Sagatavo savu apmācības datus
Šajā lapā
Atjauninājums: 2026. gada 2. novembris — Modeļu pielāgošanas pieejamība. OpenAI pašapkalpošanās modeļu pielāgošanas pakalpojums tiek pakāpeniski izbeigts: kopš 2026. gada 7. maija organizācijas, kas to nekad nav izmantojušas, vairs nevar izveidot uzdevumus; kopš 2. jūlija ir jābūt izmantojušam pielāgotu modeli pēdējo 60 dienu laikā; un sākot ar 2027. gada 6. janvāri, neviens klients vairs nevarēs uzsākt jaunus uzdevumus. Jau apmācītie modeļi paliek lietojami, līdz tiek izslēgts to bāzes modelis. Šis kurss joprojām ir noderīgs, lai izprastu un izmantotu esošu modeli; jauniem projektiem dod priekšroku promptu inženierijai, RAG un novērtēšanai.
Datu nozīme
Tava pielāgotā modeļa kvalitāte ir tieši atkarīga no tava apmācības datu kvalitātes. Modelis, kas apmācīts uz sliktiem datiem, radīs sliktus rezultātus neatkarīgi no izvēlēto epohu skaita vai hiperparametriem: apmācība nelabo kopu, tā to pastiprina. Tieši tāpēc šī nodarbība ir pirms jebkādām tehniskām API apsvērumiem.
Mēs sekosim datu kopas reālajam ceļam: kur to atrast, kā aizpildīt trūkstošo, kādu apjomu mērķēt un kā strukturēt katru piemēru, pirms nākamajā nodarbībā to noformējam kā JSONL.
Datu avoti
Pirmais avots, ko izpētīt, ir tava paša vēsture, un to gandrīz vienmēr novērtē par zemu. Ja jau izmanto čatbotu vai asistentu, tavos sarunu žurnālos ir reālas mijiedarbības ar taviem lietotājiem, viņu vārdu krājumu un neveiklajām frāzēm — materiāls, kas ir daudz noderīgāks par sapulcē izgudrotiem jautājumiem. Tavas atbalsta biļetes piedāvā tādu pašu bagātību, ar papildu bonusu — validētiem risinājumiem sarunas beigās. Tavi iekšējie dokumenti — stila rokasgrāmatas, procedūras, atbilžu veidnes — dod tev vēlamo atbilžu formu, ja ne pašus jautājumus. Visbeidzot, tavas cilvēku veiktās novērtēšanas, proti, atbildes, ko tavas komandas ir apstiprinājušas vai labojušas, ir visvērtīgākie piemēri no visiem, jo tie jau nes kvalitātes vērtējumu.
Kad šie avoti nepietiek, vari ģenerēt sintētiskus datus, lai segtu trūkstošos gadījumus:
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
Brīdinājums: Sintētiskie dati ir jāpārbauda cilvēkam. Neizmanto tos akli — ģenerators, kas nepareizi uztver biznesa niansi, ar tādu pašu pārliecību radīs piecdesmit nepareizus piemērus kā piecdesmit pareizus.
Cik daudz datu tev vajag?
OpenAI iesaka minimumu 10 piemēriem, taču praksē 50 ir absolūtais minimums, lai novērotu atšķirību. Starp 100 un 500 piemēriem tu iegūsi uzticamus rezultātus. Pārsniedzot šo robežu, ieguvums rodas mazāk no apjoma, vairāk no daudzveidības: tūkstotis viena un tā paša jautājuma pārrakstījumu iemāca modelim neko vairāk kā piecdesmit labi izvēlēti.
Savu piemēru strukturēšana
Katram piemēram ir jāattēlo pilnīga mijiedarbība, proti, viss, ko modelis redzēs ražošanas vidē, plus gaidāmā atbilde. Sistēmas ziņojums ir opcionāls: tas definē asistenta lomu un ierobežojumus, un, ja nolem to izmantot, tam ir jāparādās visos tava piemēros. Lietotāja ziņojums satur pieprasījumu tādu, kāds tas faktiski nonāk, ar visām tā nepilnībām. Asistenta ziņojums, visbeidzot, ir ideālā atbilde — nevis pieņemama, bet gan tāda, ko tu būtu priecīgs redzēt pasniegtu klientam.
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."
}
]
}
Labākā prakse sagatavošanā
Daudzveidība prasa apzinātu piepūli. Aptver visus mērķētos lietošanas gadījumus, iekļauj robežgadījumus un neskaidrus jautājumus, variē jautājumu un atbilžu garumu un attēlo dažādus grūtības līmeņus. Kopa, kas sastāv tikai no viegliem jautājumiem, rada modeli, kas mīņāsies pie pirmā sarežģītā pieprasījuma.
Konsekvence ir pretējais nosacījums, un tikpat svarīgs. Visām atbildēm ir jāievēro vienāds stils un formāts; ja izmanto sistēmas ziņojumu, lieto to katrā piemērā; un atbildēm ir jābūt tādām, kādas tu faktiski sagaidi ražošanas vidē, nevis šim gadījumam radītām pulētām versijām. Modelis iemācīsies to vidējo, ko tu tam rādi, ieskaitot šaubas.
Visbeidzot, ir apmācības un validācijas sadalījums. 20% piemēru atdalīšana pirms apmācības ir tas, kas vēlāk ļaus tev zināt, vai tavs modelis ir iemācījies vai tikai iekalpojis. Izdari to vienreiz, saglabā abus failus un vairs nesajauc tos kopā.
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")
Galvenās atziņas
- Kvalitāte svarīgāka par kvantitāti — 100 izcili piemēri ir labāki par 1000 viduvējiem
- Manuāli pārbaudi savus sintētiskos datus
- Vienmēr atdali validācijas kopu (20%), lai objektīvi novērtētu
- Nodrošini stila un formāta konsekvenci visos savos piemēros