Подготовка на данните за обучение
На тази страница
Актуализация от 2 ноември 2026 г. — Наличност на фина настройка. Собствената услуга за фина настройка на OpenAI се премахва постепенно: от 7 май 2026 г. организациите, които никога не са я използвали, вече не могат да създават задачи; от 2 юли трябва да сте използвали финализиран модел през последните 60 дни; а считано от 6 януари 2027 г. никой клиент няма да може да стартира нови задачи. Вече обучените модели остават usable до оттеглянето на базовия им модел. Този курс остава полезен за разбиране и използване на съществуващ модел; за нови проекти дайте приоритет на инженерството на подкани (prompt engineering), RAG и оценяването.
Значението на данните
Качеството на вашия финализиран модел зависи пряко от качеството на данните за обучение. Модел, обучен върху лоши данни, ще произведе лоши резултати, независимо от броя на епохите или избраните хиперпараметри: обучението не поправя корпус, то го усилва. Ето защо този урок предшества всякакви технически съображения относно API.
Ще следваме реалния път на един набор от данни: къде да го намерим, как да попълним липсващото, какъв обем да целим и как да структурираме всеки пример, преди да го форматираме като JSONL в следващия урок.
Източници на данни
Първият източник, който трябва да проучите, е вашата собствена история, и той почти винаги е подценяван. Ако вече управлявате чатбот или асистент, вашите дневници с разговори съдържат реални взаимодействия, с речника на вашите потребители и техните несъвършени формулировки – материал, много по-полезен от въпроси, измислени на срещи. Вашите тикети за поддръжка предлагат същото богатство, с допълнителното предимство на валидирани решения в края на обмена. Вашите вътрешни документи – ръководства за стил, процедури, шаблони за отговори – ви дават очакваната форма на отговорите, ако не и самите въпроси. Накрая, вашите човешки оценки, тоест отговори, които вашите екипи са валидирали или коригирали, са най-ценните примери от всички, тъй като те вече носят оценка за качество.
Когато тези източници не са достатъчни, можете да генерирате синтетични данни, за да покриете липсващи случаи:
from openai import OpenAI
client = OpenAI()
def generate_example(topic: str, style: str) -> dict:
"""Generates a synthetic training example."""
response = client.responses.create(
model="gpt-5.6-sol",
input=f"""Generate a realistic conversation between a user
and an assistant specialized in {topic}.
The assistant must respond in a {style} style.
Format: one user message, then the ideal response."""
)
return response
Предупреждение: Синтетичните данни трябва да бъдат проверени от човек. Не ги използвайте сляпо – генератор, който греши в бизнес нюанс, ще произведе петдесет фалшиви примера със същата увереност, с която би произвел петдесет верни.
Какво количество данни ви е необходимо?
OpenAI препоръчва минимум 10 примера, но на практика 50 е абсолютният минимум, за да се наблюдава разлика. Между 100 и 500 примера ще получите надеждни резултати. Оттам нататък ползата идва по-малко от обема, а от разнообразието: хиляда преработки на един и същи въпрос не научават модела на нищо повече от петдесет добре подбрани такива.
Структуриране на вашите примери
Всеки пример трябва да представлява пълно взаимодействие, тоест всичко, което моделът ще види в производствена среда, плюс очаквания от вас отговор. Системното съобщение е по избор: то дефинира ролята и ограниченията на асистента, и ако решите да го използвате, то трябва да присъства във всички ваши примери. Потребителското съобщение съдържа заявката така, както тя действително пристига, с нейните несъвършенства. Съобщението на асистента, накрая, е идеалният отговор – не просто приемлив, а този, който бихте се радвали да видите предоставен на клиент.
example = {
"messages": [
{
"role": "system",
"content": "You are a legal assistant specialized in French labor law."
},
{
"role": "user",
"content": "What is the notice period for a permanent contract?"
},
{
"role": "assistant",
"content": "The notice period for a permanent contract depends on your seniority and your collective bargaining agreement. As a general rule: less than 6 months seniority, the notice period is set by the collective agreement; between 6 months and 2 years, it is 1 month; beyond 2 years, it is 2 months. Always check your collective agreement, which may provide for different durations."
}
]
}
Най-добри практики за подготовка
Разнообразието изисква съзнателно усилие. Покрийте всички целеви случаи на употреба, включете гранични случаи и двусмислени въпроси, варирайте дължината на въпросите и отговорите и представете различни нива на трудност. Корпус, съставен само от лесни въпроси, произвежда модел, който запъва при първата усукана заявка.
Съгласуваността е обратното ограничение и е също толкова важна. Всички отговори трябва да следват един и същи стил и формат; ако използвате системно съобщение, използвайте го във всеки пример; и отговорите трябва да бъдат това, което действително очаквате в производствена среда, а не полирани версии, създадени специално за случая. Моделът ще научи средното от това, което му показвате, включително колебанията.
Накрая, идва разделянето на обучение и валидация. Запазването на 20% от примерите преди обучението е това, което ще ви позволи по-късно да разберете дали моделът ви е научил нещо или просто е запомнил. Направете го веднъж, запазете двата файла и не ги смесвайте отново.
import json
import random
# Load your data
with open("complete_data.jsonl", "r") as f:
examples = [json.loads(line) for line in f]
# Shuffle
random.shuffle(examples)
# Split 80/20
split = int(len(examples) * 0.8)
train = examples[:split]
validation = examples[split:]
# Save
for name, data in [("train.jsonl", train), ("validation.jsonl", validation)]:
with open(name, "w") as f:
for ex in data:
f.write(json.dumps(ex, ensure_ascii=False) + "\n")
print(f"Train: {len(train)} examples, Validation: {len(validation)} examples")
Ключови изводи
- Качеството над количеството – 100 отлични примера са по-добри от 1000 посредствени
- Ръчно проверявайте вашите синтетични данни
- Винаги запазвайте набор за валидация (20%), за да оценявате обективно
- Осигурете съгласуваност на стила и формата във всички ваши примери