Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Pokretanje fino podešavanja putem API-ja

Lekcija 5 od 16 Ažurirano 2. studenoga 2026. Napredno
Na ovoj stranici
  1. Pregled procesa
  2. Instalacija i konfiguracija SDK-a
  3. Učitavanje datoteka
  4. Stvaranje zadatka fino podešavanja
  5. Praćenje napretka
  6. Korištenje fino podešenog modela
  7. Upravljanje zadacima
  8. Troškovi i trajanje
  9. Ključne točke

Ažuriranje 2. studenoga 2026. — Dostupnost fino podešavanja. OpenAI postupno ukida samostalno fino podešavanje: od 7. svibnja 2026. organizacije koje nikada nisu pokrenule zadatak fino podešavanja više ne mogu stvoriti novi; od 2. srpnja morali ste koristiti fino podešeni model u 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 dajte prednost inženjerstvu prompta, RAG-u i evaluacijama.

Pregled procesa

Tvoji su podaci spremni, validirani i podijeljeni na skupove za obuku i validaciju. Stvarni korak obuke svodi se na tri poteza: učitaj datoteku s podacima, stvori zadatak fino podešavanja, zatim pričekaj da obuka završi. Sve se odvija kroz službeni Python SDK, a vidjet ćeš da kod staje u tridesetak redaka – većina posla obavljena je u prethodnim fazama.

Instalacija i konfiguracija SDK-a

Klijent se instancira bez argumenata: automatski čita varijablu okruženja OPENAI_API_KEY.

# Instalacija
# pip install openai

from openai import OpenAI

# Klijent automatski koristi varijablu okruženja OPENAI_API_KEY
client = OpenAI()

Osiguraj da je ova varijabla postavljena prije pokretanja skripte, inače će instanciranje pasti pri prvom zahtjevu. U produkciji nikada nemoj hardkodirati svoj ključ u kod: ključ zapisan kao običan tekst završava u Git povijesti, a njegovo naknadno uklanjanje puno je skuplje od čitanja iz okruženja od samog početka.

Učitavanje datoteka

Učitavanje koristi purpose="fine-tune", što govori OpenAI-u da je datoteka namijenjena obuci i pokreće odgovarajuće provjere formata. Odmah učitaj i datoteku za validaciju: tehnički je opcionalna, ali bez nje obuka radi naslijepo jer neće biti signala gubitka validacije koji bi ukazao na preprilagodbu tijekom izvršavanja zadatka.

# Učitaj datoteku za obuku
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID datoteke: {training_file.id}")
print(f"Status: {training_file.status}")

# Opcionalno: učitaj datoteku za validaciju
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Datoteka prolazi kroz fazu obrade na strani OpenAI-a. Pričekaj da status postane processed prije pokretanja zadatka: zadatak stvoren na datoteci koja se još obrađuje neće uspjeti, a izgubit ćeš nekoliko minuta tražeći nepostojeći uzrok u svom JSONL-u.

Stvaranje zadatka fino podešavanja

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # opcionalno, ali preporučeno
    model="gpt-5.6-luna",  # ili "gpt-5.6-luna"
    suffix="my-assistant-v1"  # sufiks za identifikaciju tvog modela
)

print(f"ID zadatka: {job.id}")
print(f"Status: {job.status}")
print(f"Osnovni model: {job.model}")

Parametar suffix dodaje se na ime tvog fino podešenog modela: s "my-assistant-v1", rezultirajući model bit će nazvan ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Uvedi naviku da tamo stavljaš slučaj upotrebe i broj verzije. Dan kada tri modela koegzistiraju u tvom računu, to će biti jedino što će ti omogućiti da znaš koji što radi bez otvaranja konzole.

Praćenje napretka

Zadatak prolazi kroz nekoliko statusa u nizu, a retrieve ti u bilo kojem trenutku daje trenutni status.

# Dohvati status zadatka
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Mogući statusi: validating_files, queued, running, succeeded, failed, cancelled

Sam status ostaje lakoničan. Događaji, s druge strane, pričaju cijelu priču: validacija datoteke, početak, napredak korak po korak, kraj.

# Pregled događaja zadatka
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}")

Umjesto da ručno zoveš retrieve svakih pet minuta, omotaj čekanje u petlju koja vraća kontrolu čim zadatak dođe u završno stanje. Imaj na umu da se tri izlazna slučaja obrađuju odvojeno: otkazani zadatak nije neuspjeli zadatak i htjet ćeš ih razlikovati u svojim zapisnicima.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Prati zadatak fino podešavanja do završetka."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Status: {job.status}")

        if job.status == "succeeded":
            print(f"Fino podešeni model: {job.fine_tuned_model}")
            return job

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

        if job.status == "cancelled":
            print("Zadatak otkazan.")
            return job

        time.sleep(interval)

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

Korištenje fino podešenog modela

Kada zadatak uspješno završi, tvoj se model poziva točno kao i standardni model. Mijenja se samo vrijednost proslijeđena parametru model, što znači da se prelazak na tvoj prilagođeni model u postojećoj aplikaciji svodi na modificiranje konfiguracijske varijable.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # npr. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Pozdrav, imam problem sa svojom narudžbom."
)

print(response.output_text)

Upravljanje zadacima

Dva poziva dovoljna su za administraciju svega: izlistaj što postoji i prekini što se izvršava. Otkazivanje je korisno čim praćenje pokaže da obuka izmiče kontroli – nema smisla plaćati tokene za zadatak za koji već znaš da će proizvesti loš model.

# Izlistaj sve svoje zadatke fino podešavanja
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}")

# Otkaži zadatak koji se izvršava
client.fine_tuning.jobs.cancel(job.id)

Troškovi i trajanje

Obuka se naplaćuje prema broju obrađenih tokena. Trajanje, s druge strane, ovisi o veličini tvojih podataka i broju epoha.

Veličina skupa podatakaTrajanje obuke
50 primjeraNekoliko minuta
500 primjera15 do 30 minuta
5.000 primjera1 do 2 sata

Ove redove veličine prvenstveno pomažu ti dimenzionirati tvoj radni ciklus: uz nekoliko minuta po pokretanju, iteriraš u istoj sesiji; uz dva sata, planiraš unaprijed. Točne cijene variraju ovisno o odabranom modelu; provjeri stranicu s cijenama OpenAI-a za trenutne stope.

Ključne točke

  • Radni tijek je: učitaj datoteku, stvori zadatak, pričekaj, koristi model
  • Dodaj opisni suffix za laku identifikaciju svojih modela
  • Uvijek koristi datoteku za validaciju za procjenu kvalitete
  • Fino podešeni model koristi se točno kao i osnovni model putem API-ja
  • Čuvaj ID-ove svojih zadataka i modela – trebat će ti za verzioniranje