Przygotuj swoje dane treningowe
Na tej stronie
Aktualizacja z 2 listopada 2026 r. — Dostępność dostrajania. Usługa samodzielnego dostrajania modeli OpenAI jest wycofywana: od 7 maja 2026 r. organizacje, które nigdy wcześniej z niej nie korzystały, nie mogą już tworzyć nowych zadań; od 2 lipca wymagane jest użycie dostrajonego modelu w ciągu ostatnich 60 dni; a począwszy od 6 stycznia 2027 r., żaden klient nie będzie mógł uruchomić nowych zadań. Już wytrenowane modele pozostają użyteczne do momentu wycofania ich modelu bazowego. Ten kurs nadal przydaje się do zrozumienia i wykorzystania istniejącego modelu; w przypadku nowych projektów priorytetem powinno być inżynieria promptów (prompt engineering), architektura RAG oraz ewaluacje.
Znaczenie danych
Jakość Twojego dostrajonego modelu zależy bezpośrednio od jakości danych treningowych. Model wytrenowany na słabych danych da słabe rezultaty, niezależnie od liczby epok czy dobranych hiperparametrów: trening nie naprawia korpusu, lecz go wzmacnia. Dlatego ta lekcja wyprzedza wszelkie techniczne rozważania dotyczące API.
Przejdziemy razem rzeczywistą ścieżką zestawu danych: gdzie go znaleźć, jak uzupełnić braki, do jakiej wielkości dążyć i jak ustrukturyzować każdy przykład przed sformatowaniem go do JSONL w następnej lekcji.
Źródła danych
Pierwszym źródłem, które warto zbadać, jest Twoja własna historia, a jest ona niemal zawsze niedoceniana. Jeśli już prowadzisz chatbota lub asystenta, Twoje dzienniki rozmów zawierają prawdziwe interakcje, ze słownictwem Twoich użytkowników i ich niezgrabnymi sformułowaniami – materiał o wiele cenniejszy niż pytania wymyślone podczas spotkania. Twoje zgłoszenia do wsparcia technicznego oferują tę samą wartość, z dodatkowym atutem w postaci zweryfikowanych rozwiązań na końcu wymiany wiadomości. Twoje dokumenty wewnętrzne – przewodniki stylistyczne, procedury, szablony odpowiedzi – pokazują oczekiwaną formę odpowiedzi, jeśli nie same pytania. Wreszcie, Twoje oceny ludzkie, czyli odpowiedzi zatwierdzone lub poprawione przez Twoje zespoły, są najcenniejszymi przykładami ze wszystkich, ponieważ niosą już w sobie ocenę jakości.
Gdy te źródła nie wystarczają, możesz wygenerować dane syntetyczne, aby pokryć brakujące przypadki:
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
Ostrzeżenie: Dane syntetyczne muszą zostać zweryfikowane przez człowieka. Nie używaj ich w ciemno – generator, który źle zrozumie niuanse biznesowe, wyprodukuje pięćdziesiąt fałszywych przykładów z taką samą pewnością jak pięćdziesiąt poprawnych.
Ile danych potrzebujesz?
OpenAI rekomenduje minimum 10 przykładów, ale w praktyce 50 to absolutne minimum, aby zaobserwować jakąkolwiek różnicę. Przy liczbie od 100 do 500 przykładów uzyskasz wiarygodne rezultaty. Powyżej tej liczby zysk wynika mniej z objętości, a bardziej z różnorodności: tysiąc przeformułowań tego samego pytania nie nauczy modelu niczego więcej niż pięćdziesiąt dobrze dobranych przykładów.
Strukturyzowanie przykładów
Każdy przykład musi reprezentować kompletną interakcję, czyli wszystko, co model zobaczy w środowisku produkcyjnym, plus oczekiwaną przez Ciebie odpowiedź. Wiadomość systemowa jest opcjonalna: definiuje rolę asystenta i ograniczenia; jeśli zdecydujesz się jej użyć, musi pojawić się we wszystkich przykładach. Wiadomość użytkownika zawiera żądanie takie, jakie faktycznie wpływa, wraz z jego niedoskonałościami. Wiadomość asystenta to wreszcie odpowiedź idealna – nie taka, która jest „akceptowalna“, ale taka, z której byłbyś zadowolony, widząc ją serwowaną klientowi.
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."
}
]
}
Najlepsze praktyki przygotowania
Różnorodność wymaga świadomego wysiłku. Pokryj wszystkie przypadki użycia, na których Ci zależy, uwzględnij przypadki brzegowe i niejednoznaczne pytania, zróżnicuj długość pytań i odpowiedzi oraz przedstaw różne poziomy trudności. Korpus złożony wyłącznie z łatwych pytań stworzy model, który zacznie się jąkać przy pierwszym, bardziej skomplikowanym żądaniu.
Spójność jest odwrotnym, lecz równie ważnym wymogiem. Wszystkie odpowiedzi muszą podążać za tym samym stylem i formatem; jeśli używasz wiadomości systemowej, stosuj ją w każdym przykładzie; odpowiedzi muszą być tym, czego faktycznie oczekujesz w produkcji, a nie wypolerowanymi wersjami stworzonymi na tę okazję. Model nauczy się średniej z tego, co mu pokażesz, łącznie z wahaniem.
Na koniec mamy podział na zbiór treningowy i walidacyjny. Odłożenie 20% przykładów przed rozpoczęciem treningu pozwoli Ci później stwierdzić, czy model się nauczył, czy jedynie zapamiętał dane. Zrób to raz, zapisz oba pliki i nigdy więcej ich nie mieszaj.
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")
Kluczowe wnioski
- Jakość ponad ilość – 100 doskonałych przykładów jest lepszych niż 1000 przeciętnych
- Ręcznie weryfikuj swoje dane syntetyczne
- Zawsze wydzielaj zbiór walidacyjny (20%), aby móc obiektywnie ocenić model
- Zapewnij spójność stylu i formatu we wszystkich przykładach