Προετοιμάστε τα Δεδομένα Εκπαίδευσής σας
Σε αυτήν τη σελίδα
Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα Fine-tuning. Η αυτοεξυπηρετούμενη λειτουργία fine-tuning της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν την έχουν χρησιμοποιήσει ποτέ δεν μπορούν πλέον να δημιουργήσουν εργασίες· 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 εντολών (prompt engineering), στο RAG και στις αξιολογήσεις.
Η Σημασία των Δεδομένων
Η ποιότητα του fine-tuned μοντέλου σας εξαρτάται άμεσα από την ποιότητα των δεδομένων εκπαίδευσής σας. Ένα μοντέλο εκπαιδευμένο σε κακά δεδομένα θα παράγει κακά αποτελέσματα, ανεξάρτητα από τον αριθμό των εποχών (epochs) ή τις υπερπαραμέτρους που επιλέξατε: η εκπαίδευση δεν διορθώνει ένα σώμα κειμένου, το ενισχύει. Γι’ αυτό αυτό το μάθημα προηγείται οποιασδήποτε τεχνικής θεώρησης σχετικά με το API.
Θα ακολουθήσουμε την πραγματική διαδρομή ενός συνόλου δεδομένων: πού να το βρείτε, πώς να συμπληρώσετε ό,τι λείπει, ποιον όγκο να στοχεύσετε και πώς να δομήσετε κάθε παράδειγμα πριν το μορφοποιήσετε ως JSONL στο επόμενο μάθημα.
Πηγές Δεδομένων
Η πρώτη πηγή που πρέπει να εξερευνήσετε είναι το δικό σας ιστορικό, και σχεδόν πάντα υποτιμάται. Εάν ήδη διαχειρίζεστε ένα chatbot ή βοηθό, τα αρχεία συνομιλιών σας περιέχουν πραγματικές αλληλεπιδράσεις, με το λεξιλόγιο των χρηστών σας και τις αδέξιες διατυπώσεις τους—υλικό πολύ πιο χρήσιμο από ερωτήσεις που επινοούνται σε μια σύσκεψη. Τα εισιτήρια υποστήριξης (support tickets) σας προσφέρουν τον ίδιο πλούτο, με το επιπλέον πλεονέκτημα των επικυρωμένων λύσεων στο τέλος της ανταλλαγής. Τα εσωτερικά σας έγγραφα—οδηγοί ύφους, διαδικασίες, πρότυπα απαντήσεων—σας δίνουν την αναμενόμενη μορφή των απαντήσεων, إن δεν τις ερωτήσεις. Τέλος, οι ανθρώπινες αξιολογήσεις σας, δηλαδή οι απαντήσεις που οι ομάδες σας έχουν επικυρώσει ή διορθώσει, είναι τα πιο πολύτιμα παραδείγματα από όλα, καθώς φέρουν ήδη μια κρίση ποιότητας.
Όταν αυτές οι πηγές δεν επαρκούν, μπορείτε να δημιουργήσετε συνθετικά δεδομένα για να καλύψετε περιπτώσεις που λείπουν:
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
Προειδοποίηση: Τα συνθετικά δεδομένα πρέπει να επαληθεύονται από άνθρωπο. Μην τα χρησιμοποιείτε τυφλά—μια γεννήτρια που παρερμηνεύει μια επιχειρηματική απόχρωση θα παράγει πενήντα ψευδή παραδείγματα με την ίδια βεβαιότητα όπως πενήντα σωστά.
Πόσα Δεδομένα Χρειάζεστε;
Η OpenAI συνιστά τουλάχιστον 10 παραδείγματα, αλλά στην πράξη, τα 50 είναι το απόλυτο ελάχιστο για να παρατηρήσετε μια διαφορά. Μεταξύ 100 και 500 παραδειγμάτων, θα λάβετε αξιόπιστα αποτελέσματα. Πέρα από αυτό, το κέρδος προέρχεται λιγότερο από τον όγκο και περισσότερο από την ποικιλομορφία: χίλιες διατυπώσεις της ίδιας ερώτησης δεν διδάσκουν στο μοντέλο τίποτα περισσότερο από ό,τι πενήντα καλά επιλεγμένες.
Δόμηση των Παραδειγμάτων σας
Κάθε παράδειγμα πρέπει να αντιπροσωπεύει μια πλήρη αλληλεπίδραση, δηλαδή όλα όσα θα δει το μοντέλο στην παραγωγή συν την απάντηση που αναμένετε. Το μήνυμα συστήματος (system message) είναι προαιρετικό: ορίζει τον ρόλο και τους περιορισμούς του βοηθού, και εάν αποφασίσετε να το χρησιμοποιήσετε, πρέπει να εμφανίζεται σε όλα τα παραδείγματά σας. Το μήνυμα χρήστη (user message) περιέχει το αίτημα όπως φτάνει πραγματικά, με τις ατέλειές του. Το μήνυμα βοηθού (assistant message), τέλος, είναι η ιδανική απάντηση—όχι μια αποδεκτή, αλλά αυτή που θα χαίραστε να δείτε να παρέχεται σε έναν πελάτη.
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."
}
]
}
Βέλτιστες Πρακτικές Προετοιμασίας
Η ποικιλομορφία απαιτεί σκόπιμη προσπάθεια. Καλύψτε όλες τις περιπτώσεις χρήσης που στοχεύετε, συμπεριλάβετε οριακές περιπτώσεις και ασαφείς ερωτήσεις, διαφοροποιήστε το μήκος των ερωτήσεων και των απαντήσεων και αναπαραστήστε διαφορετικά επίπεδα δυσκολίας. Ένα σώμα κειμένου που αποτελείται μόνο από εύκολες ερωτήσεις παράγει ένα μοντέλο που τραυλίζει στην πρώτη περίπλοκη απαίτηση.
Η συνέπεια είναι ο αντίστροφος περιορισμός, και εξίσου σημαντική. Όλες οι απαντήσεις πρέπει να ακολουθούν το ίδιο ύφος και μορφή· εάν χρησιμοποιείτε μήνυμα συστήματος, χρησιμοποιήστε το σε κάθε παράδειγμα· και οι απαντήσεις πρέπει να είναι αυτές που πραγματικά αναμένετε στην παραγωγή, όχι γυαλισμένες εκδόσεις δημιουργημένες για την περίσταση. Το μοντέλο θα μάθει τον μέσο όρο αυτού που του δείχνετε, συμπεριλαμβανομένων των δισταγμών.
Τέλος, υπάρχει ο διαχωρισμός εκπαίδευσης/επικύρωσης (train/validation split). Η απομόνωση του 20% των παραδειγμάτων πριν από την εκπαίδευση είναι αυτό που θα σας επιτρέψει, αργότερα, να γνωρίζετε εάν το μοντέλο σας έχει μάθει ή απλώς έχει απομνημονεύσει. Κάντε το μία φορά, αποθηκεύστε τα δύο αρχεία και μην τα αναμείξετε ξανά.
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")
Βασικά σημεία
- Ποιότητα αντί για ποσότητα—100 εξαιρετικά παραδείγματα είναι καλύτερα από 1.000 μέτρια
- Επαληθεύετε χειροκίνητα τα συνθετικά σας δεδομένα
- Διαχωρίζετε πάντα ένα σύνολο επικύρωσης (20%) για αντικειμενική αξιολόγηση
- Διασφαλίστε τη συνέπεια του ύφους και της μορφής σε όλα τα παραδείγματά σας