Bu ne tur bir model egitmeye calistiginiza gore ve ne tur bir problem cozmek istediginize gore degiskenlik gosterecektir. Gunumuzde kullanilan modeller oncesinde yuksek miktarda veri ile egitilip public kullanima sunuluyorlar, biz genelde kendimiz bir problem cozmeye kalktigimizda bu sekilde bir modeli alip elimizdeki az miktarda veriyle modeli fine-tune ediyoruz. Bu islem genel veriyle egitilen modelin bizim istedigimiz sekilde sonuc vermesi icin ozellestirme yapmamizi sagliyor. Veri miktari tabii ki oldukca onemli fakat verinin nasil islendigi ve ne kadar anlamli oldugu da oldukca onemli faktorler, anlamsiz veri ne kadar cok olursa olsun bir ise yaramiyor.

Verinin anlamli oldugunu ve model kurabilecegimizi varsayarsak evet, model istediginiz sonucu vermek icin egitilebilir. Cok kompleks olmayan transformer tipindeki modeller cumle siniflandirma gibi problemler icin az miktarda veriyle bir kac saat egitildigi taktirde duzgun sonuc alabiliyorsunuz. Ancak model urun haline getirildigi zaman alacaginiz sonuclar verilen veriye gore degiskenlik gosterebilir, bu yuzden belirli araliklarla modelinizi yine egiterek bu degisikliklere uyumlu olmasini saglamalisiniz. `data drift` ve `conceptual drift` kavramlarini arastirabilirsiniz bunun icin.

Elinizdeki veri miktari kisitliysa egitim verisinin miktarini arttirmak icin `data augmentation` kavramina goz atabilirsiniz; yapay zeka modelleri ozunde matematiksel modellerdir, cumlede bir kelime yerine onun es anlamlisini kullanirsaniz model bunu yeni bir cumle olarak ele alir.