Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Επαναληπτική βελτίωση: Πότε να κάνετε εκ νέου Fine-Tuning

Μάθημα 13 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Το fine-tuning είναι μια επαναληπτική διαδικασία
  2. Αναλύστε τα σφάλματα πριν τα διορθώσετε
  3. Αναγνώριση του πότε να κάνετε επανάληψη
  4. Εμπλουτίστε αντί να ξεκινήσετε από την αρχή
  5. Συνεχές fine-tuning και τα όριά του
  6. Ο πλήρης κύκλος
  7. Τεκμηριώστε κάθε επανάληψη
  8. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα Fine-tuning. Η αυτοεξυπηρετούμενη διαδικασία fine-tuning της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν έχουν εκτελέσει ποτέ εργασία fine-tuning δεν μπορούν πλέον να δημιουργήσουν μία· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα μοντέλο fine-tuned τις τελευταίες 60 ημέρες· και ξεκινώντας από τις 6 Ιανουαρίου 2027, κανένας πελάτης δεν θα μπορεί να ξεκινήσει νέες εργασίες. Τα ήδη εκπαιδευμένα μοντέλα παραμένουν usable μέχρι να αποσυρθεί το βασικό τους μοντέλο. Αυτό το μάθημα παραμένει χρήσιμο για την κατανόηση και την αξιοποίηση ενός υπάρχοντος μοντέλου· για νέα έργα, δώστε προτεραιότητα στη μηχανική prompts, στο RAG και στις αξιολογήσεις.

Το fine-tuning είναι μια επαναληπτική διαδικασία

Η πρώτη σας εκτέλεση fine-tuning σπάνια θα είναι τέλεια. Η βελτίωση προέρχεται από επαναληπτικούς κύκλους: αναλύστε τα σφάλματα, εμπλουτίστε τα δεδομένα σας, επανεκπαιδεύστε και επαναξιολογήστε. Αυτό το μάθημα σας διδάσκει πώς να εντοπίζετε πότε και πώς να κάνετε επαναλήψεις αποτελεσματικά—και, εξίσου σημαντικό, πώς να αναγνωρίζετε καταστάσεις όπου η επανεκπαίδευση θα ήταν άσκοπη.

Αναλύστε τα σφάλματα πριν τα διορθώσετε

Ο φυσικός αντανακλασμός μετά από μια απογοητευτική αξιολόγηση είναι να προσθέσετε τυχαία παραδείγματα, ελπίζοντας ότι ο όγκος θα λύσει το πρόβλημα. Αυτός είναι ο πιο γρήγορος τρόπος να κάψετε τον προϋπολογισμό εκπαίδευσής σας χωρίς να κάνετε πρόοδο. Ξεκινήστε ταξινομώντας κάθε αποτυχία σε μια κατηγορία: λανθασμένη μορφοποίηση, ακατάλληλος τόνος, πραγματικό σφάλμα, ελλιπής απάντηση, απάντηση εκτός θέματος ή καθαρή ψευδαίσθηση (hallucination). Η προκύπτουσα κατανομή σας λέει πού να εστιάσετε την προσπάθειά σας και συχνά αποκαλύπτει μια έκπληξη—αυτό που νομίζατε ότι ήταν θέμα ύφους αποδεικνύεται πρόβλημα πληρότητας.

def analyze_errors(results: list[dict]) -> dict:
    """Categorizes errors from the fine-tuned model."""
    categories = {
        "format": [],       # Incorrect response format
        "tone": [],         # Inappropriate tone
        "factual": [],      # Incorrect information
        "incomplete": [],   # Response too short or missing elements
        "off_topic": [],    # Does not answer the question
        "hallucination": [] # Invents information
    }

    for r in results:
        if r.get("score", 5) < 3:
            # Classify the error (can be done manually or by an LLM)
            category = classify_error(r)
            categories[category].append(r)

    print("Error distribution:")
    for cat, errors in categories.items():
        if errors:
            print(f"  {cat}: {len(errors)} cases")

    return categories

Στη συνέχεια, εξετάστε τις περιπτώσεις within την ίδια κατηγορία για να βρείτε έναν κοινό παρονομαστή. Κάντε στον εαυτό σας τις ίδιες ερωτήσεις κάθε φορά: αποτυγχάνει το μοντέλο σε έναν συγκεκριμένο τύπο ερώτησης, συγκεντρώνονται τα σφάλματα γύρω από ορισμένα θέματα και πηγάζει το πρόβλημα από τα δεδομένα ή τις υπερπαραμέτρους; Οι αποτυχίες που είναι διάσπαρτες σε όλα τα θέματα αλλά πάντα της ίδιας φύσης υποδεικνύουν έλλειψη παραδειγμάτων· οι αποτυχίες που συγκεντρώνονται σε έναν τομέα υποδεικνύουν κενό κάλυψης· και οι απαντήσεις που προσκολλώνται υπερβολικά στα παραδείγματα εκπαίδευσής σας ανεξάρτητα από την ερώτηση σηματοδοτούν υπερπροσαρμογή (overfitting) που χρειάζεται διόρθωση στην πλευρά των epochs.

Αναγνώριση του πότε να κάνετε επανάληψη

Ορισμένα σήματα απαιτούν αδιαμφισβήτητα μια νέα έκδοση και το καθένα απαιτεί διαφορετική ανταπόκριση. Ένα μοντέλο που παραισθάνεται (hallucinates) σε ένα θέμα δεν διορθώνεται δείχνοντάς του περισσότερες σωστές απαντήσεις σε αυτό το θέμα, αλλά διδάσκοντάς το να αρνείται ευγενικά όταν δεν γνωρίζει.

ΣήμαΕνέργεια
Επαναλαμβανόμενα σφάλματα μορφοποίησηςΠροσθέστε περισσότερα παραδείγματα με τη σωστή μορφή
Το μοντέλο παραισθάνεται σε ορισμένα θέματαΠροσθέστε παραδείγματα όπου αρνείται ευγενικά
Εντοπίστηκε υπερπροσαρμογή (Overfitting)Μειώστε τα epochs, διαφοροποιήστε τα δεδομένα
Νέες περιπτώσεις χρήσης προς κάλυψηΠροσθέστε παραδείγματα για αυτές τις περιπτώσεις
Στοχευμένη αρνητική ανατροφοδότηση χρηστώνΜετατρέψτε την ανατροφοδότηση σε διορθωμένα παραδείγματα

Αντιθέτως, αρκετές καταστάσεις πρέπει να σας σταματήσουν από την επανεκπαίδευση. Όταν τα σφάλματα είναι σπάνια και μη συστηματικά, μια προσαρμογή του prompt τα χειρίζεται γρηγορότερα και φθηνότερα. Όταν τα παράπονα αφορούν την καθυστέρηση (latency) ή τους χρόνους αναμονής, το πρόβλημα βρίσκεται στην υποδομή σας και καμία ποσότητα εκπαίδευσης δεν θα το διορθώσει. Όταν έχετε συλλέξει μόνο μια χούφτα νέα παραδείγματα από την τελευταία έκδοση, το αναμενόμενο κέρδος δεν θα καλύψει το κόστος της εκτέλεσης. Και όταν γίνει διαθέσιμο ένα νέο βασικό μοντέλο, δοκιμάστε το πρώτα ως έχει: μερικές φορές επιτυγχάνει μόνο του, χωρίς εκπαίδευση, αυτό που η προηγούμενη έκδοσή σας δυσκολευόταν να παραδώσει.

Εμπλουτίστε αντί να ξεκινήσετε από την αρχή

Η επαναληπτική διαδικασία με σταδιακή προσθήκη σημαίνει να προσθέτετε στοχευμένα παραδείγματα σε ένα υπάρχον σύνολο δεδομένων χωρίς να αγγίζετε τα υπόλοιπα. Αυτή είναι η πιο συχνή και απλή λειτουργία: φορτώνετε το τρέχον αρχείο, συνενώνετε τις νέες περιπτώσεις και ξαναγράφετε τα πάντα σε μορφή JSONL. Ο τελικός αριθμός serves ως έλεγχός σας—ένα σύνολο που δεν ταιριάζει με το αναμενόμενο άθροισμα υποδεικνύει σφάλμα ανάγνωσης αρχείου ή χαμένες γραμμές.

import json

def enrich_dataset(
    existing_dataset: str,
    new_examples: list[dict],
    output: str
):
    """Adds new examples to the existing dataset."""
    # Load existing data
    with open(existing_dataset, "r") as f:
        existing = [json.loads(l) for l in f]

    # Merge
    combined = existing + new_examples

    # Save
    with open(output, "w") as f:
        for ex in combined:
            f.write(json.dumps(ex, ensure_ascii=False) + "\n")

    print(f"Enriched dataset: {len(existing)} + {len(new_examples)} = {len(combined)}")

Η διορθωτική επανάληψη είναι ακόμα πιο πολύτιμη επειδή μετατρέπει τις αποτυχίες σας σε πρώτη ύλη. Κάθε σφάλμα που εντοπίζεται στην παραγωγή παρέχει μια πραγματική ερώτηση· απλώς πρέπει να γράψετε την απάντηση που θα θέλατε να είχατε δει και το ζεύγος γίνεται ένα παράδειγμα εκπαίδευσης. Σημειώστε ότι η κακή απάντηση δεν μπαίνει στο τελικό παράδειγμα: βοηθά στην τεκμηρίωση της περίπτωσης και στην απόφαση αν η διόρθωση αξίζει τον κόπο, αλλά το μοντέλο μαθαίνει μόνο από τη σωστή έκδοση.

def error_to_example(
    question: str,
    bad_response: str,
    good_response: str,
    system_msg: str
) -> dict:
    """Transforms an error into a training example."""
    return {
        "messages": [
            {"role": "system", "content": system_msg},
            {"role": "user", "content": question},
            {"role": "assistant", "content": good_response}
        ]
    }

# Transform a batch of errors
corrections = []
for error in detected_errors:
    correction = error_to_example(
        question=error["question"],
        bad_response=error["model_response"],
        good_response=error["corrected_response"],
        system_msg=SYSTEM_PROMPT
    )
    corrections.append(correction)

Συνεχές fine-tuning και τα όριά του

Τίποτα δεν σας εμποδίζει να κάνετε fine-tuning σε ένα μοντέλο που έχει ήδη υποστεί fine-tuning: απλώς περάστε το πλήρες ID του στην παράμετρο model αντί για το όνομα του βασικού μοντέλου. Η λειτουργία είναι δελεαστική καθώς εκπαιδεύει μόνο στα νέα δεδομένα.

# Fine-tune from an already fine-tuned model
job_v2 = client.fine_tuning.jobs.create(
    training_file=new_file.id,
    model="ft:gpt-5.6-luna:org::suffix-v1:xxxxxxxx",  # v1 model as base
    suffix="my-assistant-v2"
)

Προειδοποίηση: το συνεχές fine-tuning συσσωρεύει προκαταλήψεις. Μετά από 2–3 διαδοχικές επαναλήψεις, είναι συχνά καλύτερο να ξεκινήσετε από την αρχή από το βασικό μοντέλο με ένα πλήρες, εμπλουτισμένο σύνολο δεδομένων. Κάθε στρώμα ενισχύει τις ιδιορρυθμίες του προηγούμενου, συμπεριλαμβανομένων εκείνων που δεν intendατε, και το μοντέλο καταλήγει να απαντά με μια ακαμψία που κανείς δεν του δίδαξε ρητά.

Ο πλήρης κύκλος

Τα παρακάτω βήματα αποτελούν τον βρόχο που θα επαναλαμβάνετε για κάθε έκδοση. Αν αντιμετωπίσετε πρώτα τα πιο συχνά σφάλματα, η επόμενη έκδοση θα δείξει μετρήσιμα κέρδη στο σύνολο δοκιμών σας· η αντιμετώπισή τους με λάθος σειρά αποφέρει μόνο διάχυτη βελτίωση που είναι δύσκολο να υπερασπιστείτε στην ομάδα σας.

1

Συλλογή σφαλμάτων

Εντοπίστε περιπτώσεις όπου το μοντέλο αποτυγχάνει στην παραγωγή ή κατά την αξιολόγηση.

2

Κατηγοριοποίηση και ιεράρχηση

Ταξινομήστε τα σφάλματα ανά τύπο και αντιμετωπίστε πρώτα τα πιο συχνά.

3

Δημιουργία διορθωτικών παραδειγμάτων

Μετατρέψτε κάθε σφάλμα σε παράδειγμα εκπαίδευσης με τη σωστή απάντηση.

4

Επαναεκπαίδευση και επαναξιολόγηση

Εκπαιδεύστε τη νέα έκδοση και συγκρίνετέ την με την προηγούμενη στο ίδιο σύνολο δοκιμών.

Τεκμηριώστε κάθε επανάληψη

Μετά από τέσσερις ή πέντε εκδόσεις, κανείς δεν θυμάται τι διέκρινε την v2 από την v3 ή γιατί η v4 εγκαταλείφθηκε. Η συστηματική καταγραφή κάθε εκτέλεσης—η σύνθεση του συνόλου δεδομένων, η πηγή των νέων παραδειγμάτων, οι υπερπαράμετροι, τα αποτελέσματα και η απόφαση που ελήφθη—σας παρέχει αυτές τις πληροφορίες όταν μια παλινδρόμηση σας αναγκάζει να ανατρέξετε στα βήματά σας. Δώστε ιδιαίτερη προσοχή στην πηγή των νέων παραδειγμάτων: μόνο αυτό θα σας πει, μήνες αργότερα, αν η υποβάθμιση προήλθε από μια κακώς επιλεγμένη παρτίδα δεδομένων.

iteration_log = {
    "version": "v3",
    "date": "2026-04-02",
    "base_model": "gpt-5.6-luna",
    "dataset": {
        "train": 350,
        "validation": 45,
        "new_examples": 50,
        "new_examples_source": "production errors week 12"
    },
    "hyperparameters": {
        "n_epochs": 3,
        "learning_rate_multiplier": "auto",
        "batch_size": "auto"
    },
    "results": {
        "validation_loss": 0.42,
        "precision_test": 0.91,
        "avg_csat": 4.3,
        "improvement_vs_v2": "+5% precision, +0.2 CSAT"
    },
    "decision": "Deployed to production on 2026-04-03"
}

Βασικά σημεία

  • Το fine-tuning είναι επαναληπτικό—σχεδιάστε για πολλαπλούς κύκλους
  • Κατηγοριοποιήστε τα σφάλματα πριν τα διορθώσετε στα δεδομένα
  • Μετατρέψτε την ανατροφοδότηση των χρηστών σε παραδείγματα εκπαίδευσης
  • Μετά από 2–3 διαδοχικές επαναλήψεις, ξεκινήστε ξανά από το βασικό μοντέλο
  • Τεκμηριώστε κάθε επανάληψη για να διατηρήσετε ένα καθαρό ιστορικό