Μετάβαση στο κύριο περιεχόμενο
Ελληνικά— Επιλέξτε γλώσσα
Μενού

Εκκίνηση Βελτιστοποίησης μέσω API

Μάθημα 5 / 16 Ενημερώθηκε 2 Νοεμβρίου 2026 Προχωρημένος
Σε αυτήν τη σελίδα
  1. Επισκόπηση Διαδικασίας
  2. Εγκατάσταση και Ρύθμιση του SDK
  3. Ανέβασμα Αρχείων
  4. Δημιουργία Εργασίας Βελτιστοποίησης
  5. Παρακολούθηση Προόδου
  6. Χρήση του Βελτιστοποιημένου Μοντέλου
  7. Διαχείριση των Εργασιών σας
  8. Κόστος και Διάρκεια
  9. Βασικά σημεία

Ενημέρωση 2 Νοεμβρίου 2026 — Διαθεσιμότητα βελτιστοποίησης. Η αυτοεξυπηρετούμενη βελτιστοποίηση (fine-tuning) της OpenAI καταργείται σταδιακά: από τις 7 Μαΐου 2026, οι οργανισμοί που δεν είχαν εκτελέσει ποτέ εργασία βελτιστοποίησης δεν μπορούν πλέον να δημιουργήσουν μία· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα βελτιστοποιημένο μοντέλο εντός των τελευταίων 60 ημερών· 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 αξιοποίηση ενός υπάρχοντος μοντέλου· για νέα έργα, δώστε προτεραιότητα στη μηχανική εντολών (prompt engineering), στο RAG και στις αξιολογήσεις.

Επισκόπηση Διαδικασίας

Τα δεδομένα σας είναι έτοιμα, επικυρωμένα και χωρισμένα σε σύνολα εκπαίδευσης και επικύρωσης. Το πραγματικό βήμα της εκπαίδευσης συνοψίζεται σε τρεις κινήσεις: ανεβάστε το αρχείο δεδομένων σας, δημιουργήστε μια εργασία βελτιστοποίησης και στη συνέχεια περιμένετε να ολοκληρωθεί η εκπαίδευση. Όλα γίνονται μέσω του επίσημου Python SDK και θα δείτε ότι ο κώδικας χωράει σε περίπου τριάντα γραμμές—το μεγαλύτερο μέρος της δουλειάς έγινε στα προηγούμενα στάδια.

Εγκατάσταση και Ρύθμιση του SDK

Ο πελάτης (client) δημιουργείται χωρίς ορίσματα: διαβάζει αυτόματα τη μεταβλητή περιβάλλοντος OPENAI_API_KEY.

# Installation
# pip install openai

from openai import OpenAI

# The client automatically uses the OPENAI_API_KEY environment variable
client = OpenAI()

Βεβαιωθείτε ότι αυτή η μεταβλητή είναι ορισμένη πριν εκτελέσετε το σενάριο, διαφορετικά η δημιουργία στιγμιότυπου θα αποτύχει κατά την πρώτη αίτηση. Σε περιβάλλον παραγωγής, μην ενσωματώνετε ποτέ το κλειδί σας απευθείας στον κώδικα: ένα κλειδί γραμμένο σε απλό κείμενο καταλήγει στο ιστορικό του Git και η αφαίρεσή του εκ των υστέρων κοστίζει πολύ περισσότερο από το να το διαβάζετε από το περιβάλλον από την πρώτη μέρα.

Ανέβασμα Αρχείων

Η μεταφόρτωση χρησιμοποιεί την παράμετρο purpose="fine-tune", η οποία ενημερώνει την OpenAI ότι το αρχείο προορίζεται για εκπαίδευση και ενεργοποιεί τους αντίστοιχους ελέγχους μορφής. Ανεβάστε αμέσως το αρχείο επικύρωσης: είναι τεχνικά προαιρετικό, αλλά χωρίς αυτό η εκπαίδευση τρέχει «τυφλά», καθώς κανένα σφάλμα επικύρωσης δεν θα σηματοδοτήσει την υπερπροσαρμογή (overfitting) κατά τη διάρκεια της εργασίας.

# Upload training file
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"File ID: {training_file.id}")
print(f"Status: {training_file.status}")

# Optional: upload validation file
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Validation ID: {validation_file.id}")

Το αρχείο περνά από μια φάση επεξεργασίας στην πλευρά της OpenAI. Περιμένετε μέχρι η κατάσταση να γίνει processed πριν ξεκινήσετε την εργασία: μια εργασία που δημιουργείται σε ένα αρχείο που επεξεργάζεται ακόμα θα αποτύχει και θα χάσετε λίγα λεπτά ψάχνοντας για μια ανύπαρκτη αιτία στο JSONL σας.

Δημιουργία Εργασίας Βελτιστοποίησης

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # optional but recommended
    model="gpt-5.6-luna",  # or "gpt-5.6-luna"
    suffix="my-assistant-v1"  # suffix to identify your model
)

print(f"Job ID: {job.id}")
print(f"Status: {job.status}")
print(f"Base model: {job.model}")

Η παράμετρος suffix προστίθεται στο όνομα του βελτιστοποιημένου μοντέλου σας: με "my-assistant-v1", το τελικό μοντέλο θα ονομάζεται ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Συνηθίστε να βάζετε εκεί την περίπτωση χρήσης και έναν αριθμό έκδοσης. Την ημέρα που θα συνυπάρχουν τρία μοντέλα στον λογαριασμό σας, αυτό είναι το μόνο στοιχείο που θα σας επιτρέψει να ξέρετε ποιο κάνει τι χωρίς να ανοίξετε την κονσόλα.

Παρακολούθηση Προόδου

Μια εργασία περνά διαδοχικά από διάφορες καταστάσεις και η μέθοδος retrieve σας δίνει την τρέχουσα κατάσταση ανά πάσα στιγμή.

# Get job status
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Possible statuses: validating_files, queued, running, succeeded, failed, cancelled

Η κατάσταση από μόνη της παραμένει λακωνική. Τα συμβάντα (events), αντίθετα, αφηγούνται την ιστορία: επικύρωση αρχείου, έναρξη, πρόοδος βήμα προς βήμα, τέλος.

# View job events
events = client.fine_tuning.jobs.list_events(
    fine_tuning_job_id=job.id,
    limit=20
)

for event in events.data:
    print(f"[{event.created_at}] {event.message}")

Αντί να καλείτε χειροκίνητα την retrieve κάθε πέντε λεπτά, τυλίξτε την αναμονή σε έναν βρόχο που επιστρέφει τον έλεγχο μόλις η εργασία φτάσει σε τελική κατάσταση. Σημειώστε ότι οι τρεις περιπτώσεις εξόδου διαχειρίζονται ξεχωριστά: μια ακυρωμένη εργασία δεν είναι μια αποτυχημένη εργασία και θα θέλετε να τις διακρίνετε στα αρχεία καταγραφής (logs) σας.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Tracks a fine-tuning job until completion."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Status: {job.status}")

        if job.status == "succeeded":
            print(f"Fine-tuned model: {job.fine_tuned_model}")
            return job

        if job.status == "failed":
            print(f"Failure: {job.error}")
            return job

        if job.status == "cancelled":
            print("Job cancelled.")
            return job

        time.sleep(interval)

# Usage
final_job = track_job(client, job.id)

Χρήση του Βελτιστοποιημένου Μοντέλου

Μόλις η εργασία ολοκληρωθεί με επιτυχία, το μοντέλο σας καλείται ακριβώς όπως ένα τυπικό μοντέλο. Μόνο η τιμή που περνιέται στο model αλλάζει, πράγμα που σημαίνει ότι η μετάβαση στο προσαρμοσμένο μοντέλο σας συνοψίζεται, σε μια υπάρχουσα εφαρμογή, στην τροποποίηση μιας μεταβλητής διαμόρφωσης.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # e.g., "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Hello, I have a problem with my order."
)

print(response.output_text)

Διαχείριση των Εργασιών σας

Δύο κλήσεις αρκούν για να διαχειριστείτε τα πάντα:αναφέρει ό,τι υπάρχει και διακόψτε ό,τι εκτελείται. Η ακύρωση είναι χρήσιμη μόλις η παρακολούθηση δείξει ότι η εκπαίδευση εκτροχιάζεται—δεν έχει νόημα να πληρώνετε για tokens από μια εργασία που ήδη ξέρετε ότι θα παράγει ένα κακό μοντέλο.

# List all your fine-tuning jobs
jobs = client.fine_tuning.jobs.list(limit=10)
for j in jobs.data:
    print(f"{j.id} | {j.status} | {j.model} | {j.fine_tuned_model}")

# Cancel a running job
client.fine_tuning.jobs.cancel(job.id)

Κόστος και Διάρκεια

Η εκπαίδευση χρεώνεται με βάση τον αριθμό των tokens που επεξεργάζονται. Η διάρκεια, από την άλλη, εξαρτάται από το μέγεθος των δεδομένων σας και τον αριθμό των εποχών (epochs).

Μέγεθος συνόλου δεδομένωνΔιάρκεια εκπαίδευσης
50 παραδείγματαΛίγα λεπτά
500 παραδείγματα15 έως 30 λεπτά
5.000 παραδείγματα1 έως 2 ώρες

Αυτές οι τάξεις μεγέθους βοηθούν κυρίως να διαστασιολογήσετε τον κύκλο εργασίας σας: με λίγα λεπτά ανά εκτέλεση, επαναλαμβάνετε μέσα στην ίδια συνεδρία· με δύο ώρες, κάνετε σχεδιασμό. Οι ακριβείς τιμές ποικίλλουν ανάλογα με το επιλεγμένο μοντέλο· ελέγξτε τη σελίδα τιμολόγησης της OpenAI για τις τρέχουσες χρεώσεις.

Βασικά σημεία

  • Η ροή εργασίας είναι: ανέβασμα αρχείου, δημιουργία εργασίας, αναμονή, χρήση του μοντέλου
  • Προσθέστε ένα περιγραφικό suffix για να αναγνωρίζετε εύκολα τα μοντέλα σας
  • Χρησιμοποιείτε πάντα ένα αρχείο επικύρωσης για να αξιολογείτε την ποιότητα
  • Το βελτιστοποιημένο μοντέλο χρησιμοποιείται ακριβώς όπως το βασικό μοντέλο μέσω του API
  • Κρατήστε τα ID των εργασιών και των μοντέλων σας—θα τα χρειαστείτε για την έκδοση