Παρακολούθηση Εκπαίδευσης
Σε αυτήν τη σελίδα
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 την έχουν χρησιμοποιήσει ποτέ δεν μπορούν πλέον να δημιουργήσουν εργασίες· από τις 2 Ιουλίου, πρέπει να έχετε χρησιμοποιήσει ένα μοντέλο fine-tuned μέσα στις 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.
Γιατί να Παρακολουθείτε την Εκπαίδευση
Η εκκίνηση μιας εργασίας fine-tuning και η εγκατάλειψή της σας αφήνει με ένα τετελεσμένο γεγονός: μια ώρα αργότερα, ανακαλύπτετε ένα μοντέλο χωρίς να γνωρίζετε τι συνέβη στο ενδιάμεσο. Παρατηρώντας τις μετρικές ενώ η εκπαίδευση εκτελείται, εντοπίζετε προβλήματα νωρίς, αποφασίζετε να προσαρμόσετε τις υπερπαραμέτρους πριν κάψετε ολόκληρο τον προϋπολογισμό σας και, πάνω απ’ όλα, κατανοείτε γιατί μια εκτέλεση απέδωσε καλύτερα από μια άλλη. Η παρακολούθηση μετατρέπει μια σειρά δοκιμών σε μια μηχανική πειθαρχία.
Οι Δύο Μετρικές που Πρέπει να Διαβάσετε
Η απώλεια εκπαίδευσης (training loss) μετρά πόσο λάθος είναι το μοντέλο στα δεδομένα εκπαίδευσης—ακριβώς τα δεδομένα που καταναλώνει εκείνη τη στιγμή. Θα πρέπει να μειώνεται με την πάροδο των βημάτων: αυτό είναι το σημάδι ότι η μάθηση συμβαίνει. Μια απώλεια που σταματά ή αυξάνεται ξανά υποδηλώνει πρόβλημα, συνήθως έναν κακώς βαθμονομημένο ρυθμό μάθησης ή ένα σώμα κειμένου που είναι υπερβολικά ετερογενές.
Η απώλεια επικύρωσης (validation loss) μετρά την απόδοση σε δεδομένα που το μοντέλο δεν έχει δει ποτέ κατά την εκπαίδευση—το αρχείο που κρατήσατε στην άκρη κατά τον διαχωρισμό. Αυτή είναι η πιο αξιόπιστη μετρική για την αξιολόγηση της πραγματικής ποιότητας του μοντέλου σας, επειδή είναι η μόνη που το μοντέλο δεν μπορεί να βελτιώσει μέσω απομνημόνευσης. Είναι η κοινή εξέλιξή τους που παρέχει τη διάγνωση.
| Απώλεια εκπαίδευσης | Απώλεια επικύρωσης | Διάγνωση |
|---|---|---|
| Μειώνεται | Μειώνεται | Όλα καλά, συνεχίστε |
| Μειώνεται | Αυξάνεται | Υπερπροσαρμογή — μειώστε τα epochs |
| Σταματά | Σταματά | Υποπροσαρμογή — αυξήστε τον ρυθμό μάθησης |
| Ταλαντώνεται | Ταλαντώνεται | Αστάθεια — μειώστε τον ρυθμό μάθησης |
Η δεύτερη σειρά είναι αυτή που κοστίζει περισσότερο στην παραγωγή: μια απώλεια εκπαίδευσης που συνεχίζει να μειώνεται ενώ η απώλεια επικύρωσης αυξάνεται ξανά, περιγράφει ένα μοντέλο που απομνημονεύει τα παραδείγματά σας κατά λέξη. Στα χαρτιά, όλα φαίνεται να βελτιώνονται· στην πραγματικότητα, κάθε επιπλέον βήμα υποβαθμίζει την ικανότητά του να απαντά σε μια ερώτηση που δεν έχει ξαναδεί.
Παρακολούθηση Συμβάντων μέσω του API
Το API δεν στέλνει ειδοποιήσεις: πρέπει να ερωτάτε την εργασία σε τακτά χρονικά διαστήματα. Ο παρακάτω βρόχος ανακτά νέα συμβάντα, τα εμφανίζει με χρονολογική σειρά αποφεύγοντας την επανεμφάνιση αυτών που έχουν ήδη φανεί, και επιστρέφει τον έλεγχο μόλις η εργασία φτάσει σε τελική κατάσταση.
from openai import OpenAI
import time
client = OpenAI()
def monitor_job(job_id: str):
"""Παρακολουθεί μια εργασία σε πραγματικό χρόνο."""
last_event = None
while True:
job = client.fine_tuning.jobs.retrieve(job_id)
# Ανάκτηση νέων συμβάντων
events = client.fine_tuning.jobs.list_events(
fine_tuning_job_id=job_id,
limit=50
)
for event in reversed(events.data):
if last_event and event.id == last_event:
continue
print(f"[{event.created_at}] {event.message}")
if events.data:
last_event = events.data[0].id
if job.status in ("succeeded", "failed", "cancelled"):
print(f"\nΗ εργασία ολοκληρώθηκε: {job.status}")
if job.status == "succeeded":
print(f"Μοντέλο: {job.fine_tuned_model}")
return job
time.sleep(30)
# Χρήση
job = monitor_job("ftjob-xxxxxxxxxxxxxxxx")
Τα συμβάντα δεν περιέχουν απλώς μηνύματα κειμένου: μεταφέρουν επίσης τιμές απώλειας σε κάθε βήμα. Η εξαγωγή τους σάς επιτρέπει να σχεδιάσετε μια καμπύλη αντί να διαβάζετε γραμμές καταγραφής, και είναι σε μια καμπύλη που εντοπίζετε μια αιχμή στην απώλεια επικύρωσης με μια ματιά.
def extract_metrics(job_id: str) -> dict:
"""Εξάγει μετρικές απώλειας από μια ολοκληρωμένη εργασία."""
events = client.fine_tuning.jobs.list_events(
fine_tuning_job_id=job_id,
limit=200
)
training_losses = []
validation_losses = []
for event in events.data:
data = event.data
if data and "train_loss" in str(data):
training_losses.append(data)
if data and "valid_loss" in str(data):
validation_losses.append(data)
return {
"training": training_losses,
"validation": validation_losses
}
Σημεία Ελέγχου και Ενδιάμεσα Αποτελέσματα
Η OpenAI αποθηκεύει σημεία ελέγχου (checkpoints) κατά την εκπαίδευση. Εάν η εργασία αποτύχει ή την ακυρώσετε, μπορείτε μερικές φορές να ανακτήσετε ένα usable ενδιάμεσο σημείο ελέγχου—με άλλα λόγια, μια διακοπείσα εκτέλεση δεν είναι απαραίτητα μια χαμένη εκτέλεση. Αυτό αποτελεί επίσης μια πολύτιμη λύση σε περίπτωση καθυστερημένης υπερπροσαρμογής: το σημείο ελέγχου που λήφθηκε πριν από την αιχμή της απώλειας επικύρωσης μπορεί να είναι καλύτερο από το τελικό μοντέλο.
# Λίστα σημείων ελέγχου για μια εργασία
checkpoints = client.fine_tuning.jobs.checkpoints.list(
fine_tuning_job_id=job.id
)
for cp in checkpoints.data:
print(f"Βήμα {cp.step_number}")
print(f" Μοντέλο: {cp.fine_tuned_model_checkpoint}")
if cp.metrics:
print(f" Απώλεια εκπαίδευσης: {cp.metrics.train_loss:.4f}")
if hasattr(cp.metrics, "valid_loss"):
print(f" Απώλεια επικύρωσης: {cp.metrics.valid_loss:.4f}")
Πότε να Σταματήσετε
Τρία σήματα δικαιολογούν τη διακοπή μιας εκπαίδευσης που βρίσκεται σε εξέλιξη. Το πρώτο είναι μια απώλεια επικύρωσης που αυξάνεται για αρκετά βήματα, όχι μόνο για ένα: μια μεμονωμένη τιμή είναι θόρυβος, μια τάση σε πέντε σημεία είναι υπερπροσαρμογή. Το δεύτερο είναι μια απώλεια εκπαίδευσης κοντά στο μηδέν, που σημαίνει ότι το μοντέλο αναπαράγει τα παραδείγματά σας κατά λέξη και δεν έχει τίποτα άλλο να μάθει από αυτά. Το τρίτο είναι πιο πεζό: οι δοκιμές σας δεν βελτιώνονται από το ένα σημείο ελέγχου στο άλλο, και κάθε επιπλέον βήμα απλώς αυξάνει τον λογαριασμό.
# Εάν εντοπίσετε πρόβλημα, ακυρώστε την εργασία
client.fine_tuning.jobs.cancel(job.id)
print("Η εργασία ακυρώθηκε. Προσαρμόστε τα δεδομένα ή τις υπερπαραμέτρους σας και ξεκινήστε ξανά.")
Μια Συνοπτική Αναφορά ανά Εκτέλεση
Ολοκληρώστε κάθε συνεδρία εκπαίδευσης παράγοντας ένα αρχείο με δυνατότητα δράσης. Η παρακάτω συνάρτηση συγκεντρώνει σε μία έξοδο το ID της εργασίας, το βασικό μοντέλο, τα epochs που χρησιμοποιήθηκαν, τον αριθμό των εκπαιδευμένων tokens και τις μετρικές από το τελευταίο σημείο ελέγχου. Επικολλήστε αυτές τις αναφορές στο αρχείο καταγραφής των εκτελέσεών σας: σε έναν μήνα, θα σας πουν γιατί κρατήσατε αυτή την έκδοση και όχι μια άλλη.
def job_report(job_id: str):
"""Δημιουργεί μια συνοπτική αναφορά για την εργασία."""
job = client.fine_tuning.jobs.retrieve(job_id)
print("=" * 50)
print(f"Εργασία: {job.id}")
print(f"Βασικό μοντέλο: {job.model}")
print(f"Κατάσταση: {job.status}")
print(f"Epochs: {job.hyperparameters.n_epochs}")
if job.status == "succeeded":
print(f"Μοντέλο fine-tuned: {job.fine_tuned_model}")
print(f"Εκπαιδευμένα tokens: {job.trained_tokens}")
if job.status == "failed":
print(f"Σφάλμα: {job.error}")
# Σημεία ελέγχου
checkpoints = client.fine_tuning.jobs.checkpoints.list(
fine_tuning_job_id=job_id
)
if checkpoints.data:
latest = checkpoints.data[0]
print(f"Τελευταίο σημείο ελέγχου: βήμα {latest.step_number}")
if latest.metrics:
print(f" Απώλεια εκπαίδευσης: {latest.metrics.train_loss:.4f}")
print("=" * 50)
job_report("ftjob-xxxxxxxxxxxxxxxx")
Βασικά σημεία
- Παρακολουθείτε πάντα την απώλεια επικύρωσης—είναι ο πραγματικός δείκτης ποιότητάς σας
- Εάν η απώλεια επικύρωσης αυξάνεται, έχετε υπερπροσαρμογή: μειώστε τα epochs
- Τα σημεία ελέγχου σάς επιτρέπουν να ανακτήσετε μια ενδιάμεση κατάσταση
- Αυτοματοποιήστε την παρακολούθηση για εργασίες μεγάλης διάρκειας
- Τεκμηριώστε τις μετρικές κάθε εκτέλεσης για να συγκρίνετε τις επαναλήψεις σας