Siirry pääsisältöön
Suomi— Valitse kieli
Valikko

Hienosäätö funktiokutsuja varten

Oppitunti 9 / 16 Päivitetty 2. marraskuuta 2026 Edistynyt
Tällä sivulla
  1. Miksi hienosäätää funktiokutsuja varten
  2. Funktiokutsujen dataformaatti
  3. Yleisiä käyttötapauksia
  4. Datan valmisteluskripti
  5. Hienosäätötyön käynnistäminen
  6. Parhaat käytännöt
  7. Keskeiset asiat

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

Miksi hienosäätää funktiokutsuja varten

Funktiohaku antaa mallille mahdollisuuden päättää, milloin ja miten ulkoisia funktioita kutsutaan. Tässä yhteydessä hienosäätö ei tarkoita kirjoitustyylin hiomista: se vahvistaa päätöksentekomekanismia. Malli, joka on koulutettu omilla kutsuillasi, oppii ensin valitsemaan oikean funktion useista vaihtoehdoista. Jos sovelluksesi tarjoaa sekä aikavälien haun että ajanvarauksen luonnin, lauseen “Haluaisin nähdä vapaat ajat torstaina” ei saa koskaan laukaista varausta.

Se oppii myös poimimaan oikeat parametrit käyttäjän pyynnöstä – eli muuntamaan luonnollisen ilmaisun skeeman mukaisiksi arvoiksi: “huomenna klo 14” muuttuu normalisoiduksi päivämääräksi ja kellonajaksi. Sama mekanismi opettaa vähemmän näyttäviä, mutta yhtä kriittisiä refleksejä. Tieto siitä, milloin funktiota EI saa kutsua, välttää sudenkuopan, jossa malli aktivoi työkalun pelkkään tervehdykseen. Useiden funktiokutsujen ketjuttaminen loogisesti – esimerkiksi vapaiden aikojen listaaminen ja sen jälkeen valitun ajan varaaminen – vaatii, että malli on nähnyt koulutuksen aikana完整的 sekvenssejä, ei vain eristettyjä kutsuja.

Funktiokutsujen dataformaatti

Koulutusesimerkit sisältävät funktiomääritelmät (työkalut) ja niitä vastaavat kutsut. Avustajan viesti ei enää sisällä tekstiä, vaan tool_calls-taulukon; järjestelmäsi palauttama tulos näkyy tool-roolissa olevassa viestissä, joka on linkitetty kutsuun tool_call_id:n avulla; tämän jälkeen avustaja puhuu uudelleen muotoillakseen käyttäjälle tarkoitetun vastauksen. Mallin on opittava toistamaan koko tämä silmukka, ei pelkkää kutsua.

{
  "messages": [
    {
      "role": "system",
      "content": "Olet avustaja, joka auttaa ajanvarausten hallinnassa."
    },
    {
      "role": "user",
      "content": "Varaa minulle aika huomenna klo 14 tohtori Martinille."
    },
    {
      "role": "assistant",
      "tool_calls": [
        {
          "id": "call_001",
          "type": "function",
          "function": {
            "name": "create_appointment",
            "arguments": "{\"date\": \"2026-04-03\", \"time\": \"14:00\", \"practitioner\": \"Dr. Martin\"}"
          }
        }
      ]
    },
    {
      "role": "tool",
      "tool_call_id": "call_001",
      "content": "{\"status\": \"confirmed\", \"id\": \"appt_42\"}"
    },
    {
      "role": "assistant",
      "content": "Aikasi tohtori Martinille on vahvistettu huomiseksi klo 14. Viite: APPT-42."
    }
  ],
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "create_appointment",
        "description": "Luo uuden lääkäriajan",
        "parameters": {
          "type": "object",
          "properties": {
            "date": {
              "type": "string",
              "description": "Päivämäärä muodossa YYYY-MM-DD"
            },
            "time": {
              "type": "string",
              "description": "Aika muodossa HH:MM"
            },
            "practitioner": {
              "type": "string",
              "description": "Lääkärin nimi"
            }
          },
          "required": ["date", "time", "practitioner"]
        }
      }
    },
    {
      "type": "function",
      "function": {
        "name": "list_slots",
        "description": "Listaa lääkärin vapaat ajat",
        "parameters": {
          "type": "object",
          "properties": {
            "practitioner": {"type": "string"},
            "date": {"type": "string"}
          },
          "required": ["practitioner"]
        }
      }
    }
  ]
}

Yleisiä käyttötapauksia

Oikean funktion valinta

Kouluta malli erottamaan, mitä funktiota sen tulee kutsua kontekstin perusteella. Alla olevassa esimerkissä pyyntö koskee vapaiden aikojen tarkistamista, ei varauksen tekemistä: esimerkki vahvistaa, että avoin kysymys kutsuu list_slots-funktiota, eikä mitään muuta.

{
  "messages": [
    {"role": "user", "content": "Mitä aikoja on vapaana torstaina tohtori Martinilla?"},
    {
      "role": "assistant",
      "tool_calls": [
        {
          "id": "call_002",
          "type": "function",
          "function": {
            "name": "list_slots",
            "arguments": "{\"practitioner\": \"Dr. Martin\", \"date\": \"2026-04-04\"}"
          }
        }
      ]
    }
  ],
  "tools": ["... same tools as above ..."]
}

Funktion kutsumatta jättäminen

Varaa osa datajoukostasi keskusteluille, joissa mallin ei tule käyttää mitään funktiota. Malli, joka on koulutettu yksinomaan kutsuilla, tottuu tuottamaan niitä jatkuvasti, jopa tervehdyksiin tai yleisiin kysymyksiin vastatessa – käyttäytyminen, joka ärsyttää käyttäjiä ja kuormittaa backendiäsi. Alla oleva vastaesimerkki vie vain muutaman rivin, mutta eliminoi kokonaisen virheluokan.

{
  "messages": [
    {"role": "user", "content": "Hei, mitä kuuluu?"},
    {
      "role": "assistant",
      "content": "Hei! Minulle kuuluu hyvää, kiitos. Miten voin auttaa sinua ajanvarauksissasi tänään?"
    }
  ],
  "tools": ["... same tools ..."]
}

Monimutkaisten parametrien poiminta

Todelliset pyynnöt ovat harvoin rakenteellisia. “Ensi maanantai aamupäivällä” ja “kardiologi” on muutettava absoluuttiseksi päivämääräksi, aikaväliksi ja erikoisalaksi. Juuri tässä perusmalli kompastuu useimmiten, joten tässä hienosäätö tuottaa näkyvimmän hyödyn: kerää tämän tyyppisiä esimerkkejä mieluummin kuin tapauksia, jotka ovat jo valmiiksi siistejä.

{
  "messages": [
    {"role": "user", "content": "Peruuta ajanvaraukseni ensi maanantai aamupäivällä kardiologilta"},
    {
      "role": "assistant",
      "tool_calls": [
        {
          "id": "call_003",
          "type": "function",
          "function": {
            "name": "cancel_appointment",
            "arguments": "{\"date\": \"2026-04-06\", \"period\": \"morning\", \"specialty\": \"cardiology\"}"
          }
        }
      ]
    }
  ],
  "tools": ["..."]
}

Datan valmisteluskripti

Tiedoston rakentaminen on mekaanista: kokoamisfunktio, kaikille esimerkeille yhteinen työkalumääritelmä, tapausten lista ja sitten rivikohtainen kirjoittaminen JSONL-muodossa. Huomaa json.dumps:n käyttö arguments-kentässä, jonka on oltava merkkijono, ei objekti.

import json

def create_function_calling_example(
    messages: list[dict],
    tools: list[dict]
) -> dict:
    """Luo koulutusesimerkin funktiokutsua varten."""
    return {
        "messages": messages,
        "tools": tools
    }

# Työkalumääritelmät
tools = [
    {
        "type": "function",
        "function": {
            "name": "search_product",
            "description": "Etsii tuotetta luettelosta",
            "parameters": {
                "type": "object",
                "properties": {
                    "query": {"type": "string", "description": "Hakutermit"},
                    "category": {"type": "string", "enum": ["electronics", "clothing", "home"]},
                    "max_price": {"type": "number", "description": "Enimmäishinta euroina"}
                },
                "required": ["query"]
            }
        }
    }
]

# Koulutusesimerkit
examples = [
    create_function_calling_example(
        messages=[
            {"role": "user", "content": "Etsin kuulokkeita, jotka maksavat alle 100 euroa"},
            {
                "role": "assistant",
                "tool_calls": [{
                    "id": "call_1",
                    "type": "function",
                    "function": {
                        "name": "search_product",
                        "arguments": json.dumps({
                            "query": "headphones",
                            "category": "electronics",
                            "max_price": 100
                        })
                    }
                }]
            }
        ],
        tools=tools
    )
]

# Tallennus
with open("function_calling_train.jsonl", "w", encoding="utf-8") as f:
    for ex in examples:
        f.write(json.dumps(ex, ensure_ascii=False) + "\n")

Hienosäätötyön käynnistäminen

Työ luodaan täsmälleen samalla tavalla kuin keskusteluhienosäädössä: rikastettu formaatti tunnistetaan tiedoston sisällöstä ilman lisäparametreja.

from openai import OpenAI

client = OpenAI()

file = client.files.create(
    file=open("function_calling_train.jsonl", "rb"),
    purpose="fine-tune"
)

job = client.fine_tuning.jobs.create(
    training_file=file.id,
    model="gpt-5.6-luna",
    suffix="function-calling-v1"
)

Parhaat käytännöt

Tulos riippuu ensisijaisesti datajoukkosi monimuotoisuudesta. Jokaisen funktion on esiinnyttävä useita kertoja, käyttäjän ilmaisutapojen on vaihdeltava saman intention kohdalla, ja hyödyt epäselvien tapausten sisällyttämisestä, joiden yhteydessä on mukana haluamasi ratkaisu. Älä unohda normaaleja keskusteluja, joissa ei kutsuta mitään funktiota.

Seuraavaksi tulee parametrien realismi. arguments:n on vastattava täsmälleen tools:ssa määriteltyä skeemaa, ja arvojen on oltava uskottavia eikä paikkamerkkejä kuten “xxx” – malli, joka on koulutettu vääriin arvoihin, tuottaa niitä. Testaa systemaattisesti, että jokainen arguments-kenttä on kelvollista JSONia: yksi puuttuva sulku tai lainausmerkki riittää tekemään esimerkistä käyttökelvottoman.

Lopuksi on kysymys suhteista. 100 esimerkin datajoukolle, joka kattaa 3 funktiota, alla oleva jakauma tarjoaa terveellisen tasapainon funktionaalisen kattavuuden ja pidättyväisyyden välillä.

Esimerkkin tyyppiMäärä
Funktiota kohden25–30
Ei funktiokutsua10–15
Ketjutetut kutsut (monivaiheiset)5–10

Keskeiset asiat

  • Formaatti sisältää messages:n lisäksi tools:n
  • Funktiokutsut käyttävät tool_calls:ia avustajan viestissä
  • Sisällytä esimerkkejä, joissa mallin EI tule kutsua funktiota
  • Vaihtele ilmaisutapoja saman intention kohdalla
  • Varmista, että kaikki arguments:t ovat skeeman mukaisia kelvollisia JSON-objekteja