Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Käynnistä hienosäätö API:n kautta

Oppitunti 5 / 16 Päivitetty 2. marraskuuta 2026 Edistynyt
Tällä sivulla
  1. Prosessin yleiskatsaus
  2. SDK:n asennus ja konfigurointi
  3. Tiedostojen lataus
  4. Hienosäätötyön luominen
  5. Edistymisen seuranta
  6. Hienosäädetyn mallin käyttö
  7. Töiden hallinta
  8. Kustannukset ja kesto
  9. Keskeiset asiat

Päivitys 2. marraskuuta 2026 — Hienosäädön saatavuus. OpenAI:n itsepalveluhienosäätö on poistumassa käytöstä: 7. toukokuuta 2026 alkaen organisaatiot, jotka eivät ole koskaan suorittaneet hienosäätötyötä, eivät voi enää luoda sellaista; 2. heinäkuuta alkaen sinun on täytynyt käyttää hienosäädettyä mallia viimeisen 60 päivän aikana; ja 6. tammikuuta 2027 alkaen mikään asiakas ei voi enää käynnistää uusia töitä. Jo koulutetut mallit pysyvät käytössä, kunnes niiden pohjamalli poistetaan käytöstä. Tämä kurssi on edelleen hyödyllinen olemassa olevan mallin ymmärtämiseen ja hyödyntämiseen; uusissa projekteissa priorisoi kehotetekniikkaa (prompt engineering), RAG:ia ja arviointia.

Prosessin yleiskatsaus

Data on valmiina, validoitu ja jaettu koulutus- ja validointijoukkoihin. Varsinainen koulutusvaihe tiivistyy kolmeen toimenpiteeseen: lataa data-tiedosto, luo hienosäätötyö ja odota koulutuksen valmistumista. Kaikki tapahtuu virallisen Python SDK:n kautta, ja huomaat koodin mahtuvan noin kolmeenkymmeneen riviin – suurin osa työstä tehtiin aiemmissa vaiheissa.

SDK:n asennus ja konfigurointi

Asiakasolio (client) alustetaan ilman argumentteja: se lukee automaattisesti OPENAI_API_KEY-ympäristömuuttujan.

# Asennus
# pip install openai

from openai import OpenAI

# Asiakasolio käyttää automaattisesti OPENAI_API_KEY-ympäristömuuttujaa
client = OpenAI()

Varmista, että tämä muuttuja on asetettu ennen skriptin ajamista, muuten alustus epäonnistuu ensimmäisessä pyynnössä. Tuotantoympäristössä älä koskaan kovakoodaa avainta koodiin: paljaana tekstinä kirjoitettu avain päätyy Git-historiaan, ja sen jälkikäteinen poistaminen on paljon kalliimpaa kuin sen lukeminen ympäristöstä alusta alkaen.

Tiedostojen lataus

Latauksessa käytetään parametria purpose="fine-tune", joka kertoo OpenAI:lle tiedoston olevan tarkoitettu koulutukseen ja käynnistää vastaavat muotoilutarkistukset. Lataa validointitiedosto heti: se on teknisesti valinnainen, mutta ilman sitä koulutus etenee sokkona, sillä mikään validointihäviö ei signaloi ylisovittumista työn aikana.

# Lataa koulutustiedosto
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}")

# Valinnainen: lataa validointitiedosto
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Tiedosto käy läpi käsittelyvaiheen OpenAI:n puolella. Odota, kunnes tila on processed, ennen kuin käynnistät työn: tiedostolle, jota vielä käsitellään, luotu työ epäonnistuu, ja hukkaat muutaman minuutin etsimällä olematonta syytä JSONL-tiedostostasi.

Hienosäätötyön luominen

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # valinnainen mutta suositeltava
    model="gpt-5.6-luna",  # tai "gpt-5.6-luna"
    suffix="my-assistant-v1"  # suffiksi mallisi tunnistamiseen
)

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

Parametri suffix liitetään hienosäädetyn mallisi nimeen: arvolla "my-assistant-v1" tuloksena oleva malli nimetään muotoon ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Opettele laittamaan tähän käyttötarkoitus ja versionumero. Sinä päivänä, kun tililläsi on kolme rinnakkaista mallia, tämä on ainoa tapa tietää, mikä tekee mitä, ilman konsolin avaamista.

Edistymisen seuranta

Työ käy läpi useita tiloja peräkkäin, ja retrieve antaa sinulle nykyisen tilan milloin tahansa.

# Hae työn tila
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Mahdolliset tilat: validating_files, queued, running, succeeded, failed, cancelled

Pelkkä tila on lakoninen. Tapahtumat sen sijaan kertovat tarinan: tiedoston validointi, käynnistys, edistyminen askel askeleelta ja lopetus.

# Tarkastele työn tapahtumia
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}")

Sen sijaan, että kutsuisit retrieve-funktiota manuaalisesti viiden minuutin välein, kääri odotus silmukkaan, joka palauttaa kontrollin heti, kun työ saavuttaa lopputilan. Huomaa, että kolme poistumistapausta käsitellään erikseen: peruutettu työ ei ole epäonnistunut työ, ja haluat erottaa ne lokeissasi.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Seuraa hienosäätötyötä sen valmistumiseen saakka."""
    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)

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

Hienosäädetyn mallin käyttö

Kun työ on valmistunut onnistuneesti, malliasi kutsutaan täsmälleen kuten vakio mallia. Vain parametrille model annettava arvo muuttuu, mikä tarkoittaa, että siirtyminen mukautettuun malliin tarkoittaa olemassa olevassa sovelluksessa vain konfiguraatiomuuttujan muokkaamista.

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

print(response.output_text)

Töiden hallinta

Kaksi kutsua riittää kaiken hallinnointiin: listaa olemassa olevat ja keskeytä käynnissä olevat. Peruutus on hyödyllinen heti, kun seuranta osoittaa koulutuksen menevän raiteiltaan – ei ole järkeä maksaa tokeneista työstä, jonka tiedät jo tuottavan huonon mallin.

# Listaa kaikki hienosäätötyösi
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}")

# Peruuta käynnissä oleva työ
client.fine_tuning.jobs.cancel(job.id)

Kustannukset ja kesto

Koulutuksesta laskutetaan käsiteltyjen tokenien määrän perusteella. Kesto puolestaan riippuu datan koosta ja epochien määrästä.

Datan kokoKoulutuksen kesto
50 esimerkkiäMuutama minuutti
500 esimerkkiä15–30 minuuttia
5 000 esimerkkiä1–2 tuntia

Nämä suuruusluokat auttavat sinua mitoittamaan työskentelysilmukkaasi: muutaman minuutin ajoajoilla iterointi tapahtuu saman istunnon aikana; kahden tunnin ajoilla suunnittelet etukäteen. Tarkat hinnat vaihtelevat valitun mallin mukaan; tarkista ajantasaiset hinnat OpenAI:n hinnoittelusivulta.

Keskeiset asiat

  • Työnkulku on: lataa tiedosto, luo työ, odota, käytä mallia
  • Lisää kuvaava suffix malliesi helppoon tunnistamiseen
  • Käytä aina validointitiedostoa laadun arvioimiseen
  • Hienosäädettyä mallia käytetään API:n kautta täsmälleen kuten pohjamallia
  • Säilytä työ- ja mallitunnuksesi – tarvitset niitä versiointiin