Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Kdy a proč doladit model

Lekce 1 z 16 Aktualizováno 2. listopadu 2026 Pokročilý
Na této stránce
  1. Co je to doladění?
  2. Kdy je doladění vhodné?
  3. Doladění versus alternativy
  4. Typický pracovní postup
  5. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Dostupnost doladění. Služba pro vlastní doladění od OpenAI se postupně ukončuje: od 7. května 2026 ji organizace, které ji nikdy nepoužily, již nemohou aktivovat; od 2. července musíte mít doladěný model použitý během posledních 60 dnů; a počínaje 6. lednem 2027 žádný zákazník nebude moci spustit nové úlohy. Již natrénované modely zůstávají funkční až do vyřazení jejich základního modelu. Tento kurz je stále užitečný pro pochopení a využití existujícího modelu; u nových projektů dejte přednost inženýrství promptů, RAG a evaluacím.

Co je to doladění?

Doladění znamená přetrénování stávajícího jazykového modelu na vašich vlastních datech, aby se jeho chování přizpůsobilo vašim konkrétním potřebám. Zatímco inženýrství promptů vede model pomocí kontextových instrukcí – které se při každém volání přepisují, odesílají a účtují – doladění upravuje vnitřní váhy modelu, aby nové chování trvale zakotvil. Po dokončení tréninku se to, co jste dříve popisovali v dlouhém systémovém promptu, stane součástí samotného modelu.

V OpenAI se modely vhodné k doladění řídí aktuálním katalogem (rodina GPT-5.6 od července 2026) – přesný seznam variant otevřených k tréninku najdete v oficiální dokumentaci k doladění. Samotný pracovní postup se nemění: vytvoříte tréninkovou sadu dat ve formátu JSONL, spustíte úlohu přes API a získáte vlastní model, který voláte přesně jako základní model. Ve vašem kódu se změní pouze identifikátor modelu.

Kdy je doladění vhodné?

Doladění není vždy správnou odpovědí a to je první věc, kterou si musíte osvojit, než napíšete jediný řádek JSONL. Přináší skutečnou hodnotu především u tónu a stylu: pokud váš produkt vyžaduje specifický hlas, natrénování modelu na několika stovkách výměn již napsaných tímto hlasem vás ušetří opakování těchto pokynů v každém promptu. Druhým silným případem použití je formátování strukturovaného výstupu. Když vaše pipeline očekává JSON se schématem, které se nikdy nesmí lišit, dobře napsané instrukce vás dostanou blízko, ale nikdy nezaručí 100% soulad; systematicky vyhovující příklady tuto mezeru sníží téměř na nulu.

Tyto dva faktory mechanicky vedou ke dvěma dalším. Doladěný model dotazovaný krátkým promptem odpovídá rychleji než základní model zatížený dlouhým systémovým promptem, což snižuje latenci vnímanou uživatelem; a méně vstupních tokenů znamená nižší účet při stálém objemu, což vede k úspoře nákladů, která se přímo projeví u služby zpracovávající několik tisíc požadavků denně.

Vynikají také dvě další skupiny úloh. První pokrývá úlohy klasifikace: kategorizace tiketů podpory, analýza sentimentu, třídění dokumentů. Očekávaný výstup je zde krátký, uzavřený a dokonale ilustrovatelný příkladem. Druhou je konzistentní volání funkcí: když model musí systematicky volat správné funkce se správnými parametry, ukázka sta správných volání funguje lépe než popis pravidla.

Naopak existují čtyři situace, které by vás měly od doladění odradit. Pokud máte málo dat, méně než 50 příkladů, inženýrství promptů s několika příklady (few-shot) bude fungovat lépe při mnohem menším úsilí. Pokud se vaše doména rychle mění, s katalogem produktů nebo cenami, které se mění týdně, ušetří vám neustálé přetrénování RAG (Retrieval-Augmented Generation). Nejčastější zmatení panuje kolem snahy vštípit faktické znalosti: doladění učí chování, ne fakta, a zde je opět správným nástrojem RAG. Nakonec, pokud stačí inženýrství promptů, pokud již několik dobře navržených instrukcí přináší dobré výsledky, nekomplikujte svou pipeline jen tak pro nic za nic.

Doladění versus alternativy

Tyto tři přístupy nejsou konkurenty: řeší různé potřeby a velmi dobře se kombinují, například doladěný model pro formátování napájený přes RAG fakty.

Přístup Ideální pro Omezení
Inženýrství promptů Rychlé prototypování, různé úlohy Spotřebovává tokeny, proměnlivé výsledky
RAG Dynamické znalosti, databáze dokumentů Zvýšená latence, složitost infrastruktury
Doladění Stabilní chování, tón, formát, klasifikace Vyžaduje data, náklady na trénink

Typický pracovní postup

Zbytek tohoto kurzu následuje pořadí, ve kterém tyto kroky skutečně provedete. Než budete pokračovat, věnujte pár minut sepsání toho prvního: artikulace požadovaného chování v jediné větě vás ušetří náhodného sběru dat.

  1. Identifikujte potřebu: jaké chování má model systematicky přijmout?
  2. Shromážděte data: sesbírejte alespoň 50 až 100 příkladů ideálních konverzací
  3. Připravte JSONL: naformátujte svá data podle schématu očekávaného API
  4. Spusťte trénink: vytvořte úlohu doladění pomocí client.fine_tuning.jobs.create()
  5. Vyhodnoťte: porovnejte výkon doladěného modelu se základním modelem
  6. Iterujte: v případě potřeby upravte svá data a spusťte proces znovu

Klíčové poznatky

  • Doladění mění chování modelu, nikoliv jeho faktické znalosti
  • Dává smysl, když máte dostatek dat a potřebu konzistence
  • Vždy začněte inženýrstvím promptů – doladěte pouze tehdy, když to nestačí
  • Seznam modelů vhodných k doladění se vyvíjí s katalogem OpenAI – před spuštěním úlohy zkontrolujte oficiální dokumentaci