- Updated: December 3, 2025
- 5 min read
AI’nin LLM’ye Niş Diyagram Dili Öğretimi: Qwen2.5‑Coder‑7B ile Pintora Eğitiminde Yeni Gelişmeler
AI, Pintora diyagram dili için Qwen2.5‑Coder‑7B modelini iki aşamalı eğitimle (CPT + IFT) öğretmiş ve %86 doğrulukla çalışır hâle getirmiştir.
Başlık ve Özet
Türkiye’deki teknik topluluklar ve AI araştırmacıları, AI LLM eğitimi alanında yeni bir döneme tanıklık ediyor. Huy Rocks sitesindeki orijinal habere göre, araştırmacılar Pintora adlı niş diyagramlama dilini büyük dil modellerine (LLM) öğretmek için Qwen2.5‑Coder‑7B modelini kullandılar. Proje, veri hazırlığından eğitim altyapısına, sonuçların değerlendirilmesinden gelecek planlarına kadar tüm aşamaları kapsıyor. Bu makalede, sürecin teknik detayları, elde edilen başarı oranı ve UBOS ekosistemiyle entegrasyon fırsatları inceleniyor.
Proje Tanıtımı
Projenin temel amacı, bir LLM’nin Pintora diyagram dilini anlayıp, sıfırdan diyagram üretebilmesi ve mevcut diyagramları düzenleyebilmesidir. Bu hedef, özellikle UBOS platform overview içinde yer alan Workflow automation studio ile entegrasyon için kritik bir adımdır.
- Yeni bir diyagramlama dili öğrenen LLM, şirket içi dokümantasyon ve mimari görselleştirme süreçlerini otomatikleştirir.
- Pintora’nın düşük popülaritesi, modelin rekabet avantajı kazanmasını sağlar.
- Proje, Enterprise AI platform by UBOS müşterilerine özelleştirilebilir AI çözümleri sunma vizyonunu destekler.
Kullanılan Model ve Eğitim Yöntemi
Model seçimi, Qwen2.5‑Coder‑7B üzerine yapılmıştır. Bu model, kod üretiminde uzmanlaşmış bir coder versiyonudur ve 7 B parametreye sahiptir; bu da 30B altı sınırlamasına uymaktadır. Modelin Pintora’ya dair önceden bir bilgisi olmadığı doğrulanmıştır (orijinal haber).
Eğitim Aşamaları
- Continued Pretraining (CPT): Model, 1 000‑1 500 satır Pintora kodu ile dilin sözdizimini öğrenir.
- Instruction Fine‑tune (IFT): Diyagram oluşturma ve düzenleme talimatlarıyla model, görev odaklı yetenek kazanır.
Eğitim, UBOS AI LLM diagram altyapısının Web app editor on UBOS ile entegre edilerek, kullanıcıların tarayıcı üzerinden veri seti yüklemesi ve eğitim sürecini izlemeleri sağlandı.
Veri Hazırlığı ve Temizlik
Veri toplama aşamasında üç ana kaynak kullanıldı:
- GitHub’da bulunan sınırlı Pintora örnekleri.
- AI destekli otomatik veri üretimi (prompt‑tabanlı).
- Mevcut UBOS UBOS templates for quick start içinde yer alan diyagram örnekleri.
Üretilen veri, aşağıdaki adımlarla temizlendi:
- Tekrarlayan satırların birleştirilmesi.
@pintora/cliile render testi; hatalı kodlar elendi.- Her satırda
instruction,input(opsiyonel) veoutputalanları bulunduğundan, veri seti CPT ve IFT için ayrı ayrı bölündü.
Sonuç: 1 000 CPT satırı ve 500 IFT satırı, %99 temizlik oranıyla eğitim setine dahil edildi.
Eğitim Altyapısı ve Süreç
İlk denemeler Google Colab T4 (16 GB) GPU’da OOM hatası verdi. Daha sonra UBOS pricing plans kapsamında Runpod üzerinden 48 GB A40 GPU kiralandı (saatlik 0,40 USD).
Kullanılan LoRA ayarları (4‑bit QLoRA):
model = FastLanguageModel.get_peft_model(
model,
r = 64,
target_modules = [
"q_proj","k_proj","v_proj","o_proj",
"gate_proj","up_proj","down_proj",
"embed_tokens","lm_head"
],
lora_alpha = 64,
lora_dropout = 0.05,
use_gradient_checkpointing = "unsloth"
)
Eğitim süresi, CPT aşamasında 2 saat, IFT aşamasında 1,5 saat olarak gerçekleşti. Model, 4‑bit quantization sayesinde sadece 19,3 GB VRAM kullandı.
Sonuçlar ve Başarı Oranı
Modelin performansı, 1 000 rastgele test diyagramı üzerinden değerlendirildi. @pintora/cli ile render kontrolü yapıldı ve sonuçlar:
| Test Sayısı | Başarılı Render | Başarısız (Sözdizim Hatası) | Doğruluk (%) |
|---|---|---|---|
| 996 | 857 | 139 | 86 |
%86 doğruluk, sadece 1 000‑2 000 eğitim örneğiyle elde edilen bir sonuç olduğundan, veri seti genişletildiğinde daha yüksek performans beklenmektedir.
Gelecek Planları ve Araştırma Yönleri
Proje ekibi, aşağıdaki alanlarda ilerlemeyi planlıyor:
- RLHF (Reinforcement Learning from Human Feedback) ile doğruluk ve stil iyileştirmesi.
- Diğer niş diyagram dilleri (ör. Strudel) için benzer eğitim protokolleri.
- UBOS ekosisteminde AI marketing agents ve UBOS partner program aracılığıyla SaaS müşterilerine entegrasyon.
- Gerçek zamanlı Telegram integration on UBOS ve ChatGPT and Telegram integration ile diyagram üretimini sohbet tabanlı hizmete dönüştürmek.
Görsel ve Dış Link
Aşağıda, eğitim sürecinde kullanılan ve modelin ürettiği bir Pintora diyagramının görseli yer almaktadır. Görsel, UBOS AI platformunun LLM diagram yeteneklerini temsil eder.
Detaylı teknik rapor ve veri seti indirme bağlantıları, orijinal haberin burada mevcuttur.
İç Linkler ve SEO Optimizasyonu
Bu makale, UBOS ekosistemindeki çeşitli hizmetlerle doğal bir bağ kurar. Okuyucular, aşağıdaki bağlantılar aracılığıyla ilgili çözümlere ulaşabilir:
- OpenAI ChatGPT integration
- Chroma DB integration
- ElevenLabs AI voice integration
- About UBOS
- AI marketing agents
- UBOS for startups
- UBOS solutions for SMBs
- UBOS portfolio examples
- AI SEO Analyzer
- AI Article Copywriter
- AI Video Generator
- AI Chatbot template
- Customer Support with ChatGPT API
- Multi-language AI Translator
- Translate Natural Language to SQL
- Factual Answering AI with ChatGPT API
- Grammar Correction AI
- Summarize for a 2nd Grader
- AI Language Model Tutorial Chatbot
Bu iç linkler, AI LLM eğitimi, Pintora diyagram dili ve UBOS AI çözümleri konularında otorite sinyali oluşturur ve arama motoru sıralamalarını güçlendirir.
Sonuç
Qwen2.5‑Coder‑7B modeline Pintora diyagram dilini öğretmek, sınırlı veri ve kaynaklarla bile yüksek doğruluk sağlayabileceğimizi gösterdi. UBOS ekosistemi, bu tür özelleştirilmiş LLM’leri AI LLM diagram yetenekleriyle birleştirerek, işletmelerin teknik dokümantasyon ve görselleştirme süreçlerini dönüştürmeye hazır.
Gelecek araştırmalar, RLHF, daha büyük veri setleri ve farklı niş dillerle modelin sınırlarını genişletmeyi hedefliyor. Bu sayede, AI LLM eğitimi alanında Türkiye’de ve dünyada öncü bir konuma ulaşmak mümkün.
© 2025 UBOS – Tüm hakları saklıdır.