Vorbereitung Ihrer Trainingsdaten
Auf dieser Seite
Update vom 2. November 2026 — Verfügbarkeit des Feinabstimmens. Das Selbstbedienungs-Feinabstimmungsdienst von OpenAI wird schrittweise eingestellt: Seit dem 7. Mai 2026 können Organisationen, die dies noch nie genutzt haben, keine Jobs mehr erstellen; seit dem 2. Juli müssen Sie ein feinabgestimmtes Modell innerhalb der letzten 60 Tage verwendet haben; und ab dem 6. Januar 2027 können keine Kunden neue Jobs starten. Bereits trainierte Modelle bleiben nutzbar, bis ihr Basismodell zurückgezogen wird. Dieser Kurs bleibt nützlich, um ein bestehendes Modell zu verstehen und zu nutzen; für neue Projekte sollten Sie Prompt Engineering, RAG und Evaluierungen priorisieren.
Die Bedeutung der Daten
Die Qualität Ihres feinabgestimmten Modells hängt direkt von der Qualität Ihrer Trainingsdaten ab. Ein Modell, das mit schlechten Daten trainiert wurde, liefert schlechte Ergebnisse, unabhängig von der Anzahl der Epochen oder den gewählten Hyperparametern: Training korrigiert einen Korpus nicht, es verstärkt ihn lediglich. Deshalb steht diese Lektion vor allen technischen Überlegungen zur API.
Wir folgen dem tatsächlichen Weg eines Datensatzes: Woher Sie ihn beziehen, wie Sie Lücken füllen, welches Volumen Sie anstreben sollen und wie Sie jedes Beispiel strukturieren, bevor Sie es in der nächsten Lektion als JSONL formatieren.
Datenquellen
Die erste Quelle, die Sie erkunden sollten, ist Ihre eigene Historie, und sie wird fast immer unterschätzt. Wenn Sie bereits einen Chatbot oder Assistenten betreiben, enthalten Ihre Gesprächsprotokolle echte Interaktionen mit dem Vokabular Ihrer Benutzer und deren ungeschickten Formulierungen – Material, das weitaus nützlicher ist als in Meetings erfundene Fragen. Ihre Support-Tickets bieten dieselbe Reichhaltigkeit, mit dem zusätzlichen Vorteil validierter Lösungen am Ende des Austauschs. Ihre internen Dokumente – Stilrichtlinien, Verfahrensanweisungen, Antwortvorlagen – geben Ihnen die erwartete Form der Antworten, wenn auch nicht die Fragen. Schließlich sind Ihre menschlichen Bewertungen, also Antworten, die Ihre Teams validiert oder korrigiert haben, die wertvollsten Beispiele der Reihe, da sie bereits eine Qualitätsbewertung tragen.
Wenn diese Quellen nicht ausreichen, können Sie synthetische Daten generieren, um fehlende Fälle abzudecken:
from openai import OpenAI
client = OpenAI()
def generate_example(topic: str, style: str) -> dict:
"""Generiert ein synthetisches Trainingsbeispiel."""
response = client.responses.create(
model="gpt-5.6-sol",
input=f"""Generieren Sie ein realistisches Gespräch zwischen einem Benutzer
und einem Assistenten, der sich auf {topic} spezialisiert.
Der Assistent muss in einem {style}-Stil antworten.
Format: Eine Benutzer-Nachricht, gefolgt von der idealen Antwort."""
)
return response
Warnung: Synthetische Daten müssen von einem Menschen überprüft werden. Nutzen Sie sie nicht blind – ein Generator, der eine geschäftliche Nuance falsch erfasst, wird fünfzig falsche Beispiele mit derselben Zuversicht produzieren wie fünfzig korrekte.
Wie viel Daten benötigen Sie?
OpenAI empfiehlt ein Minimum von 10 Beispielen, doch in der Praxis ist 50 das absolute Minimum, um einen Unterschied zu beobachten. Zwischen 100 und 500 Beispielen erhalten Sie zuverlässige Ergebnisse. Darüber hinaus kommt der Gewinn weniger vom Volumen als von der Vielfalt: Tausend Neuformulierungen derselben Frage lehren dem Modell nicht mehr als fünfzig gut gewählte.
Strukturierung Ihrer Beispiele
Jedes Beispiel muss eine vollständige Interaktion darstellen, also alles, was das Modell in der Produktion sehen wird, plus die Antwort, die Sie erwarten. Die Systemnachricht ist optional: Sie definiert die Rolle und Einschränkungen des Assistenten, und wenn Sie sie verwenden, muss sie in allen Ihren Beispielen erscheinen. Die Benutzernachricht enthält die Anfrage so, wie sie tatsächlich eingeht, mit ihren Unvollkommenheiten. Die Assistenten-Nachricht schließlich ist die ideale Antwort – nicht eine akzeptable, sondern die, die Sie gerne einem Kunden zur Verfügung stellen würden.
example = {
"messages": [
{
"role": "system",
"content": "Sie sind ein juristischer Assistent, der sich auf das französische Arbeitsrecht spezialisiert hat."
},
{
"role": "user",
"content": "Wie lang ist die Kündigungsfrist für einen unbefristeten Vertrag?"
},
{
"role": "assistant",
"content": "Die Kündigungsfrist für einen unbefristeten Vertrag hängt von Ihrer Betriebszugehörigkeit und Ihrem Tarifvertrag ab. Als allgemeine Regel: Weniger als 6 Monate Betriebszugehörigkeit, die Frist wird durch den Tarifvertrag festgelegt; zwischen 6 Monaten und 2 Jahren beträgt sie 1 Monat; über 2 Jahre beträgt sie 2 Monate. Prüfen Sie immer Ihren Tarifvertrag, der möglicherweise andere Laufzeiten vorsieht."
}
]
}
Best Practices für die Vorbereitung
Vielfalt erfordert bewusste Anstrengung. Erfassen Sie alle Anwendungsfälle, die Sie anvisieren, einschließlich Grenzfälle und mehrdeutiger Fragen, variieren Sie die Länge von Fragen und Antworten und stellen Sie unterschiedliche Schwierigkeitsgrade dar. Ein Korpus, der nur aus einfachen Fragen besteht, erzeugt ein Modell, das bei der ersten verworrenen Anfrage stockt.
Konsistenz ist die entgegengesetzte Einschränkung und ebenso wichtig. Alle Antworten müssen denselben Stil und dasselbe Format einhalten; wenn Sie eine Systemnachricht verwenden, nutzen Sie sie in jedem Beispiel; und die Antworten müssen sein, was Sie in der Produktion tatsächlich erwarten, nicht polierte Versionen, die für den Anlass erstellt wurden. Das Modell lernt den Durchschnitt dessen, was Sie ihm zeigen, einschließlich Zögern.
Schließlich gibt es die Trainings-/Validierungsaufteilung. Das Zurückbehalten von 20 % der Beispiele vor dem Training ermöglicht es Ihnen später zu wissen, ob Ihr Modell gelernt hat oder lediglich auswendig gelernt hat. Machen Sie es einmal, speichern Sie die beiden Dateien und mischen Sie sie nicht erneut.
import json
import random
# Laden Ihrer Daten
with open("complete_data.jsonl", "r") as f:
examples = [json.loads(line) for line in f]
# Mischen
random.shuffle(examples)
# Aufteilung 80/20
split = int(len(examples) * 0.8)
train = examples[:split]
validation = examples[split:]
# Speichern
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)} Beispiele, Validierung: {len(validation)} Beispiele")
Kernaussagen
- Qualität vor Quantität – 100 hervorragende Beispiele sind besser als 1.000 mittelmäßige
- Überprüfen Sie Ihre synthetischen Daten manuell
- Setzen Sie immer ein Validierungsset (20 %) zur objektiven Bewertung zurück
- Stellen Sie Konsistenz von Stil und Format in allen Ihren Beispielen sicher