Forbered dine træningsdata
På denne side
Opdatering 2. november 2026 — Tilgængelighed af finjustering. OpenAIs selvbetjente finjustering udfases: Siden 7. maj 2026 har organisationer, der aldrig har brugt tjenesten, ikke kunnet oprette nye jobs; siden 2. juli skal du have brugt en finjusteret model inden for de sidste 60 dage; og fra 6. januar 2027 vil ingen kunder kunne starte nye jobs. Allerede trænede modeller forbliver brugbare, indtil deres basismodel udgår. Dette kursus er stadig nyttigt for at forstå og udnytte en eksisterende model; til nye projekter bør du prioritere prompt engineering, RAG og evalueringer.
Vigtigheden af data
Kvaliteten af din finjusterede model afhænger direkte af kvaliteten af dine træningsdata. En model, der er trænet på dårlige data, vil give dårlige resultater, uanset hvor mange epoker eller hyperparametre du vælger: Træning reparerer ikke et korpus, den forstærker det. Derfor kommer denne lektion før alle tekniske overvejelser om API’en.
Vi vil følge den virkelige rejse for et datasæt: Hvor finder du det, hvordan udfylder du hullerne, hvilket volumen skal du sigte efter, og hvordan strukturerer du hvert eksempel, før du formaterer det som JSONL i næste lektion.
Datakilder
Den første kilde, du bør undersøge, er din egen historik, og den bliver næsten altid undervurderet. Hvis du allerede driver en chatbot eller assistent, indeholder dine logfiler for samtaler rigtige interaktioner med dine brugeres ordforråd og akavede formuleringer – materiale, der er langt mere nyttigt end spørgsmål, der er opfundet til et møde. Dine supportbilletter tilbyder den samme rigdom, med den ekstra fordel, at de indeholder validerede løsninger til sidst i udvekslingen. Dine interne dokumenter – stilguides, procedurer, svar-skabeloner – giver dig den forventede form for svar, om ikke spørgsmålene. Endelig er dine menneskelige evalueringer, altså svar som dine teams har valideret eller rettet, de mest værdifulde eksempler af dem alle, da de allerede bærer en kvalitetsvurdering.
Når disse kilder ikke er nok, kan du generere syntetiske data for at dække manglende tilfælde:
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
Advarsel: Syntetiske data skal verificeres af et menneske. Brug dem ikke blindt – en generator, der misforstår en forretningsmæssig nuance, vil producere halvtreds falske eksempler med samme selvsikkerhed som halvtreds korrekte.
Hvor meget data har du brug for?
OpenAI anbefaler et minimum på 10 eksempler, men i praksis er 50 det absolutte minimum for at observere en forskel. Mellem 100 og 500 eksempler vil du opnå pålidelige resultater. Derudover kommer gevinsten mindre fra volumen end fra diversitet: Tusind omformuleringer af det samme spørgsmål lærer modellen intet mere end halvtreds velvalgte.
Strukturering af dine eksempler
Hvert eksempel skal repræsentere en komplet interaktion, dvs. alt det, modellen vil se i produktion plus det svar, du forventer. Systembeskeden er valgfri: Den definerer assistentens rolle og begrænsninger, og hvis du beslutter dig for at bruge den, skal den forekomme i alle dine eksempler. Brugerbeskeden indeholder anmodningen, præcis som den ankommer, med sine ufuldkommenheder. Assistentbeskeden er endelig det ideelle svar – ikke et acceptabelt svar, men det, du ville være glad for at se leveret til en kunde.
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."
}
]
}
Bedste praksis for forberedelse
Diversitet kræver en bevidst indsats. Dæk alle de brugstilfælde, du målretter mod, inkluder grænsetilfælde og tvetydige spørgsmål, varier længden af spørgsmål og svar, og repræsenter forskellige sværhedsgrader. Et korpus, der kun består af lette spørgsmål, producerer en model, der stammer ved den første indviklede anmodning.
Konsistens er den modsatte begrænsning og lige så vigtig. Alle svar skal følge samme stil og format; hvis du bruger en systembesked, skal du bruge den i hvert eksempel; og svar skal være det, du faktisk forventer i produktion, ikke polerede versioner skabt til lejligheden. Modellen vil lære gennemsnittet af det, du viser den, inklusive tøven.
Endelig er der opdelingen i træning/validering. At sætte 20 % af eksemplerne til side før træning er det, der senere vil gøre det muligt for dig at vide, om din model har lært eller blot memoriseret. Gør det én gang, gem de to filer, og bland dem ikke igen.
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")
Vigtige pointer
- Kvalitet frem for kvantitet – 100 fremragende eksempler er bedre end 1.000 middelmådige
- Verificér manuelt dine syntetiske data
- Sæt altid en valideringssæt (20 %) til side for at evaluere objektivt
- Sørg for konsistens i stil og format på tværs af alle dine eksempler