Ir al contenido principal
Español— Elegir un idioma
Menú

Prepara tus datos de entrenamiento

Lección 2 de 16 Actualizado el 2 de noviembre de 2026 Avanzado
En esta página
  1. La importancia de los datos
  2. Fuentes de datos
  3. ¿Cuántos datos necesitas?
  4. Estructuración de tus ejemplos
  5. Mejores prácticas de preparación
  6. Puntos clave

Actualización 2 de noviembre de 2026 — Disponibilidad del ajuste fino. El servicio de ajuste fino de autoservicio de OpenAI está siendo retirado gradualmente: desde el 7 de mayo de 2026, las organizaciones que nunca lo han utilizado ya no pueden crear trabajos; desde el 2 de julio, debes haber usado un modelo ajustado en los últimos 60 días; y a partir del 6 de enero de 2027, ningún cliente podrá lanzar nuevos trabajos. Los modelos ya entrenados seguirán siendo utilizables hasta que se retire su modelo base. Este curso sigue siendo útil para comprender y aprovechar un modelo existente; para nuevos proyectos, prioriza la ingeniería de prompts, RAG y las evaluaciones.

La importancia de los datos

La calidad de tu modelo ajustado depende directamente de la calidad de tus datos de entrenamiento. Un modelo entrenado con datos deficientes producirá resultados deficientes, independientemente del número de épocas o hiperparámetros elegidos: el entrenamiento no arregla un corpus, lo amplifica. Por eso esta lección precede a cualquier consideración técnica sobre la API.

Seguiremos el camino real de un conjunto de datos: dónde encontrarlo, cómo rellenar lo que falta, qué volumen objetivo establecer y cómo estructurar cada ejemplo antes de formatearlo como JSONL en la siguiente lección.

Fuentes de datos

La primera fuente que debes explorar es tu propio historial, y casi siempre se subestima. Si ya gestionas un chatbot o asistente, tus registros de conversaciones contienen interacciones reales, con el vocabulario de tus usuarios y sus formulaciones torpes: material mucho más útil que preguntas inventadas en una reunión. Tus tickets de soporte ofrecen la misma riqueza, con la ventaja añadida de resoluciones validadas al final del intercambio. Tus documentos internos —guías de estilo, procedimientos, plantillas de respuesta— te proporcionan la forma esperada de las respuestas, si no las preguntas. Finalmente, tus evaluaciones humanas, es decir, respuestas que tus equipos han validado o corregido, son los ejemplos más valiosos de todos, ya que llevan implícito un juicio de calidad.

Cuando estas fuentes no son suficientes, puedes generar datos sintéticos para cubrir casos faltantes:

from openai import OpenAI

client = OpenAI()

def generate_example(topic: str, style: str) -> dict:
    """Genera un ejemplo de entrenamiento sintético."""
    response = client.responses.create(
        model="gpt-5.6-sol",
        input=f"""Genera una conversación realista entre un usuario
        y un asistente especializado en {topic}.
        El asistente debe responder con un estilo {style}.
        Formato: un mensaje de usuario, seguido de la respuesta ideal."""
    )
    return response

Advertencia: Los datos sintéticos deben ser verificados por un humano. No los uses a ciegas: un generador que interprete mal un matiz empresarial producirá cincuenta ejemplos falsos con la misma confianza que cincuenta correctos.

¿Cuántos datos necesitas?

50
Mínimo viable
100-500
Resultados sólidos
500+
Alta calidad
80/20
Entrenamiento / Validación

OpenAI recomienda un mínimo de 10 ejemplos, pero en la práctica, 50 es el mínimo absoluto para observar una diferencia. Entre 100 y 500 ejemplos, obtendrás resultados fiables. Más allá de esa cifra, la ganancia proviene menos del volumen que de la diversidad: mil reformulaciones de la misma pregunta no enseñan al modelo nada más que cincuenta bien elegidas.

Estructuración de tus ejemplos

Cada ejemplo debe representar una interacción completa, es decir, todo lo que el modelo verá en producción más la respuesta que esperas. El mensaje de sistema es opcional: define el rol y las restricciones del asistente, y si decides usarlo, debe aparecer en todos tus ejemplos. El mensaje de usuario contiene la solicitud tal como llega realmente, con sus imperfecciones. El mensaje de asistente, finalmente, es la respuesta ideal: no una aceptable, sino la que te gustaría ver entregada a un cliente.

example = {
    "messages": [
        {
            "role": "system",
            "content": "Eres un asistente legal especializado en derecho laboral francés."
        },
        {
            "role": "user",
            "content": "¿Cuál es el plazo de preaviso para un contrato indefinido?"
        },
        {
            "role": "assistant",
            "content": "El plazo de preaviso para un contrato indefinido depende de tu antigüedad y de tu convenio colectivo. Como regla general: con menos de 6 meses de antigüedad, el preaviso lo fija el convenio colectivo; entre 6 meses y 2 años, es de 1 mes; más de 2 años, son 2 meses. Consulta siempre tu convenio colectivo, ya que puede establecer duraciones diferentes."
        }
    ]
}

Mejores prácticas de preparación

La diversidad requiere un esfuerzo deliberado. Cubre todos los casos de uso que te propongas, incluye casos límite y preguntas ambiguas, varía la longitud de preguntas y respuestas, y representa diferentes niveles de dificultad. Un corpus compuesto solo por preguntas fáciles produce un modelo que tartamudea ante la primera solicitud retorcida.

La consistencia es la restricción inversa, e igual de importante. Todas las respuestas deben seguir el mismo estilo y formato; si usas un mensaje de sistema, úsalo en todos los ejemplos; y las respuestas deben ser lo que realmente esperas en producción, no versiones pulidas creadas para la ocasión. El modelo aprenderá el promedio de lo que le muestres, dudas incluidas.

Finalmente, está la división entrenamiento/validación. Reservar el 20 % de los ejemplos antes del entrenamiento es lo que te permitirá saber más adelante si tu modelo ha aprendido o simplemente ha memorizado. Hazlo una vez, guarda los dos archivos y no los vuelvas a mezclar.

import json
import random

# Carga tus datos
with open("complete_data.jsonl", "r") as f:
    examples = [json.loads(line) for line in f]

# Mezcla
random.shuffle(examples)

# División 80/20
split = int(len(examples) * 0.8)
train = examples[:split]
validation = examples[split:]

# Guarda
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"Entrenamiento: {len(train)} ejemplos, Validación: {len(validation)} ejemplos")

Puntos clave

  • Calidad sobre cantidad: 100 ejemplos excelentes son mejores que 1.000 mediocres
  • Verifica manualmente tus datos sintéticos
  • Reserva siempre un conjunto de validación (20 %) para evaluar objetivamente
  • Asegura la consistencia de estilo y formato en todos tus ejemplos