Lähe põhisisu juurde
Eesti— Vali keel
Menüü

Käivita peenhäälestus API kaudu

Õppetund 5 / 16 Värskendatud 2. november 2026 Edasijõudnutele
Sellel lehel
  1. Protsessi ülevaade
  2. SDK installimine ja seadistamine
  3. Failide üleslaadimine
  4. Peenhäälestustöö loomine
  5. Edu jälgimine
  6. Peenhäälestatud mudeli kasutamine
  7. Oma tööde haldamine
  8. Kulud ja kestus
  9. Peamised punktid

Uuendus 2. november 2026 — Peenhäälestuse kättesaadavus. OpenAI iseteeninduslik peenhäälestus kaotatakse järk-järgult: alates 7. maist 2026 ei saa organisatsioonid, mis pole kunagi varem peenhäälestustööd käivitanud, uut luua; alates 2. juulist peab olema viimase 60 päeva jooksul kasutatud peenhäälestatud mudelit; ja alates 6. jaanuarist 2027 ei saa ükski klient uusi töid käivitada. Juba treenitud mudeleid saab kasutada seni, kuni nende baasmudel on kasutuselt kõrvaldatud. See kursus on endiselt kasulik olemasoleva mudeli mõistmiseks ja ärakasutamiseks; uute projektide puhul sea esikohale vihjeinsenerlus (prompt engineering), RAG ja hindamine.

Protsessi ülevaade

Su andmed on valmis, valideeritud ning jagatud treening- ja valideerimiskomplektideks. Tegelik treenimisetapp taandub kolmele sammule: laadi oma andmefail üles, loo peenhäälestustöö ja oota treenimise lõppemist. Kõik toimub ametliku Pythoni SDK kaudu ja näed, et kood mahub umbes kolmekümnele reale – enamik tööst on tehtud juba eelnevas etapis.

SDK installimine ja seadistamine

Klient instantiateerub ilma argumentideta: see loeb automaatselt keskkonnamuutuja OPENAI_API_KEY.

# Installimine
# pip install openai

from openai import OpenAI

# Klient kasutab automaatselt keskkonnamuutujat OPENAI_API_KEY
client = OpenAI()

Veendu, et see muutuja on enne skripti käivitamist määratud, vastasel juhul nurjub instantiateerimine esimesel päringul. Tootmiskeskkonnas ära kunagi kodeeri võtit koodi sisse: lihttekstina kirjutatud võti satub Git’i ajalukku ja selle eemaldamine tagantjärele on palju kulukam kui selle algusest peale keskkonnast lugemine.

Failide üleslaadimine

Üleslaadimisel kasutatakse parameetrit purpose="fine-tune", mis annab OpenAI-le teada, et fail on mõeldud treenimiseks, ja käivitab vastavad vormingukontrollid. Laadi valideerimisfail kohe üles: tehniliselt on see valikuline, kuid ilma selleta jookseb treenimine pimesi, kuna ükski valideerimiskaotus ei anna töö käigus märku ülesobitumisest (overfitting).

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

print(f"Faili ID: {training_file.id}")
print(f"Olek: {training_file.status}")

# Valikuline: laadi valideerimisfail üles
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Fail läbib OpenAI poolt töötlemisetapi. Oota, kuni olekuks saab processed, enne kui töö käivitad: poolelioleval failil loodud töö nurjub ja kaotad mõned minutid, otsides oma JSONL-ist olematut viga.

Peenhäälestustöö loomine

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # valikuline, kuid soovitatav
    model="gpt-5.6-luna",  # või "gpt-5.6-luna"
    suffix="my-assistant-v1"  # sufiks mudeli identifitseerimiseks
)

print(f"Töö ID: {job.id}")
print(f"Olek: {job.status}")
print(f"Baasmudel: {job.model}")

Parameeter suffix liidetakse sinu peenhäälestatud mudeli nimele: väärtusega "my-assistant-v1" saab tulemuseks olev mudel nimeks ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Harjuta end sinna kasutusjuhtu ja versiooninumbrit panema. Päeval, kui su kontol eksisteerib kõrvuti kolm mudelit, on see ainus viis teada saada, mis üks teeb, ilma konsooli avamata.

Edu jälgimine

Töö läbib järjestikku mitu olekut ja retrieve annab sulle igal ajal praeguse oleku.

# Hangi töö olek
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Olek: {job.status}")
# Võimalikud olekud: validating_files, queued, running, succeeded, failed, cancelled

Ainult olek jääb lakooniliseks. Sündmused aga räägivad loo: faili valideerimine, algus, samm-sammuline edenemine, lõpp.

# Vaata töö sündmusi
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}")

Selle asemel, et iga viie minuti tagant käsitsi retrieve välja kutsuda, pakenda ootamine tsüklisse, mis annab kontrolli tagasi niipea, kui töö jõuab lõppolekusse. Pane tähele, et kolme väljumisjuhtu käsitletakse eraldi: tühistatud töö ei ole nurjunud töö ja soovid neid oma logides eristada.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Jälgib peenhäälestustööd kuni selle lõpuni."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Olek: {job.status}")

        if job.status == "succeeded":
            print(f"Peenhäälestatud mudel: {job.fine_tuned_model}")
            return job

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

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

        time.sleep(interval)

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

Peenhäälestatud mudeli kasutamine

Kui töö on edukalt lõppenud, kutsutakse su mudelit täpselt nagu tavalist mudelit. Muutub ainult parameetrile model antud väärtus, mis tähendab, et olemasolevas rakenduses taandub oma kohandatud mudelile üleminek sisuliselt konfiguratsioonimuutuja muutmisele.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # nt "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Tere, mul on probleem oma tellimusega."
)

print(response.output_text)

Oma tööde haldamine

Kõige haldamiseks piisab kahest väljakutsest: loetle olemasolevad ja katkesta jooksvad. Tühistamine on kasulik niipea, kui jälgimine näitab, et treenimine läheb viltu – pole mõtet maksta tokenite eest töös, mis toodab juba ette teada halva mudeli.

# Loetle kõik oma peenhäälestustööd
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}")

# Tühista jooksev töö
client.fine_tuning.jobs.cancel(job.id)

Kulud ja kestus

Treenimise eest arvutatakse tasu töödeldud tokenite arvu järgi. Kestus sõltub aga andmete suurusest ja epohhide arvust.

Andmestiku suurusTreenimise kestus
50 näidetMõni minut
500 näidet15 kuni 30 minutit
5000 näidet1 kuni 2 tundi

Need suurusjärgud aitavad peamiselt oma töötsüklit planeerida: mõne minuti pikkuse tsükli korral teed iteratsioone samas sessioonis; kahe tunni puhul planeerid ette. Täpsed hinnad varieeruvad sõltuvalt valitud mudelist; praeguste hindade kontrollimiseks vaata OpenAI hinnakirja lehte.

Peamised punktid

  • Töövoog on: laadi fail üles, loo töö, oota, kasuta mudelit
  • Lisa kirjeldav suffix, et oma mudeleid hõlpsasti identifitseerida
  • Kasuta kvaliteedi hindamiseks alati valideerimisfaili
  • Peenhäälestatud mudelit kasutatakse API kaudu täpselt nagu baasmudelit
  • Hoia alles oma töö ja mudeli ID-sid – vajad neid versioonihalduseks