Prepara i tuoi dati di addestramento
In questa pagina
Aggiornamento del 2 novembre 2026 — Disponibilità del fine-tuning. Il servizio di fine-tuning self-service di OpenAI sta venendo dismesso: dal 7 maggio 2026, le organizzazioni che non lo hanno mai utilizzato non possono più creare job; dal 2 luglio, devi aver utilizzato un modello sottoposto a fine-tuning negli ultimi 60 giorni; e a partire dal 6 gennaio 2027, nessun cliente potrà avviare nuovi job. I modelli già addestrati rimangono utilizzabili fino al pensionamento del loro modello base. Questo corso rimane utile per comprendere e sfruttare un modello esistente; per i nuovi progetti, dai priorità al prompt engineering, al RAG e alle valutazioni.
L’importanza dei dati
La qualità del tuo modello sottoposto a fine-tuning dipende direttamente dalla qualità dei tuoi dati di addestramento. Un modello addestrato su dati scadenti produrrà risultati scadenti, indipendentemente dal numero di epoche o dagli iperparametri scelti: l’addestramento non corregge un corpus, lo amplifica. Ecco perché questa lezione precede qualsiasi considerazione tecnica sulle API.
Seguiremo il percorso reale di un dataset: dove trovarlo, come colmare le lacune, quale volume puntare e come strutturare ogni esempio prima di formattarlo in JSONL nella prossima lezione.
Fonti dei dati
La prima fonte da esplorare è la tua stessa cronologia, ed è quasi sempre sottovalutata. Se gestisci già un chatbot o un assistente, i tuoi log delle conversazioni contengono interazioni reali, con il vocabolario dei tuoi utenti e le loro formulazioni imperfette: materiale molto più utile delle domande inventate in una riunione. I tuoi ticket di assistenza offrono la stessa ricchezza, con il vantaggio aggiuntivo di risoluzioni validate alla fine dello scambio. I tuoi documenti interni — guide di stile, procedure, modelli di risposta — ti forniscono la forma attesa delle risposte, se non le domande. Infine, le tue valutazioni umane, ovvero le risposte che i tuoi team hanno validato o corretto, sono gli esempi più preziosi in assoluto, poiché portano già con sé un giudizio di qualità.
Quando queste fonti non bastano, puoi generare dati sintetici per coprire i casi mancanti:
from openai import OpenAI
client = OpenAI()
def generate_example(topic: str, style: str) -> dict:
"""Genera un esempio di addestramento sintetico."""
response = client.responses.create(
model="gpt-5.6-sol",
input=f"""Genera una conversazione realistica tra un utente
e un assistente specializzato in {topic}.
L'assistente deve rispondere in uno stile {style}.
Formato: un messaggio dell'utente, poi la risposta ideale."""
)
return response
Attenzione: i dati sintetici devono essere verificati da un essere umano. Non usarli alla cieca: un generatore che sbaglia una sfumatura aziendale produrrà cinquanta esempi falsi con la stessa sicurezza di cinquanta corretti.
Quanti dati ti servono?
OpenAI raccomanda un minimo di 10 esempi, ma in pratica, 50 è il minimo assoluto per osservare una differenza. Tra 100 e 500 esempi, otterrai risultati affidabili. Oltre questa soglia, il guadagno deriva meno dal volume che dalla diversità: mille riformulazioni della stessa domanda non insegnano al modello nulla di più di cinquanta scelte con cura.
Strutturare i tuoi esempi
Ogni esempio deve rappresentare un’interazione completa, ovvero tutto ciò che il modello vedrà in produzione più la risposta che ti aspetti. Il messaggio di sistema è opzionale: definisce il ruolo e i vincoli dell’assistente e, se decidi di usarlo, deve apparire in tutti i tuoi esempi. Il messaggio dell’utente contiene la richiesta così come arriva realmente, con le sue imperfezioni. Il messaggio dell’assistente, infine, è la risposta ideale: non una accettabile, ma quella che saresti felice di vedere servita a un cliente.
example = {
"messages": [
{
"role": "system",
"content": "Sei un assistente legale specializzato in diritto del lavoro francese."
},
{
"role": "user",
"content": "Qual è il periodo di preavviso per un contratto a tempo indeterminato?"
},
{
"role": "assistant",
"content": "Il periodo di preavviso per un contratto a tempo indeterminato dipende dalla tua anzianità e dal tuo contratto collettivo nazionale di lavoro. Come regola generale: meno di 6 mesi di anzianità, il preavviso è stabilito dal contratto collettivo; tra 6 mesi e 2 anni, è di 1 mese; oltre i 2 anni, è di 2 mesi. Controlla sempre il tuo contratto collettivo, che potrebbe prevedere durate diverse."
}
]
}
Migliori pratiche di preparazione
La diversità richiede uno sforzo deliberato. Copri tutti i casi d’uso che stai mirando, includi casi limite e domande ambigue, varia la lunghezza di domande e risposte e rappresenta diversi livelli di difficoltà. Un corpus composto solo da domande semplici produce un modello che balbetta alla prima richiesta contorta.
La coerenza è il vincolo inverso, altrettanto importante. Tutte le risposte devono seguire lo stesso stile e formato; se usi un messaggio di sistema, usalo in ogni esempio; e le risposte devono essere ciò che ti aspetti realmente in produzione, non versioni lucidate create per l’occasione. Il modello imparerà la media di ciò che gli mostri, esitazioni incluse.
Infine, c’è la divisione train/validation. Mettere da parte il 20% degli esempi prima dell’addestramento è ciò che ti permetterà, in seguito, di sapere se il tuo modello ha imparato o ha semplicemente memorizzato. Fallo una volta sola, salva i due file e non mescolarli più.
import json
import random
# Carica i tuoi dati
with open("complete_data.jsonl", "r") as f:
examples = [json.loads(line) for line in f]
# Mischia
random.shuffle(examples)
# Divisione 80/20
split = int(len(examples) * 0.8)
train = examples[:split]
validation = examples[split:]
# Salva
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"Addestramento: {len(train)} esempi, Validazione: {len(validation)} esempi")
Punti chiave
- Qualità sopra quantità: 100 esempi eccellenti valgono più di 1.000 mediocri
- Verifica manualmente i tuoi dati sintetici
- Riserva sempre un set di validazione (20%) per valutare oggettivamente
- Assicurati la coerenza di stile e formato in tutti i tuoi esempi