Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Příprava trénovacích dat

Lekce 2 z 16 Aktualizováno 2. listopadu 2026 Pokročilý
Na této stránce
  1. Důležitost dat
  2. Zdroje dat
  3. Kolik dat potřebujete?
  4. Strukturování vašich příkladů
  5. Osvědčené postupy přípravy
  6. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Dostupnost jemného ladění. Služba pro vlastní jemné ladění od OpenAI se postupně ukončuje: od 7. května 2026 ji organizace, které ji nikdy nepoužily, již nemohou aktivovat; od 2. července musíte mít v posledních 60 dnech spuštěný alespoň jeden model po jemném ladění; a počínaje 6. lednem 2027 nebude žádný zákazník moci spustit nové úlohy. Již natrénované modely zůstávají funkční až do vyřazení jejich základního modelu. Tento kurz je stále užitečný pro pochopení a využití stávajícího modelu; u nových projektů však dejte přednost inženýrství promptů, architektuře RAG a evaluacím.

Důležitost dat

Kvalita vašeho modelu po jemném ladění přímo závisí na kvalitě vašich trénovacích dat. Model natrénovaný na špatných datech přinese špatné výsledky, bez ohledu na počet epoch nebo zvolené hyperparametry: trénování soubor dat neopravuje, pouze je zesiluje. Proto přichází tato lekce dříve než jakékoli technické úvahy o API.

Půjdeme skutečnou cestou datasetu: kde ho najít, jak doplnit chybějící části, na jaký objem cílit a jak strukturovat každý příklad před jeho formátováním do JSONL v další lekci.

Zdroje dat

Prvním zdrojem, který byste měli prozkoumat, je vaše vlastní historie, a ta je téměř vždy podceňována. Pokud již provozujete chatbota nebo asistenta, vaše záznamy konverzací obsahují skutečné interakce se slovníkem vašich uživatelů a jejich neobratnými formulacemi – materiál mnohem užitečnější než otázky vymyšlené na poradě. Vaše tikety podpory nabízejí stejnou bohatost s bonusovým řešením validovaným na konci výměny. Vaše interní dokumenty – stylové příručky, postupy, šablony odpovědí – vám dávají očekávanou formu odpovědí, ne-li samotné otázky. Nakonec vaše lidská hodnocení, tedy odpovědi, které vaše týmy validovaly nebo opravily, jsou nejcennějšími příklady ze všech, protože již nesou soud o kvalitě.

Když tyto zdroje nestačí, můžete generovat syntetická data pro pokrytí chybějících případů:

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

Upozornění: Syntetická data musí ověřit člověk. Nepoužívejte je naslepo – generátor, který špatně pochopí obchodní nuanci, vyprodukuje padesát falešných příkladů se stejnou jistotou jako padesát správných.

Kolik dat potřebujete?

50
Minimální životaschopné množství
100-500
Solidní výsledky
500+
Vysoká kvalita
80/20
Trénování / Validace

OpenAI doporučuje minimum 10 příkladů, ale v praxi je 50 absolutním minimem pro pozorování rozdílu. Mezi 100 a 500 příklady získáte spolehlivé výsledky. Nad touto hranicí přichází zisk méně z objemu než z diverzity: tisíc přeformulování stejné otázky nenaučí model nic více než padesát dobře vybraných.

Strukturování vašich příkladů

Každý příklad musí reprezentovat kompletní interakci, tedy vše, co model uvidí v produkci, plus odpověď, kterou očekáváte. Systémová zpráva je volitelná: definuje roli a omezení asistenta, a pokud se rozhodnete ji použít, musí se objevit ve všech vašich příkladech. Zpráva uživatele obsahuje požadavek tak, jak skutečně přijde, včetně jeho nedokonalostí. Zpráva asistenta je konečně ideální odpověď – ne taková, která je jen přijatelná, ale ta, kterou byste byli rádi, když ji zákazník obdrží.

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."
        }
    ]
}

Osvědčené postupy přípravy

Diverzita vyžaduje cílené úsilí. Pokryjte všechny cílené případy použití, zahrňte hraniční případy a nejednoznačné otázky, měňte délku otázek i odpovědí a reprezentujte různé úrovně obtížnosti. Korpus složený pouze z jednoduchých otázek vytvoří model, který začne koktat při první složité žádosti.

Konzistence je opačným, stejně důležitým omezením. Všechny odpovědi musí dodržovat stejný styl a formát; pokud používáte systémovou zprávu, použijte ji v každém příkladu; a odpovědi musí být tím, co skutečně očekáváte v produkci, nikoli uhlazenými verzemi vytvořenými speciálně pro tuto příležitost. Model se naučí průměr toho, co mu ukážete, včetně váhání.

Nakonec tu máme rozdělení na trénovací a validační sadu. Odložení 20 % příkladů před tréninkem vám později umožní zjistit, zda se model něco naučil, nebo si pouze pamatoval. Udělejte to jednou, uložte oba soubory a již je nemíchejte.

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")

Klíčové poznatky

  • Kvalita před kvantitou – 100 vynikajících příkladů je lepších než 1 000 průměrných
  • Ručně ověřujte svá syntetická data
  • Vždy si vyhraďte validační sadu (20 %) pro objektivní vyhodnocení
  • Zajistěte konzistenci stylu a formátu ve všech vašich příkladech