cihatyldz/lojistik-lora-adapter

LojistikAI — Lojistik Fine-Tuned Model (LoRA)

Oluşturan: Cihat Yıldız
Base Model: unsloth/Qwen3-1.7B-unsloth-bnb-4bit
Eğitim Verisi: cihatyldz/lojistik-soru-cevap
Benchmark: cihatyldz/lojistik-benchmark

Türkçe lojistik ve tedarik zinciri alanında uzmanlaşmış bir LoRA adaptörüdür. Araç rotalama, depo yönetimi, stok optimizasyonu, taşımacılık ve dış ticaret konularında soru-cevap yeteneği kazandırılmıştır.

---

🎯 Özel Lojistik Benchmark Sonuçları

Bu model için özel olarak hazırlanmış Türkçe lojistik benchmark'ında 6 farklı model karşılaştırılmıştır.

Benchmark: 116 çoktan seçmeli soru (15 elle yazılmış + 101 sentetik)
Puanlama: Accuracy (doğru/toplam)
Rastgele başarı tabanı: %20 (5 seçenek)

#	Model	Tip	Başarı	Doğru	Süre
1	unsloth/Llama-3.2-3B-Instruct-bnb-4bit	Meta Llama	56.03%	65/116	22.5s
2	cihatyldz/lojistik-lora-adapter	Fine-tuned (kendi modelim)	50.86%	59/116	178.0s
3	unsloth/gemma-3-1b-it-unsloth-bnb-4bit	Google Gemma	50.0%	58/116	154.5s
4	unsloth/Qwen2.5-1.5B-Instruct-bnb-4bit	Qwen 2.5	34.48%	40/116	113.8s
5	unsloth/Qwen3-1.7B-unsloth-bnb-4bit	Base model	32.76%	38/116	268.8s
6	unsloth/SmolLM2-1.7B-Instruct-bnb-4bit	HuggingFace SmolLM2	18.1%	21/116	201.1s

Kendi Modelimin Kategori Bazlı Sonuçları

Kategori	Doğru/Toplam	Başarı
Depo ve envanter yönetimi	5/15	33.3%
Dış ticaret ve gümrük	3/14	21.4%
E-ticaret ve son mil	7/15	46.7%
Elle Yazılmış	11/15	73.3%
Lojistik performans ve maliyet	8/15	53.3%
Taşımacılık ve rotalama	9/14	64.3%
Tedarik zinciri planlama	8/15	53.3%
Yalın ve sürdürülebilir lojistik	8/13	61.5%

Metodoloji

• Eğitim/test ayrımı: Fine-tune veri setinden %10'luk dilim kenara ayrılmış, benchmark bu dilim ve yeni sorulardan oluşturulmuştur.
• Elle yazılan sorular: Lojistik sektöründeki pratik deneyime dayanarak hazırlanmıştır (hesaplama + kavramsal karışık).
• Sentetik sorular: GPT-4o mini ile üretilmiş, format ve tutarlılık doğrulamasından geçirilmiştir.
• Cevap ayıklama: 3 aşamalı — doğrudan harf, harf+ayraç, anlamsal benzerlik (fallback).
• Protokol: temperature=0.01, max_new_tokens=42, zero-shot.

---

Kullanım

from unsloth import FastLanguageModel

model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="cihatyldz/lojistik-lora-adapter",
    max_seq_length=2048,
    load_in_4bit=True,
)
FastLanguageModel.for_inference(model)

messages = [{"role": "user", "content": "Cross-docking nedir?"}]
inputs = tokenizer.apply_chat_template(
    messages, tokenize=True, add_generation_prompt=True, return_tensors="pt"
).to("cuda")
outputs = model.generate(input_ids=inputs, max_new_tokens=256)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

Eğitim Detayları

Parametre	Değer
Framework	Unsloth + LoRA (PEFT)
LoRA rank / alpha	16 / 16
Learning rate	2e-4
Epochs	3 (lojistik) + 2 (identity)
Batch size	2 × 4 gradient accumulation
Precision	4-bit (QLoRA)