Ανάπτυξη μοντέλου με προσαρμογή
Σε αυτήν τη σελίδα
Το μάθημα ενημερώθηκε στις 3 Νοεμβρίου 2026 με βάση την τεκμηρίωση της OpenAI: οι παράμετροι
temperatureκαιtop_pγίνονται δεκτοί μόνο με προσπάθεια συλλογισμού (reasoning effort) ίση μεnone, ενώ τα μοντέλα GPT-5.6 εκτελούν συλλογισμό από προεπιλογή (medium). Επομένως, οι κλήσεις που ορίζουν αυτές τις παραμέτρους πρέπει να καθορίζουνreasoning={"effort": "none"}(API Responses) ήreasoning_effort="none"(Chat Completions). Πηγές: Χρήση GPT-6 · GPT-5.6 Terra.
Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα προσαρμογής. Η αυτοεξυπηρετούμενη προσαρμογή (fine-tuning) της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν έχουν πραγματοποιήσει ποτέ προσαρμογή δεν μπορούν πλέον να δημιουργήσουν εργασίες· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα προσαρμοσμένο μοντέλο 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 εντολών (prompt engineering), στο RAG και στις αξιολογήσεις.
Από την ανάπτυξη στην παραγωγή
Το προσαρμοσμένο μοντέλο σας έχει αξιολογηθεί και εγκριθεί. Ήρθε η ώρα να το αναπτύξετε σε περιβάλλον παραγωγής. Αυτό το μάθημα καλύπτει τις βέλτιστες πρακτικές για μια αξιόπιστη, ασφαλή και συντηρήσιμη ανάπτυξη—ό,τι δηλαδή χωρίζει ένα μοντέλο που τρέχει στον φορητό υπολογιστή σας από μια υπηρεσία την οποία οι χρήστες σας μπορούν να καλούν συνεχώς χωρίς να χρειάζεται να είστε σε ετοιμότητα (on call).
Ας ξεκινήσουμε με τα βασικά: ένα προσαρμοσμένο μοντέλο λειτουργεί ακριβώς όπως οποιοδήποτε άλλο μοντέλο της OpenAI. Η μόνη διαφορά είναι το όνομα του μοντέλου, το οποίο γίνεται ένα μακρύ αναγνωριστικό που περιλαμβάνει τον οργανισμό σας, το επίθετό σας (suffix) και ένα ID εργασίας. Δεν υπάρχουν επιπλέον παράμετροι, ούτε ειδικά endpoints.
from openai import OpenAI
client = OpenAI()
# Το προσαρμοσμένο μοντέλο έχει ένα μοναδικό αναγνωριστικό
MODELE_PRODUCTION = "ft:gpt-5.6-luna:votre-org::mon-assistant-v3:abc12345"
response = client.responses.create(
model=MODELE_PRODUCTION,
input="Hello, I have an issue with my order #12345."
)
print(response.output_text)
Κεντρικοποίηση ρυθμίσεων
Αυτό το αναγνωριστικό έχει μια ιδιαιτερότητα που πρέπει να διέπει ολόκληρη την αρχιτεκτονική σας: αλλάζει με κάθε νέα έκδοση του μοντέλου σας. Η σκληρή κωδικοποίησή του (hard-coding) σε όλη την εφαρμογή σας επιβάλλει μια πλήρη επαναδιάταξη για την παραμικρή ενημέρωση και μια κουραστική αναζήτηση την ημέρα που θα εμφανιστεί σε τρία διαφορετικά σημεία. Τοποθετήστε το σε μια μεταβλητή περιβάλλοντος, με το βασικό μοντέλο ως τιμή εφεδρείας (fallback): η εφαρμογή σας θα ξεκινήσει ακόμα και αν η μεταβλητή δεν έχει οριστεί, αποφεύγοντας έτσι ένα σιωπηλό περιστατικό διακοπής υπηρεσίας Κυριακή βράδυ.
import os
class Config:
"""Κεντρικοποιημένη ρύθμιση μοντέλου."""
# Μεταβλητή περιβάλλοντος για το μοντέλο παραγωγής
MODEL_ID = os.environ.get(
"OPENAI_FT_MODEL",
"gpt-5.6-luna" # εφεδρεία στο βασικό μοντέλο
)
# Prompt συστήματος (μπορεί να είναι κενό αν ενσωματωθεί στην προσαρμογή)
SYSTEM_PROMPT = os.environ.get("SYSTEM_PROMPT", "")
# Παράμετροι δημιουργίας
MAX_TOKENS = int(os.environ.get("MAX_TOKENS", "1024"))
TEMPERATURE = float(os.environ.get("TEMPERATURE", "0.7"))
Η ίδια λογική ισχύει και για τις ίδιες τις κλήσεις. Αντί να διασκορπίζετε κλήσεις client.responses.create σε όλη την επιχειρηματική σας λογική, περικλείστε τες σε μια ενιαία υπηρεσία. Κερδίζετε ένα υποχρεωτικό σημείο ελέγχου όπου μπορείτε αργότερα να συνδέσετε καταγραφή (logging), μετρικές και εφεδρείες χωρίς να χρειάζεται να ανοίξετε ξανά είκοσι αρχεία. Παρατηρήστε πώς η παρακάτω υπηρεσία συνθέτει ένα προαιρετικό πλαίσιο (context) με την ερώτηση και πώς πιάνει οποιαδήποτε εξαίρεση για να την ανακατευθύνει στο βασικό μοντέλο.
from openai import OpenAI
class AssistantService:
"""Υπηρεσία που περικλείει κλήσεις στο προσαρμοσμένο μοντέλο."""
def __init__(self):
self.client = OpenAI()
self.model = Config.MODEL_ID
def repondre(self, question: str, contexte: str = "") -> str:
"""Δημιουργεί μια απάντηση."""
input_msg = question
if contexte:
input_msg = f"Context: {contexte}\n\nQuestion: {question}"
try:
response = self.client.responses.create(
model=self.model,
reasoning={"effort": "none"}, # το temperature απαιτεί effort none
input=input_msg,
max_output_tokens=Config.MAX_TOKENS,
temperature=Config.TEMPERATURE
)
return response.output_text
except Exception as e:
# Εφεδρεία στο βασικό μοντέλο σε περίπτωση σφάλματος
return self._fallback(input_msg, str(e))
def _fallback(self, input_msg: str, erreur: str) -> str:
"""Εφεδρεία στο βασικό μοντέλο."""
print(f"Fallback activated: {erreur}")
response = self.client.responses.create(
model="gpt-5.6-luna",
instructions=Config.SYSTEM_PROMPT,
input=input_msg
)
return response.output_text
Αντίσταση σε περιστατικά
Μια υποβαθμισμένη απάντηση είναι προτιμότερη από καμία απάντηση. Αν το προσαρμοσμένο μοντέλο σας είναι προσωρινά μη διαθέσιμο, είναι καλύτερο να στραφείτε στο βασικό μοντέλο—με το prompt συστήματος που κρατήσατε ακριβώς για αυτή την περίπτωση—παρά να εμφανίσετε ένα σφάλμα στον χρήστη. Η παρακάτω συνάρτηση αλυσιδώνει δύο συμπληρωματικούς μηχανισμούς: πρώτον, τρεις προσπάθειες στο κύριο μοντέλο, με χρονική καθυστέρηση που διπλασιάζεται με κάθε αποτυχία για να αποφευχθεί η επιδείνωση μιας προσωρινής υπερφόρτωσης· έπειτα, μόνο αν όλα αποτύχουν, μια κλήση στο μοντέλο εφεδρείας. Διατηρήστε τη σημαία fallback που επιστρέφεται στο αποτέλεσμα, καθώς αποτελεί το μόνο usable ίχνος του πόσο συχνά ενεργοποιείται πραγματικά αυτός ο μηχανισμός.
import time
def appel_resilient(
client: OpenAI,
modele_principal: str,
modele_fallback: str,
input_msg: str,
max_retries: int = 3
) -> dict:
"""Ανθεκτική κλήση με επανάληψη και εφεδρεία."""
for tentative in range(max_retries):
try:
response = client.responses.create(
model=modele_principal,
input=input_msg,
timeout=30
)
return {
"reponse": response.output_text,
"modele_utilise": modele_principal,
"fallback": False
}
except Exception as e:
print(f"Attempt {tentative + 1} failed: {e}")
if tentative < max_retries - 1:
time.sleep(2 ** tentative) # εκθετική οπισθοχώρηση
# Εφεδρεία
try:
response = client.responses.create(
model=modele_fallback,
input=input_msg
)
return {
"reponse": response.output_text,
"modele_utilise": modele_fallback,
"fallback": True
}
except Exception as e:
return {"erreur": str(e), "fallback": True}
Ο περιορισμός ρυθμού (rate limiting) αξίζει ξεχωριστή μεταχείριση επειδή δεν πρόκειται για διακοπή λειτουργίας αλλά για ρύθμιση: τα προσαρμοσμένα μοντέλα μοιράζονται τα ίδια όρια ρυθμού με τα βασικά μοντέλα. Ένα RateLimitError απλώς σας ζητά να περιμένετε και η προοδευτική αναμονή που ακολουθεί αρκεί για να απορροφήσει μια αιχμή. Αν όμως ο βρόχος φτάσει στο ανώτατο όριό του, τότε το πρόβλημα δεν είναι πλέον συγκυριακό και πρέπει να αναθεωρήσετε την ποσόστωσή σας.
from openai import RateLimitError
import time
def appel_avec_rate_limit(client, modele, input_msg, max_wait=60):
"""Διαχείριση περιορισμού ρυθμού με προοδευτική αναμονή."""
wait = 1
while wait <= max_wait:
try:
return client.responses.create(
model=modele,
input=input_msg
)
except RateLimitError:
print(f"Rate limit reached, waiting {wait}s...")
time.sleep(wait)
wait *= 2
raise Exception("Persistent rate limit — check your quotas")
Καταγραφή όσων έχουν σημασία
Η δομημένη καταγραφή (structured logging) μετατρέπει τα αδιαφανή περιστατικά σε γρήγορες διαγνώσεις. Για κάθε κλήση, καταγράψτε το μοντέλο που χρησιμοποιήθηκε πραγματικά, τον όγκο εισόδου και εξόδου, τον χρόνο απόκρισης (latency) και τη σημαία εφεδρείας. Αυτές οι πληροφορίες αρκούν για να απαντήσουν στα ερωτήματα που προκύπτουν κατά τη διάρκεια ενός περιστατικού: πόσο καιρό αποκλίνει ο χρόνος απόκρισης, οφείλεται η αύξηση του κόστους στην κίνηση ή σε μεγαλύτερες απαντήσεις, και πόσοι χρήστες εξυπηρετήθηκαν πραγματικά από το βασικό μοντέλο.
import logging
import datetime
logger = logging.getLogger("fine_tuning_prod")
def log_appel(
modele: str,
input_msg: str,
output: str,
latence_ms: float,
fallback: bool
):
"""Δομημένη καταγραφή για κάθε κλήση παραγωγής."""
logger.info(
"appel_modele",
extra={
"modele": modele,
"input_tokens": len(input_msg.split()),
"output_tokens": len(output.split()),
"latence_ms": latence_ms,
"fallback": fallback,
"timestamp": datetime.datetime.now().isoformat()
}
)
Όσον αφορά τη ρύθμιση, όλα πηγαίνουν σε ένα αρχείο περιβάλλοντος που δεν πρέπει ποτέ να μπει στο αποθετήριό σας: περιέχει το κλειδί API σας, και ένα δημοσιευμένο κλειδί είναι ένα compromised κλειδί.
# .env (να μην commit-αριστεί)
OPENAI_API_KEY=sk-...
OPENAI_FT_MODEL=ft:gpt-5.6-luna:org::suffix:abc12345
OPENAI_FT_MODEL_FALLBACK=gpt-5.6-luna
SYSTEM_PROMPT="You are a professional customer support assistant."
MAX_TOKENS=1024
TEMPERATURE=0.7
Πριν ανοίξετε τις πύλες
Πριν εκθέσετε την υπηρεσία στους χρήστες σας, περάστε έναν προς έναν τους ελέγχους αυτού του μαθήματος. Το μοντέλο πρέπει να έχει αξιολογηθεί και εγκριθεί έναντι του ορίου που ορίσατε εκ των προτέρων· το όνομά του πρέπει να βρίσκεται σε μεταβλητή περιβάλλοντος και πουθενά αλλού σκληρά κωδικοποιημένο· πρέπει να υπάρχει μηχανισμός εφεδρείας. Αυτά τα τρία σημεία προϋποθέτουν όλα τα υπόλοιπα, γιατί χωρίς αυτά θέτετε online ένα μοντέλο του οποίου η μετρήσιμη ποιότητα, η ακριβής διεύθυνση και η συμπεριφορά όταν το API αποκρίνεται άσχημα είναι άγνωστα.
Στη συνέχεια, ελέγξτε την οργανομετρία (instrumentation). Η καταγραφή πρέπει να είναι ενεργοποιημένη και να καταγράφει τουλάχιστον το μοντέλο που χρησιμοποιήθηκε, τον χρόνο απόκρισης και τα tokens· ο περιορισμός ρυθμού πρέπει να διαχειρίζεται και όχι να υφίσταται παθητικά· οι ειδοποιήσεις πρέπει να ρυθμιστούν βάσει του ποσοστού σφαλμάτων και του χρόνου απόκρισης P95, διαφορετικά ο πρώτος δυστυχισμένος χρήστης σας θα παίξει τον ρόλο του ανιχνευτή. Τέλος, η επαναφορά (rollback) πρέπει να είναι τεκμηριωμένη και δοκιμάσιμη—μια επαναφορά που δεν εκτελέστηκε ποτέ παραμένει μια πρόθεση, όχι ένας μηχανισμός.
Βασικά σημεία
- Χρησιμοποιήστε μεταβλητές περιβάλλοντος για το όνομα του μοντέλου
- Υλοποιήστε πάντα μια εφεδρεία στο βασικό μοντέλο
- Καταγράψτε κάθε κλήση με το μοντέλο που χρησιμοποιήθηκε και τον χρόνο απόκρισης
- Διαχειριστείτε τον περιορισμό ρυθμού με εκθετική οπισθοχώρηση
- Δοκιμάστε τον μηχανισμό εφεδρείας πριν την ανάπτυξη