Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Az betanítási adatok előkészítése

2. lecke 16 közül Frissítve 2026. november 2. Haladó
Ezen az oldalon
  1. Az adatok jelentősége
  2. Adatforrások
  3. Mennyi adatra van szükséged?
  4. A példák strukturálása
  5. A legjobb gyakorlatok az előkészítéshez
  6. Főbb megállapítások

Frissítés: 2026. november 2. – A finomhangolás elérhetősége. Az OpenAI megszünteti az önálló finomhangolási szolgáltatását: 2026. május 7. óta azok a szervezetek, amelyek még sosem használták, már nem hozhatnak létre új feladatokat; július 2. óta pedig az elmúlt 60 napban használnod kellett egy finomhangolt modellt. 2027. január 6-tól kezdve egyetlen ügyfél sem indíthat új feladatokat. A már betanított modellek addig használhatók maradnak, amíg az alapmodelljük ki nem vonják a forgalomból. Ez a tananyag továbbra is hasznos egy meglévő modell megértéséhez és kiaknázásához; új projektek esetén azonban előnyben részesítsd a prompt-mérnökséget, a RAG-ot és az értékeléseket.

Az adatok jelentősége

A finomhangolt modelled minősége közvetlenül függ a betanítási adataid minőségétől. Egy gyenge adatokon betanított modell gyenge eredményeket produkál, függetlenül az epochok számától vagy a választott hiperparaméterektől: a tanulás nem javítja a korpuszt, hanem felerősíti azt. Éppen ezért ez a lecke megelőz minden, az API-val kapcsolatos technikai megfontolást.

Végigkövetjük egy adathalmaz valós útját: hol találjuk meg, hogyan pótoljuk a hiányzó részeket, mekkora mennyiségre kell törekednünk, és hogyan strukturáljuk az egyes példákat, mielőtt a következő leckében JSONL formátumba rendeznénk őket.

Adatforrások

Az első feltárandó forrás a saját előzményeid, amelyet szinte mindig alábecsülnek. Ha már üzemeltetsz chatbotot vagy asszisztenst, a beszélgetési naplóid valódi interakciókat tartalmaznak, a felhasználóid szókincsével és ügyetlen megfogalmazásaival – ez az anyag sokkal hasznosabb, mint egy értekezleten kitalált kérdések. A ügyfélszolgálati jegyeid ugyanezt a gazdagságot kínálják, azzal a bónusszal, hogy a beszélgetés végén ellenőrzött megoldások is rendelkezésre állnak. A belső dokumentumaid – stílusútmutatók, eljárásrendek, válaszsablonok – megadják a válaszok elvárt formáját, ha nem is magát a kérdést. Végül a humán értékelések, vagyis a csapataid által jóváhagyott vagy kijavított válaszok a legértékesebb példák közé tartoznak, mivel ezek már eleve hordozzák a minőségi ítéletet.

Amikor ezek a források nem elegendőek, szintetikus adatokat generálhatsz a hiányzó esetek lefedésére:

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

Figyelmeztetés: A szintetikus adatokat embernek kell ellenőriznie. Ne használd őket vakon – egy generátor, amely elront egy üzleti árnyalatot, ugyanolyan magabiztossággal gyárt ötven hamis példát, mint ötven helyeset.

Mennyi adatra van szükséged?

50
Minimálisan életképes
100-500
Megbízható eredmények
500+
Kiváló minőség
80/20
Tanítás / Validálás

Az OpenAI legalább 10 példát javasol, de a gyakorlatban az 50 az abszolút minimum ahhoz, hogy különbséget észlelj. 100 és 500 példa között megbízható eredményeket kapsz. Efelett a nyereség már kevésbé a mennyiségből, inkább a sokszínűségből fakad: ezer átfogalmazása ugyanannak a kérdésnek semmit sem tanít a modellnek többet, mint ötven jól megválasztott példa.

A példák strukturálása

Minden példának egy teljes interakciót kell reprezentálnia, vagyis mindazt, amit a modell éles környezetben látni fog, plusz a tőled elvárt választ. A rendszerüzenet (system message) opcionális: ez határozza meg az asszisztens szerepét és korlátait; ha úgy döntesz, hogy használod, akkor minden egyes példában meg kell jelennie. A felhasználói üzenet (user message) tartalmazza a kérést olyannak, ahogy az valójában beérkezik, a maga tökéletlenségeivel. Végül az asszisztens üzenet (assistant message) az ideális válasz – nem egy elfogadható, hanem az a válasz, amit szívesen látnál viszontadni egy ügyfélnek.

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."
        }
    ]
}

A legjobb gyakorlatok az előkészítéshez

A sokszínűség tudatos erőfeszítést igényel. Fedd le az összes célzott használati esetet, vonj be perem eseteket és félreérthető kérdéseket, változtasd a kérdések és válaszok hosszát, és jelenítsd meg a különböző nehézségi szinteket. Egy csak könnyű kérdésekből álló korpusz olyan modellt eredményez, amely az első csavaros kérésnél elakad.

A konzisztencia az ellenkező követelmény, és ugyanolyan fontos. Minden válasznak követnie kell ugyanazt a stílust és formátumot; ha használsz rendszerüzenetet, azt minden példában alkalmazd; a válaszoknak pedig olyannak kell lenniük, amit valójában éles környezetben elvársz, nem pedig az alkalomra kreált, csiszolt változatoknak. A modell azt tanulja meg, amit átlagosan mutatsz neki, beleértve a habozásokat is.

Végül ott van a tanító/validáló felosztás. A példák 20%-ának félretétele a tanítás előtt teszi lehetővé, hogy később tudd: a modelled tanult-e, vagy csupán bemagolt. Csináld meg egyszer, mentsd el a két fájlt, és többé ne keverd őket össze.

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")

Főbb megállapítások

  • Minőség a mennyiség helyett – 100 kiváló példa többet ér, mint 1000 közepes
  • Manuálisan ellenőrizd a szintetikus adataidat
  • Mindig tarts félre egy validáló készletet (20%) az objektív értékeléshez
  • Biztosítsd a stílus és formátum konzisztenciáját az összes példád között