Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Uw trainingsdata voorbereiden

Les 2 van 16 Bijgewerkt op 2 november 2026 Gevorderd
Op deze pagina
  1. Het belang van data
  2. Databronnen
  3. Hoeveel data heeft u nodig?
  4. Uw voorbeelden structureren
  5. Best practices voor voorbereiding
  6. Belangrijkste punten

Update 2 november 2026 — Beschikbaarheid fine-tuning. De self-service fine-tuning van OpenAI wordt gefaseerd afgebouwd: sinds 7 mei 2026 kunnen organisaties die dit nog nooit hebben gebruikt geen taken meer aanmaken; sinds 2 juli moet u binnen de laatste 60 dagen een fine-tuned model hebben gebruikt; en vanaf 6 januari 2027 kan geen enkele klant nieuwe taken starten. Reeds getrainde modellen blijven bruikbaar totdat hun basismodel wordt stopgezet. Deze cursus blijft nuttig om een bestaand model te begrijpen en benutten; voor nieuwe projecten geeft u prioriteit aan prompt engineering, RAG en evaluaties.

Het belang van data

De kwaliteit van uw fine-tuned model hangt direct af van de kwaliteit van uw trainingsdata. Een model dat op slechte data is getraind, levert slechte resultaten op, ongeacht het aantal epochs of de gekozen hyperparameters: training repareert geen corpus, het versterkt het. Daarom komt deze les voorafgaand aan technische overwegingen over de API.

We volgen het echte traject van een dataset: waar u deze vindt, hoe u ontbrekende informatie aanvult, welk volume u moet nastreven en hoe u elk voorbeeld structureert voordat u het in de volgende les als JSONL formatteert.

Databronnen

De eerste bron om te verkennen is uw eigen geschiedenis, en deze wordt bijna altijd onderschat. Als u al een chatbot of assistent beheert, bevatten uw gesprekslogboeken echte interacties, met de woordenschat en onhandige formuleringen van uw gebruikers—materiaal dat veel nuttiger is dan vragen die tijdens een vergadering worden verzonnen. Uw supporttickets bieden dezelfde rijkdom, met als extra voordeel gevalideerde oplossingen aan het einde van de uitwisseling. Uw interne documenten—stijlgidsen, procedures, antwoordtemplates—geven u de verwachte vorm van antwoorden, zo niet de vragen. Tot slot zijn uw menselijke evaluaties, oftewel reacties die uw teams hebben gevalideerd of gecorrigeerd, de waardevolste voorbeelden van allemaal, aangezien deze al een kwaliteitsoordeel dragen.

Wanneer deze bronnen niet volstaan, kunt u synthetische data genereren om ontbrekende cases af te dekken:

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

Waarschuwing: Synthetische data moet door een mens worden geverifieerd. Gebruik het niet blindelings—een generator die een bedrijfsnuance verkeerd begrijpt, produceert met evenveel zelfvertrouwen vijftig foute voorbeelden als vijftig juiste.

Hoeveel data heeft u nodig?

50
Minimum viable
100-500
Solid results
500+
High quality
80/20
Train / Validation

OpenAI raadt een minimum van 10 voorbeelden aan, maar in de praktijk is 50 het absolute minimum om een verschil waar te nemen. Tussen de 100 en 500 voorbeelden behaalt u betrouwbare resultaten. Daarboven komt de winst minder voort uit volume dan uit diversiteit: duizend herformuleringen van dezelfde vraag leren het model niets meer dan vijftig goed gekozen voorbeelden.

Uw voorbeelden structureren

Elk voorbeeld moet een volledige interactie vertegenwoordigen, dus alles wat het model in productie zal zien plus het antwoord dat u verwacht. Het systeembericht is optioneel: het definieert de rol en beperkingen van de assistent, en als u besluit dit te gebruiken, moet het in al uw voorbeelden voorkomen. Het gebruikersbericht bevat het verzoek zoals het daadwerkelijk binnenkomt, met zijn onvolkomenheden. Het assistent-bericht tot slot is het ideale antwoord—niet een acceptabel antwoord, maar het antwoord dat u met plezier aan een klant zou laten zien.

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."
        }
    ]
}

Best practices voor voorbereiding

Diversiteit vereist bewuste inspanning. Dek alle use cases af die u beoogt, neem randgevallen en ambiguë vragen op, varieer de lengte van vragen en antwoorden, en vertegenwoordig verschillende moeilijkheidsgraden. Een corpus dat alleen uit eenvoudige vragen bestaat, produceert een model dat begint te stotteren bij het eerste ingewikkelde verzoek.

Consistentie is de omgekeerde randvoorwaarde, en minstens zo belangrijk. Alle antwoorden moeten dezelfde stijl en indeling volgen; als u een systeembericht gebruikt, past u dit in elk voorbeeld toe; en antwoorden moeten zijn wat u daadwerkelijk in productie verwacht, geen gepolijste versies die speciaal voor de gelegenheid zijn gemaakt. Het model leert het gemiddelde van wat u het toont, inclusief aarzelingen.

Tot slot is er de opsplitsing in trainings- en validatiesets. Apart houden van 20% van de voorbeelden vóór de training is wat u later in staat stelt om te weten of uw model heeft geleerd of slechts heeft gememoriseerd. Doe dit eenmaal, sla de twee bestanden op en meng ze daarna niet meer.

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")

Belangrijkste punten

  • Kwaliteit boven kwantiteit—100 uitstekende voorbeelden zijn beter dan 1.000 middelmatige
  • Verifieer uw synthetische data handmatig
  • Houd altijd een validatieset (20%) apart om objectief te evalueren
  • Zorg voor consistentie in stijl en indeling in al uw voorbeelden