Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Pripremi svoje podatke za obuku

Lekcija 2 od 16 Ažurirano 2. studenoga 2026. Napredno
Na ovoj stranici
  1. Važnost podataka
  2. Izvori podataka
  3. Koliko podataka trebaš?
  4. Strukturiranje tvojih primjera
  5. Najbolje prakse pripreme
  6. Ključne točke

Ažurirano 2. studenoga 2026. — Dostupnost fino podešavanja. OpenAI postupno ukida samostalno fino podešavanje: od 7. svibnja 2026. organizacije koje ga nikada nisu koristile više ne mogu stvarati zadatke; od 2. srpnja moraš koristiti fino podešeni model unutar posljednjih 60 dana; a počevši od 6. siječnja 2027., nijedan korisnik neće moći pokrenuti nove zadatke. Već obučeni modeli ostaju upotrebljivi dok se njihov osnovni model ne povuče. Ovaj tečaj i dalje je koristan za razumijevanje i iskorištavanje postojećeg modela; za nove projekte daj prednost inženjerstvu prompta, RAG-u i evaluacijama.

Važnost podataka

Kvaliteta tvog fino podešenog modela izravno ovisi o kvaliteti tvojih podataka za obuku. Model obučen na lošim podacima dat će loše rezultate, bez obzira na broj epoha ili odabrane hiperparametre: obuka ne popravlja korpus, ona ga pojačava. Zato ova lekcija prethodi svim tehničkim razmatranjima o API-ju.

Slijedit ćemo stvarni put skupa podataka: gdje ga pronaći, kako popuniti ono što nedostaje, koji volumen ciljati i kako strukturirati svaki primjer prije formatiranja u JSONL u sljedećoj lekciji.

Izvori podataka

Prvi izvor koji trebaš istražiti je tvoja vlastita povijest, a gotovo je uvijek podcijenjena. Ako već vodiš chatbota ili asistenta, tvoji zapisi razgovora sadrže stvarne interakcije, s rječnikom tvojih korisnika i nespretnim formulacijama – materijal daleko korisniji od pitanja izmišljenih na sastanku. Tvoji tiketi za podršku nude istu bogatost, s dodatnom prednošću validiranih rješenja na kraju razmjene. Tvoji interni dokumenti – vodiči za stil, procedure, predlošci odgovora – daju ti očekivani oblik odgovora, ako ne i pitanja. Konačno, tvoje ljudske evaluacije, odnosno odgovori koje su tvoji timovi validirali ili ispravili, najvrjedniji su primjeri od svih jer već nose prosudbu kvalitete.

Kada ti ti izvori nisu dovoljni, možeš generirati sintetičke podatke kako bi pokrio/la slučajeve koji nedostaju:

from openai import OpenAI

client = OpenAI()

def generate_example(topic: str, style: str) -> dict:
    """Generates a synthetic training example."""
    response = client.responses.create(
        model="gpt-5.6-sol",
        input=f"""Generate a realistic conversation between a user
        and an assistant specialized in {topic}.
        The assistant must respond in a {style} style.
        Format: one user message, then the ideal response."""
    )
    return response

Upozorenje: Sintetičke podatke mora provjeriti čovjek. Nemoj ih slijepo koristiti – generator koji pogrešno shvati poslovnu nijansu proizvest će pedeset lažnih primjera s istom sigurnošću kao i pedeset točnih.

Koliko podataka trebaš?

50
Minimalno izvedivo
100-500
Pouzdani rezultati
500+
Visoka kvaliteta
80/20
Obuka / Validacija

OpenAI preporučuje minimum od 10 primjera, no u praksi je 50 apsolutni minimum da bi se uočila razlika. Između 100 i 500 primjera dobit ćeš pouzdane rezultate. Iznad toga, dobitak proizlazi manje iz volumena, a više iz raznolikosti: tisuću reformulacija istog pitanja ne nauči model ništa više od pedeset dobro odabranih.

Strukturiranje tvojih primjera

Svaki primjer mora predstavljati cjelovitu interakciju, odnosno sve što će model vidjeti u proizvodnji plus odgovor koji očekuješ. Sistemska poruka je opcionalna: ona definira ulogu i ograničenja asistenta, a ako se odlučiš koristiti je, mora se pojaviti u svim tvojim primjerima. Korisnička poruka sadrži zahtjev onakav kakav stvarno stiže, sa svojim nesavršenostima. Poruka asistenta, konačno, jest idealan odgovor – ne prihvatljiv, već onaj koji bi te obradovao da ga vidiš isporučenog korisniku.

example = {
    "messages": [
        {
            "role": "system",
            "content": "You are a legal assistant specialized in French labor law."
        },
        {
            "role": "user",
            "content": "What is the notice period for a permanent contract?"
        },
        {
            "role": "assistant",
            "content": "The notice period for a permanent contract depends on your seniority and your collective bargaining agreement. As a general rule: less than 6 months seniority, the notice period is set by the collective agreement; between 6 months and 2 years, it is 1 month; beyond 2 years, it is 2 months. Always check your collective agreement, which may provide for different durations."
        }
    ]
}

Najbolje prakse pripreme

Raznolikost zahtijeva namjeran trud. Pokrij sve slučajeve upotrebe koje ciljaš, uključi rubne slučajeve i dvosmislena pitanja, variraj duljinu pitanja i odgovora te predstavi različite razine težine. Korpus sastavljen samo od lakih pitanja stvara model koji muca pri prvom zamršenom zahtjevu.

Dosljednost je obrnuto ograničenje, jednako važno. Svi odgovori moraju slijediti isti stil i format; ako koristiš sistemsku poruku, koristi je u svakom primjeru; a odgovori moraju biti ono što stvarno očekuješ u proizvodnji, a ne ispolirane verzije stvorene za tu priliku. Model će naučiti prosjek onoga što mu pokažeš, uključujući i oklijevanja.

Konačno, tu je podjela na skupove za obuku i validaciju. Odvajanje 20% primjera prije obuke omogućit će ti kasnije da znaš je li tvoj model naučio ili je samo napamet naučio. Učini to jednom, spremi dvije datoteke i više ih nemoj miješati.

import json
import random

# Load your data
with open("complete_data.jsonl", "r") as f:
    examples = [json.loads(line) for line in f]

# Shuffle
random.shuffle(examples)

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

# Save
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"Train: {len(train)} examples, Validation: {len(validation)} examples")

Ključne točke

  • Kvaliteta iznad kvantitete – 100 izvrsnih primjera bolje je od 1.000 prosječnih
  • Ručno provjeri svoje sintetičke podatke
  • Uvijek odvoji skup za validaciju (20%) za objektivnu evaluaciju
  • Osiguraj dosljednost stila i formata u svim svojim primjerima