Ga naar hoofdinhoud
Nederlands— Kies een taal
Menu

Fine-tuning starten via de API

Les 5 van 16 Bijgewerkt op 2 november 2026 Gevorderd
Op deze pagina
  1. Overzicht van het proces
  2. De SDK installeren en configureren
  3. Bestanden uploaden
  4. De fine-tuning-taak aanmaken
  5. Voortgang volgen
  6. Het gefinetunde model gebruiken
  7. Uw taken beheren
  8. Kosten en duur
  9. Belangrijkste punten

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

Overzicht van het proces

Uw gegevens zijn klaar, gevalideerd en opgesplitst in trainings- en validatiesets. De daadwerkelijke trainingsstap komt neer op drie bewegingen: upload uw gegevensbestand, maak een fine-tuning-taak aan en wacht vervolgens tot de training is voltooid. Alles verloopt via de officiële Python SDK en u zult zien dat de code in ongeveer dertig regels past—het meeste werk is reeds upstream gebeurd.

De SDK installeren en configureren

De client wordt geïnitieerd zonder argumenten: deze leest automatisch de omgevingsvariabele OPENAI_API_KEY.

# Installatie
# pip install openai

from openai import OpenAI

# De client gebruikt automatisch de omgevingsvariabele OPENAI_API_KEY
client = OpenAI()

Zorg ervoor dat deze variabele is ingesteld voordat u het script uitvoert, anders zal de instantiatie mislukken bij het eerste verzoek. Hardcode in productie nooit uw sleutel in de code: een sleutel die als platte tekst is geschreven, belandt in de Git-historie en het achteraf verwijderen ervan is veel kostbaarder dan deze vanaf dag één vanuit de omgeving te lezen.

Bestanden uploaden

Uploaden gebruikt purpose="fine-tune", wat OpenAI vertelt dat het bestand bestemd is voor training en de bijbehorende formaatcontroles activeert. Upload het validatiebestand direct: het is technisch gezien optioneel, maar zonder dit verloopt de training blind, aangezien geen enkel validatieverlies overfitting zal signaleren terwijl de taak loopt.

# Trainingsbestand uploaden
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Bestands-ID: {training_file.id}")
print(f"Status: {training_file.status}")

# Optioneel: validatiebestand uploaden
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Validatie-ID: {validation_file.id}")

Het bestand doorloopt een verwerkingsfase aan de kant van OpenAI. Wacht tot de status processed is voordat u de taak start: een taak die wordt aangemaakt op een bestand dat nog wordt verwerkt, zal mislukken en u verspilt dan enkele minuten met het zoeken naar een niet-bestaande oorzaak in uw JSONL.

De fine-tuning-taak aanmaken

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # optioneel maar aanbevolen
    model="gpt-5.6-luna",  # of "gpt-5.6-luna"
    suffix="my-assistant-v1"  # achtervoegsel om uw model te identificeren
)

print(f"Taak-ID: {job.id}")
print(f"Status: {job.status}")
print(f"Basismodel: {job.model}")

De parameter suffix wordt toegevoegd aan de naam van uw gefinetunde model: met "my-assistant-v1" zal het resulterende model de naam ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx krijgen. Wen uzelf eraan om hier de use-case en een versienummer in te plaatsen. De dag dat er drie modellen naast elkaar in uw account bestaan, is dit het enige waarmee u weet welk model wat doet zonder de console te openen.

Voortgang volgen

Een taak doorloopt opeenvolgend verschillende statussen en retrieve geeft u op elk moment de huidige status.

# Taakstatus ophalen
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Status: {job.status}")
# Mogelijke statussen: validating_files, queued, running, succeeded, failed, cancelled

De status alleen blijft beknopt. Gebeurtenissen vertellen daarentegen het hele verhaal: bestandsvalidatie, start, stap-voor-stap voortgang, einde.

# Taakgebeurtenissen bekijken
events = client.fine_tuning.jobs.list_events(
    fine_tuning_job_id=job.id,
    limit=20
)

for event in events.data:
    print(f"[{event.created_at}] {event.message}")

In plaats van handmatig elke vijf minuten retrieve aan te roepen, kapselt u het wachten in een lus die de controle teruggeeft zodra de taak een eindstatus bereikt. Merk op dat de drie exit-gevallen afzonderlijk worden behandeld: een geannuleerde taak is geen mislukte taak en u zult deze in uw logs van elkaar willen onderscheiden.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Volgt een fine-tuning-taak tot voltooiing."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Status: {job.status}")

        if job.status == "succeeded":
            print(f"Gefinetuned model: {job.fine_tuned_model}")
            return job

        if job.status == "failed":
            print(f"Mislukt: {job.error}")
            return job

        if job.status == "cancelled":
            print("Taak geannuleerd.")
            return job

        time.sleep(interval)

# Gebruik
final_job = track_job(client, job.id)

Het gefinetunde model gebruiken

Zodra de taak succesvol is voltooid, wordt uw model exact op dezelfde manier aangeroepen als een standaardmodel. Alleen de waarde die aan model wordt doorgegeven, verandert, wat betekent dat overstappen op uw aangepaste model in een bestaande applicatie neerkomt op het wijzigen van een configuratievariabele.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # bijv. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Hallo, ik heb een probleem met mijn bestelling."
)

print(response.output_text)

Uw taken beheren

Twee oproepen volstaan om alles te beheren: een overzicht maken van wat er bestaat en onderbreken wat er loopt. Annuleren is nuttig zodra monitoring aantoont dat de training ontspoort—het heeft geen zin om te betalen voor tokens van een taak waarvan u al weet dat deze een slecht model zal opleveren.

# Een overzicht maken van al uw fine-tuning-taken
jobs = client.fine_tuning.jobs.list(limit=10)
for j in jobs.data:
    print(f"{j.id} | {j.status} | {j.model} | {j.fine_tuned_model}")

# Een lopende taak annuleren
client.fine_tuning.jobs.cancel(job.id)

Kosten en duur

Training wordt gefactureerd op basis van het aantal verwerkte tokens. De duur hangt daarentegen af van de grootte van uw gegevens en het aantal epochs.

Grootte datasetTrainingsduur
50 voorbeeldenEnkele minuten
500 voorbeelden15 tot 30 minuten
5.000 voorbeelden1 tot 2 uur

Deze ordes van grootte helpen u vooral bij het inrichten van uw werkcyclus: bij enkele minuten per run iteratieert u binnen dezelfde sessie; bij twee uur plant u vooruit. Exacte prijzen variëren per gekozen model; raadpleeg de prijzenpagina van OpenAI voor de actuele tarieven.

Belangrijkste punten

  • De workflow is: bestand uploaden, taak aanmaken, wachten, model gebruiken
  • Voeg een beschrijvend suffix toe om uw modellen eenvoudig te identificeren
  • Gebruik altijd een validatiebestand om de kwaliteit te evalueren
  • Het gefinetunde model wordt via de API exact hetzelfde gebruikt als het basismodel
  • Bewaar uw taak- en model-ID’s—u hebt ze nodig voor versiebeheer