Kwalità tad-Data: Tindif u Validazzjoni
F'din il-paġna
Aġġornament 2 ta’ Novembru, 2026 — Disponibbiltà tal-Fine-tuning. Is-servizz awtonomu ta’ fine-tuning ta’ OpenAI qed jiġi rtirat: mill-7 ta’ Mejju, 2026, l-organizzazzjonijiet li qatt ma ħaddmu impjieg ta’ fine-tuning ma jistgħux joħolqu wieħed ġdid; mit-2 ta’ Lulju, trid tkun użajt mudell imħarreġ b’mod fin (fine-tuned) fl-aħħar 60 jum; u mill-6 ta’ Jannar, 2027, l-ebda klijent ma jkun jista’ jnieda impjiegi ġodda. Il-mudelli diġà mħarrġa jibqgħu użabbli sakemm il-mudell bażi tagħhom jiġi rtirat. Dan il-kors jibqa’ utli biex tifhem u tisfrutta mudell eżistenti; għal proġetti ġodda, agħti prijorità lill-inġinerija tal-prompt (prompt engineering), RAG, u l-evalwazzjonijiet.
Għaliex it-tindif huwa kritiku
Fajl JSONL validu teknikament ma jiggarantixxix fine-tuning tajjeb. Data storbjuża, inkonsistenti, jew ifformattjata ħażin se tnaqqas il-prestazzjoni tal-mudell minflok ma ttejba—u l-agħar parti hija li dan ma jipprovoka l-ebda żball. L-impjieg jirnexxi, il-mudell ikun lest, u inti tiskopri l-problema biss fil-produzzjoni. Din il-lezzjoni tkopri t-tekniki ta’ tindif u validazzjoni li għandek tħaddem qabel ma ttella’ l-fajl.
Validazzjoni teknika tal-fajl
Ibda bil-mekkanika: ivverifika li l-fajl tiegħek huwa korrett sintattikament u li kull linja tirrispetta l-kuntratt mistenni. Il-funzjoni hawn taħt tgħaddi mill-fajl linja b’linja, takkumula l-iżbalji minflok ma tieqaf fl-ewwel waħda (trid il-lista sħiħa, mhux sejra u ġejja għal kull kwistjoni) u tirritorna xi statistiċi utli matul it-triq, bħall-preżenza ta’ messaġġi tas-sistema u konversazzjonijiet b’diversi dawriet (multi-turn).
import json
def validate_jsonl(path: str) -> dict:
"""Validates a JSONL file and returns statistics."""
errors = []
stats = {"total": 0, "with_system": 0, "multi_turn": 0}
valid_roles = {"system", "user", "assistant"}
with open(path, "r", encoding="utf-8") as f:
for i, line in enumerate(f, 1):
stats["total"] += 1
try:
obj = json.loads(line.strip())
except json.JSONDecodeError as e:
errors.append(f"Line {i}: Invalid JSON — {e}")
continue
if "messages" not in obj:
errors.append(f"Line {i}: Missing 'messages' key")
continue
messages = obj["messages"]
if not isinstance(messages, list) or len(messages) < 2:
errors.append(f"Line {i}: Minimum 2 messages required")
continue
for j, msg in enumerate(messages):
role = msg.get("role")
if role not in valid_roles:
errors.append(f"Line {i}, msg {j}: Invalid role")
if not msg.get("content", "").strip():
errors.append(f"Line {i}, msg {j}: Empty content")
if not any(m["role"] == "assistant" for m in messages):
errors.append(f"Line {i}: No assistant message")
if messages[0]["role"] == "system":
stats["with_system"] += 1
user_turns = sum(1 for m in messages if m["role"] == "user")
if user_turns > 1:
stats["multi_turn"] += 1
return {"errors": errors, "stats": stats}
result = validate_jsonl("training_data.jsonl")
if result["errors"]:
print(f"Errors: {len(result['errors'])}")
for err in result["errors"][:10]:
print(f" - {err}")
else:
print(f"File valid — {result['stats']['total']} examples")
Tindif tal-kontenut
Entrati eżatti jew kważi identiċi jħawdu t-taħriġ billi jirrappreżentaw żejjed ċerti mudelli. Dan iseħħ naturalment meta taggrega esportazzjonijiet multipli: l-istess mistoqsija frekwenti tidher tletin darba fir-rekords tiegħek, u l-mudell jikkonkludi li tistħoqqilu tletin darba aktar attenzjoni minn oħrajn. Hash tal-kontenut tal-messaġġi magħqudin huwa biżżejjed biex teliminahom.
import hashlib
def deduplicate(examples: list[dict]) -> list[dict]:
"""Removes duplicates based on message content."""
seen = set()
unique = []
for ex in examples:
content = "|".join(
f"{m['role']}:{m['content']}" for m in ex["messages"]
)
h = hashlib.md5(content.encode()).hexdigest()
if h not in seen:
seen.add(h)
unique.append(ex)
print(f"Duplicates removed: {len(examples) - len(unique)}")
return unique
Imbagħad tiġi n-normalizzazzjoni tat-test, li tindirizza erba’ kwistjonijiet distinti. Spazji multipli u newlines superfluwi, wirt minn copy-paste, iridu jitneħħew. L-enkodjar irid jiġi nnormalizzat għal UTF-8 b’karattri ta’ kontroll imneħħija—inviżibbli iżda spiss preżenti fl-esportazzjonijiet tad-database. Il-punteġġjatura tisħaq fuq verifika: tweġiba maqtugħa f’nofsha tgħallem lill-mudell biex jinterrompi lilu nnifsu. Fl-aħħar nett, żgura l-konsistenza tal-lingwa—jekk trid indirizz formali, ivverifika li l-ebda eżempju ma juża indirizz informali, għax il-mudell se jirriproduċi b’mod fidil it-taħlita.
import re
import unicodedata
def normalize_text(text: str) -> str:
"""Normalizes text for training."""
text = unicodedata.normalize("NFC", text)
text = re.sub(r"[\x00-\x09\x0b-\x0c\x0e-\x1f\x7f]", "", text)
text = re.sub(r"[ \t]+", " ", text)
text = re.sub(r"\n{3,}", "\n\n", text)
return text.strip()
Verifiki ta’ konsistenza
Jekk tuża messaġġ tas-sistema, dan irid ikun rigorużament identiku fl-eżempji kollha tiegħek. Żewġ varjanti li jvaraw b’kelma waħda biss huma biżżejjed biex iddilwixxu s-sinjal: il-mudell jieqaf jitgħallem istruzzjoni speċifika u jibda jitgħallem familja mċajpra ta’ istruzzjonijiet. Il-verifika hija triviali, u r-riżultat spiss ikun sorprendenti fuq corpus mibni minn ħafna nies.
def check_system_messages(examples: list[dict]):
"""Checks consistency of system messages."""
system_msgs = set()
for ex in examples:
for msg in ex["messages"]:
if msg["role"] == "system":
system_msgs.add(msg["content"].strip())
if len(system_msgs) > 1:
print(f"Warning: {len(system_msgs)} different system messages")
for sm in system_msgs:
print(f" - {sm[:80]}...")
elif len(system_msgs) == 1:
print("System message consistent")
else:
print("No system message used")
Id-distribuzzjoni tat-tulijiet tar-risponsi tgħid l-istess storja minn angolu ieħor. Risponsi eteroġenji ħafna jissignalaw li ħafna nies kitbu l-corpus b’ideat differenti dwar kif tidher tweġiba tajba, jew li outlier daħal fil-batch. Il-limitu użat hawn—massimu akbar minn ħames darbiet il-medja—mhuwiex assolut, iżda jiġbed għajnejk lejn il-post it-tajjeb.
def analyze_lengths(examples: list[dict]):
"""Analyzes the distribution of response lengths."""
lengths = []
for ex in examples:
for msg in ex["messages"]:
if msg["role"] == "assistant":
lengths.append(len(msg["content"]))
if lengths:
avg = sum(lengths) / len(lengths)
mini, maxi = min(lengths), max(lengths)
print(f"Response length — Avg: {avg:.0f} | Min: {mini} | Max: {maxi}")
if maxi > avg * 5:
print("High dispersion — check for outliers")
L-użu tal-API ta’ validazzjoni ta’ OpenAI
Ladarba tkun ħaddimt il-verifiki tiegħek stess, ittella’ l-fajl u ħalli lil OpenAI jivvalidah ukoll. Huwa b’xejn, immedjat, u jiffrankalek milli tiskopri kwistjoni ta’ format meta jibda l-impjieg.
from openai import OpenAI
client = OpenAI()
file = client.files.create(
file=open("training_data.jsonl", "rb"),
purpose="fine-tune"
)
print(f"File uploaded: {file.id}")
print(f"Status: {file.status}")
Jekk il-fajl ikun fih żbalji, l-istatus jinbidel għal error b’messaġġ dettaljat. Issolvi l-kwistjonijiet irrappurtati qabel ma terġa’ tipprova.
Lista ta’ verifika qabel il-fine-tuning
Għaddi minn din il-lista f’ordni qabel ma toħloq l-impjieg—kull punt jikkorrispondi għal verifika koperta hawn fuq, ħlief l-aħħar waħda, li l-ebda skript ma jista’ jissostitwixxi:
- Il-fajl JSONL huwa validu sintattikament
- L-ebda duplikat
- Test innormalizzat (UTF-8, spazji, punteġġjatura)
- Il-messaġġi tas-sistema huma konsistenti
- Mill-inqas 50 eżempju (idealment 100+)
- Split ta’ taħriġ/validazzjoni mwettaq
- Distribuzzjoni raġonevoli tat-tulijiet
- Reviżjoni umana ta’ kampjun każwali
Punti Ewlenin
- Dejjem ivvalida s-sintassi JSONL qabel ma ttella’
- Neħħi d-duplikati biex tevita l-overfitting
- Il-konsistenza tal-messaġġ tas-sistema hija essenzjali
- Iċċekkja d-distribuzzjoni tat-tulijiet tar-risponsi
- Ħalli bniedem jirrevedi kampjun—dan huwa insostitwibbli