cihatyldz/lojistikqa

🚚 Turkish Logistics QA Dataset (Türkçe Lojistik Soru-Cevap Veri Seti)

Türkçe lojistik, tedarik zinciri ve taşımacılık alanında LLM fine-tuning için hazırlanmış kapsamlı soru-cevap veri setidir.

Dataset Details

Dataset Description

Bu veri seti, Türkçe dilinde lojistik sektörüne özel bir chatbot veya asistan eğitmek için tasarlanmıştır. 12 farklı lojistik kategorisinde, 15 farklı uzman rolü ile zenginleştirilmiş 120.000 soru-cevap çifti içermektedir.

• Curated by: Cihat Yıldız
• Language(s): Türkçe (tr)
• License: MIT
• Domain: Lojistik, Tedarik Zinciri, Taşımacılık

Supported Tasks

• 🤖 LLM Fine-tuning (Llama, Mistral, Gemma, vb.)
• 💬 Chatbot / Conversational AI eğitimi
• ❓ Question Answering sistemleri
• 📚 Domain-specific language model adaptasyonu

Dataset Structure

Data Fields

Alan	Tip	Açıklama
expert_role	string	Uzman rolü (örn: "Lojistik Uzmanı", "Depo Yöneticisi")
speciality	string	Uzmanlık alanı (örn: "tedarik-zinciri", "gumruk-islemleri")
category	string	Soru kategorisi (12 kategori)
question	string	Kullanıcı sorusu
answer	string	Uzman cevabı

Data Splits

Split	Örnek Sayısı	Açıklama
train	100,000	Model eğitimi için
test	20,000	Model değerlendirmesi için

Categories (Kategoriler)

Kategori	Açıklama	Örnek Sayısı
kargo-takip	Kargo takibi ve durum sorgulama	~10,000
teslimat	Teslimat süreçleri ve seçenekleri	~10,000
depo-operasyonlari	Depo yönetimi ve operasyonları	~10,000
tedarik-zinciri	Tedarik zinciri yönetimi	~10,000
gumruk	Gümrük işlemleri ve prosedürleri	~10,000
navlun	Navlun ve uluslararası taşımacılık	~10,000
rota-optimizasyonu	Araç rota planlama ve optimizasyon	~10,000
filo-yonetimi	Filo yönetimi ve araç takibi	~10,000
stok-yonetimi	Stok ve envanter yönetimi	~10,000
e-ticaret-lojistik	E-ticaret fulfillment operasyonları	~10,000
soguk-zincir	Soğuk zincir lojistiği	~10,000
musteri-sikayetleri	Müşteri şikayetleri ve çözümleri	~10,000

Expert Roles (Uzman Rolleri)

• Lojistik Uzmanı
• Depo Yöneticisi
• Rota Planlama Uzmanı
• Tedarik Zinciri Analisti
• Gümrük Müşaviri
• Navlun Uzmanı
• Son Mil Teslimat Uzmanı
• Filo Yöneticisi
• Stok Kontrol Uzmanı
• Müşteri Hizmetleri Temsilcisi
• Kalite Kontrol Uzmanı
• E-Ticaret Lojistik Uzmanı
• Soğuk Zincir Uzmanı
• Tehlikeli Madde Uzmanı
• Uluslararası Ticaret Uzmanı

Usage (Kullanım)

Loading the Dataset

from datasets import load_dataset

dataset = load_dataset("cihatyldz/lojistikqa")

# Train ve test split'lerine erişim
train_data = dataset["train"]
test_data = dataset["test"]

print(f"Train: {len(train_data)} örnek")
print(f"Test: {len(test_data)} örnek")

Alpaca Format for Fine-tuning

alpaca_prompt = """Aşağıda senin için hazırlanmış bir komut ve soru var. Uygun bir cevap yaz.

### Komut:
Sen {speciality} alanında uzman bir Türk {expert_role} olarak sorulan soruyu cevapla.

### Soru:
{question}

### Cevap:
{answer}"""

def format_prompt(example):
    return alpaca_prompt.format(
        speciality=example["speciality"],
        expert_role=example["expert_role"],
        question=example["question"],
        answer=example["answer"]
    )

Fine-tuning with Unsloth

from unsloth import FastLanguageModel
from datasets import load_dataset
from trl import SFTTrainer
from transformers import TrainingArguments

# Model yükleme
model, tokenizer = FastLanguageModel.from_pretrained(
    model_name="unsloth/Llama-3.2-3B-Instruct",
    max_seq_length=2048,
    load_in_4bit=True,
)

# LoRA ekleme
model = FastLanguageModel.get_peft_model(
    model,
    r=16,
    target_modules=["q_proj", "k_proj", "v_proj", "o_proj",
                    "gate_proj", "up_proj", "down_proj"],
    lora_alpha=16,
    lora_dropout=0,
    bias="none",
)

# Dataset yükleme
dataset = load_dataset("cihatyldz/lojistikqa")

EOS_TOKEN = tokenizer.eos_token

def formatting_func(examples):
    texts = []
    for i in range(len(examples["question"])):
        text = alpaca_prompt.format(
            speciality=examples["speciality"][i],
            expert_role=examples["expert_role"][i],
            question=examples["question"][i],
            answer=examples["answer"][i]
        ) + EOS_TOKEN
        texts.append(text)
    return {"text": texts}

dataset = dataset.map(formatting_func, batched=True)

# Trainer
trainer = SFTTrainer(
    model=model,
    tokenizer=tokenizer,
    train_dataset=dataset["train"],
    dataset_text_field="text",
    max_seq_length=2048,
    args=TrainingArguments(
        per_device_train_batch_size=2,
        gradient_accumulation_steps=4,
        warmup_steps=5,
        num_train_epochs=1,
        learning_rate=2e-4,
        fp16=True,
        output_dir="outputs",
    ),
)

trainer.train()

Dataset Creation

Curation Rationale

Türkçe NLP alanında lojistik sektörüne özel veri seti eksikliği bulunmaktadır. Bu veri seti, Türk lojistik şirketleri için chatbot ve asistan sistemleri geliştirmek amacıyla oluşturulmuştur.

Source Data

Data Collection and Processing

• Veri seti sentetik olarak üretilmiştir
• 360+ benzersiz soru şablonu kullanılmıştır
• Train ve test setleri farklı şablonlardan oluşturulmuştur (overfitting önleme)
• Gerçek lojistik terminolojisi ve Türkçe iş dili kullanılmıştır
• Değişken parametreler (şehir, tarih, tutar, vb.) dinamik olarak doldurulmuştur

Who are the source data producers?

Veri seti, lojistik sektörü bilgisi ve NLP best practice'leri kullanılarak otomatik olarak üretilmiştir.

Personal and Sensitive Information

Bu veri seti kişisel veya hassas bilgi içermemektedir. Tüm veriler sentetik olarak üretilmiştir.

Bias, Risks, and Limitations

Limitations

• Sentetik veri olduğu için gerçek müşteri etkileşimlerindeki dil çeşitliliğini tam yansıtmayabilir
• Türkiye lojistik sektörüne özgüdür, diğer ülkeler için adaptasyon gerekebilir
• Cevaplar genel bilgi niteliğindedir, spesifik şirket politikalarını yansıtmaz

Recommendations

• Production kullanımı öncesi domain-specific fine-tuning önerilir
• Gerçek müşteri verileriyle zenginleştirme performansı artırabilir
• Düzenli güncelleme ile sektör değişikliklerine adaptasyon sağlanmalıdır

Citation

@dataset{yildiz_2025_lojistikqa,
    title = {Turkish Logistics QA Dataset},
    author = {Yıldız, Cihat},
    year = {2025},
    publisher = {Hugging Face},
    url = {https://huggingface.co/datasets/cihatyldz/lojistikqa}
}

Contact

• Author: Cihat Yıldız
• Dataset: cihatyldz/lojistikqa

---

Keywords: Türkçe, Turkish, Lojistik, Logistics, Supply Chain, Tedarik Zinciri, Question Answering, Chatbot, Fine-tuning, NLP, LLM