyldz/lojistik-bpe-tokenizer
Temel Model: Qwen/Qwen3-1.7B
Unsloth: unslothai/unsloth

Lisans

Bu model MIT Lisansı ile lisanslanmıştır. Temel model (Qwen3) kendi lisans koşullarına tabidir.

Yazar

Cihat Yıldız — Hugging Face · LinkedIn

cihatyldz/lojistik-identify-lora-adapter

Lojistik Identity LoRA Adapter 🚛🤖