Přejít na hlavní obsah
Čeština— Vyberte jazyk
Menu

Spuštění jemného ladění přes API

Lekce 5 z 16 Aktualizováno 2. listopadu 2026 Pokročilý
Na této stránce
  1. Přehled procesu
  2. Instalace a konfigurace SDK
  3. Nahrávání souborů
  4. Vytvoření úlohy jemného ladění
  5. Sledování průběhu
  6. Použití modelu po jemném ladění
  7. Správa tvých úloh
  8. Náklady a doba trvání
  9. Klíčové poznatky

Aktualizace 2. listopadu 2026 — Dostupnost jemného ladění. Služba pro vlastní jemné ladění od OpenAI se postupně ukončuje: od 7. května 2026 organizace, které nikdy nespustily úlohu jemného ladění, již nemohou vytvořit novou; od 2. července musíte mít model po jemném ladění použitý během posledních 60 dnů; a počínaje 6. lednem 2027 žádný zákazník nebude moci spustit nové úlohy. Již natrénované modely zůstávají použitelné 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.

Přehled procesu

Tvoje data jsou připravena, validována a rozdělena na trénovací a validační sadu. Samotný krok trénování se redukuje na tři pohyby: nahraj soubor s daty, vytvoř úlohu jemného ladění a poté vyčkej na dokončení trénování. Vše probíhá prostřednictvím oficiálního Python SDK a uvidíš, že se kód vejde asi do třiceti řádků – většina práce se odehrála v předchozích fázích.

Instalace a konfigurace SDK

Klient se inicializuje bez argumentů: automaticky si přečte proměnnou prostředí OPENAI_API_KEY.

# Instalace
# pip install openai

from openai import OpenAI

# Klient automaticky použije proměnnou prostředí OPENAI_API_KEY
client = OpenAI()

Ujisti se, že je tato proměnná nastavena před spuštěním skriptu, jinak inicializace při prvním požadavku selže. V produkčním prostředí nikdy neukládej svůj klíč přímo do kódu: klíč zapsaný jako plain text skončí v historii Gitu a jeho následné odstranění je mnohem nákladnější než jeho čtení z prostředí od prvního dne.

Nahrávání souborů

Při nahrávání použij purpose="fine-tune", čímž OpenAI sdělíš, že soubor je určen k trénování, a spustíš odpovídající kontroly formátu. Nahraj validační soubor okamžitě: technicky je volitelný, ale bez něj běží trénování naslepo, protože žádná validační ztráta během úlohy neoznámí přeučení (overfitting).

# Nahrání trénovacího souboru
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID souboru: {training_file.id}")
print(f"Stav: {training_file.status}")

# Volitelné: nahrání validačního souboru
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID validace: {validation_file.id}")

Soubor projde na straně OpenAI fází zpracování. Před spuštěním úlohy vyčkej, až bude stav processed: úloha vytvořená na souboru, který se stále zpracovává, selže a ztratíš několik minut hledáním neexistující příčiny ve svém JSONL.

Vytvoření úlohy jemného ladění

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # volitelné, ale doporučené
    model="gpt-5.6-luna",  # nebo "gpt-5.6-luna"
    suffix="my-assistant-v1"  # přípona pro identifikaci tvého modelu
)

print(f"ID úlohy: {job.id}")
print(f"Stav: {job.status}")
print(f"Základní model: {job.model}")

Parametr suffix se připojí k názvu tvého modelu po jemném ladění: s hodnotou "my-assistant-v1" bude výsledný model pojmenován ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Zvykni si sem dávat případ použití a číslo verze. Až budou v tvém účtu koexistovat tři modely, bude to jediná věc, díky které poznáš, který dělá co, aniž bys musel otevírat konzoli.

Sledování průběhu

Úloha postupně prochází několika stavy a metoda retrieve ti kdykoli vrátí ten aktuální.

# Získání stavu úlohy
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Stav: {job.status}")
# Možné stavy: validating_files, queued, running, succeeded, failed, cancelled

Samotný stav zůstává strohý. Události naopak vyprávějí celý příběh: validace souborů, start, krok za krokem postup, konec.

# Zobrazení událostí úlohy
events = client.fine_tuning.jobs.list_events(
    fine_tuning_job_id=job.id,
    limit=20
)

for event in events.data:
    print(f"[{event.created_at}] {event.message}")

Místo ručního volání retrieve každých pět minut zabal čekání do smyčky, která vrátí řízení, jakmile úloha dosáhne koncového stavu. Všimni si, že tři výstupní případy jsou zpracovány odděleně: zrušená úloha není totéž co neúspěšná úloha a v logách budeš chtít tyto stavy rozlišovat.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Sleduje úlohu jemného ladění až do dokončení."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Stav: {job.status}")

        if job.status == "succeeded":
            print(f"Model po jemném ladění: {job.fine_tuned_model}")
            return job

        if job.status == "failed":
            print(f"Selhání: {job.error}")
            return job

        if job.status == "cancelled":
            print("Úloha zrušena.")
            return job

        time.sleep(interval)

# Použití
final_job = track_job(client, job.id)

Použití modelu po jemném ladění

Jakmile úloha úspěšně skončí, voláš svůj model přesně jako standardní model. Mění se pouze hodnota předaná do parametru model, což znamená, že přechod na vlastní model v existující aplikaci spočívá v úpravě jedné konfigurační proměnné.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # např. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Dobrý den, mám problém se svou objednávkou."
)

print(response.output_text)

Správa tvých úloh

Ke správě všeho stačí dva volání: vypsat, co existuje, a přerušit, co běží. Zrušení je užitečné, jakmile monitoring ukáže, že se trénování vymyká kontrole – nemá smysl platit za tokeny z úlohy, o které už víš, že vytvoří špatný model.

# Výpis všech tvých úloh jemného ladění
jobs = client.fine_tuning.jobs.list(limit=10)
for j in jobs.data:
    print(f"{j.id} | {j.status} | {j.model} | {j.fine_tuned_model}")

# Zrušení běžící úlohy
client.fine_tuning.jobs.cancel(job.id)

Náklady a doba trvání

Trénování se fakturuje podle počtu zpracovaných tokenů. Doba trvání naopak závisí na velikosti tvých dat a počtu epoch.

Velikost datasetuDoba trénování
50 příkladůNěkolik minut
500 příkladů15 až 30 minut
5 000 příkladů1 až 2 hodiny

Tyto řády velikosti ti hlavně pomohou naplánovat pracovní cyklus: při několika minutách na běh iteruješ v rámci jedné relace; při dvou hodinách plánuješ dopředu. Přesné ceny se liší podle zvoleného modelu; aktuální sazby najdeš na stránce s ceníkem OpenAI.

Klíčové poznatky

  • Pracovní postup je: nahrát soubor, vytvořit úlohu, počkat, použít model
  • Přidej popisnou suffix, abys snadno identifikoval své modely
  • Vždy používej validační soubor pro vyhodnocení kvality
  • Model po jemném ladění se používá přes API přesně jako základní model
  • Uchovávej ID svých úloh a modelů – budeš je potřebovat pro verzování