Preparar os Seus Dados de Formação
Nesta página
Atualização de 2 de novembro de 2026 — Disponibilidade do fine-tuning. O serviço de fine-tuning de autosserviço da OpenAI está a ser descontinuado: desde 7 de maio de 2026, as organizações que nunca o utilizaram já não podem criar tarefas; desde 2 de julho, é necessário ter utilizado um modelo com fine-tuning nos últimos 60 dias; e a partir de 6 de janeiro de 2027, nenhum cliente poderá lançar novas tarefas. Os modelos já formados permanecem utilizáveis até que o seu modelo base seja desativado. Este curso mantém a sua utilidade para compreender e aproveitar um modelo existente; para novos projetos, priorize a engenharia de prompts, a RAG e as avaliações.
A Importância dos Dados
A qualidade do seu modelo com fine-tuning depende diretamente da qualidade dos seus dados de formação. Um modelo treinado com dados deficientes produzirá resultados medíocres, independentemente do número de épocas ou dos hiperparâmetros escolhidos: a formação não corrige um corpus, amplifica-o. É por esta razão que esta lição precede qualquer consideração técnica sobre a API.
Vamos seguir o percurso real de um conjunto de dados: onde encontrá-lo, como preencher as lacunas, que volume almejar e como estruturar cada exemplo antes de o formatar como JSONL na próxima lição.
Fontes de Dados
A primeira fonte a explorar é o seu próprio histórico, e é quase sempre subestimada. Se já gere um chatbot ou assistente, os seus registos de conversas contêm interações reais, com o vocabulário dos seus utilizadores e as suas formulações imperfeitas — material muito mais útil do que perguntas inventadas numa reunião. Os seus tickets de suporte oferecem a mesma riqueza, com a vantagem adicional de resoluções validadas no final da troca. Os seus documentos internos — guias de estilo, procedimentos, modelos de resposta — fornecem-lhe a forma esperada das respostas, se não as perguntas. Por fim, as suas avaliações humanas, ou seja, respostas que as suas equipas validaram ou corrigiram, são os exemplos mais valiosos de todos, pois já carregam um juízo de qualidade.
Quando estas fontes não são suficientes, pode gerar dados sintéticos para cobrir casos em falta:
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
Aviso: Os dados sintéticos devem ser verificados por um humano. Não os utilize cegamente — um gerador que erre numa nuance empresarial produzirá cinquenta exemplos falsos com a mesma confiança que cinquenta corretos.
De Quantos Dados Precisa?
A OpenAI recomenda um mínimo de 10 exemplos, mas, na prática, 50 é o mínimo absoluto para observar uma diferença. Entre 100 e 500 exemplos, obterá resultados fiáveis. Para além disso, o ganho provém menos do volume do que da diversidade: mil reformulações da mesma pergunta não ensinam ao modelo nada mais do que cinquenta bem escolhidas.
Estruturar os Seus Exemplos
Cada exemplo deve representar uma interação completa, ou seja, tudo o que o modelo verá em produção, mais a resposta que espera. A mensagem de sistema é opcional: define o papel e as restrições do assistente e, se decidir utilizá-la, esta deve aparecer em todos os seus exemplos. A mensagem do utilizador contém o pedido tal como chega realmente, com as suas imperfeições. A mensagem do assistente, finalmente, é a resposta ideal — não uma aceitável, mas aquela que ficaria satisfeito em ver entregue a um cliente.
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."
}
]
}
Melhores Práticas de Preparação
A diversidade exige um esforço deliberado. Cubra todos os casos de uso que visa, inclua casos limite e perguntas ambíguas, varie o comprimento das perguntas e respostas e represente diferentes níveis de dificuldade. Um corpus composto apenas por perguntas fáceis produz um modelo que gagueja ao primeiro pedido mais complexo.
A consistência é a restrição inversa, e igualmente importante. Todas as respostas devem seguir o mesmo estilo e formato; se utilizar uma mensagem de sistema, use-a em todos os exemplos; e as respostas devem ser aquilo que realmente espera em produção, não versões polidas criadas para a ocasião. O modelo aprenderá a média do que lhe mostrar, hesitações incluídas.
Por fim, existe a divisão treino/validação. Reservar 20% dos exemplos antes da formação é o que lhe permitirá, mais tarde, saber se o seu modelo aprendeu ou apenas memorizou. Faça-o uma vez, guarde os dois ficheiros e não os volte a misturar.
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")
Pontos-chave
- Qualidade acima da quantidade — 100 exemplos excelentes valem mais do que 1.000 medíocres
- Verifique manualmente os seus dados sintéticos
- Reserve sempre um conjunto de validação (20%) para avaliar objetivamente
- Garanta a consistência de estilo e formato em todos os seus exemplos