Salt la conținutul principal
Română— Alege o limbă
Meniu

Pregătirea datelor de antrenament

Lecția 2 din 16 Actualizată 2 noiembrie 2026 Avansat
Pe această pagină
  1. Importanța datelor
  2. Surse de date
  3. De câte date aveți nevoie?
  4. Structurarea exemplelor
  5. Cele mai bune practici de pregătire
  6. Puncte cheie

Actualizare 2 noiembrie 2026 — Disponibilitatea fine-tuning-ului. Serviciul de fine-tuning self-service oferit de OpenAI este în curs de eliminare: începând cu 7 mai 2026, organizațiile care nu l-au utilizat anterior nu mai pot crea job-uri; începând cu 2 iulie, trebuie să fi utilizat un model ajustat (fine-tuned) în ultimele 60 de zile; iar începând cu 6 ianuarie 2027, niciun client nu va mai putea lansa job-uri noi. Modelele deja antrenate rămân utilizabile până la retragerea modelului lor de bază. Acest curs rămâne util pentru înțelegerea și exploatarea unui model existent; pentru proiecte noi, prioritizați ingineria prompt-urilor (prompt engineering), RAG și evaluările.

Importanța datelor

Calitatea modelului dumneavoastră ajustat (fine-tuned) depinde direct de calitatea datelor de antrenament. Un model antrenat pe date slabe va produce rezultate slabe, indiferent de numărul de epoci sau de hiperparametrii aleși: antrenamentul nu repară un corpus, ci îl amplifică. De aceea, această lecție precede orice considerație tehnică legată de API.

Vom parcurge traseul real al unui set de date: unde să îl găsiți, cum să completați lipsurile, ce volum să vizați și cum să structurați fiecare exemplu înainte de a-l formata ca JSONL în lecția următoare.

Surse de date

Prima sursă de explorat este propria dumneavoastră istorie, iar aceasta este aproape întotdeauna subestimată. Dacă gestionați deja un chatbot sau un asistent, jurnalele de conversații conțin interacțiuni reale, cu vocabularul utilizatorilor dumneavoastră și formulările lor stângace – un material mult mai util decât întrebările inventate într-o ședință. Tichetele de suport oferă aceeași bogăție, cu avantajul suplimentar al rezolvărilor validate la finalul schimbului. Documentele interne – ghiduri de stil, proceduri, șabloane de răspuns – vă oferă forma așteptată a răspunsurilor, dacă nu chiar întrebările. În final, evaluările umane, adică răspunsurile pe care echipele dumneavoastră le-au validat sau corectat, sunt cele mai valoroase exemple dintre toate, deoarece poartă deja o judecată de calitate.

Când aceste surse nu sunt suficiente, puteți genera date sintetice pentru a acoperi cazurile lipsă:

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

Avertisment: Datele sintetice trebuie verificate de un om. Nu le utilizați orbesc – un generator care greșește o nuanță de business va produce cincizeci de exemple false cu aceeași încredere ca și cincizeci de exemple corecte.

De câte date aveți nevoie?

50
Minim viabil
100-500
Rezultate solide
500+
Calitate ridicată
80/20
Antrenament / Validare

OpenAI recomandă un minim de 10 exemple, dar în practică, 50 reprezintă minimul absolut pentru a observa o diferență. Între 100 și 500 de exemple, veți obține rezultate fiabile. Dincolo de acest prag, câștigul provine mai puțin din volum, cât din diversitate: o mie de reformulări ale aceleiași întrebări nu învață modelul nimic mai mult decât cincizeci de exemple bine alese.

Structurarea exemplelor

Fiecare exemplu trebuie să reprezinte o interacțiune completă, adică tot ceea ce va vedea modelul în producție, plus răspunsul pe care îl așteptați. Mesajul de sistem este opțional: acesta definește rolul și constrângerile asistentului, iar dacă decideți să îl utilizați, trebuie să apară în toate exemplele dumneavoastră. Mesajul utilizatorului conține cererea așa cum sosește ea în realitate, cu imperfecțiunile sale. Mesajul asistentului, în final, este răspunsul ideal – nu unul acceptabil, ci cel pe care ați fi încântat să îl vedeți servit unui client.

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."
        }
    ]
}

Cele mai bune practici de pregătire

Diversitatea necesită un efort deliberat. Acoperiți toate cazurile de utilizare vizate, includeți cazuri limită și întrebări ambigue, variați lungimea întrebărilor și a răspunsurilor și reprezentați diferite niveluri de dificultate. Un corpus compus doar din întrebări ușoare produce un model care bâlbâie la prima cerere complicată.

Consistența este constrângerea inversă, la fel de importantă. Toate răspunsurile trebuie să urmeze același stil și format; dacă utilizați un mesaj de sistem, folosiți-l în fiecare exemplu; iar răspunsurile trebuie să fie ceea ce așteptați efectiv în producție, nu versiuni șlefuite create special pentru ocazie. Modelul va învăța media a ceea ce îi arătați, inclusiv ezitările.

În final, există diviziunea antrenament/validare. Rezervarea a 20% din exemple înainte de antrenament este ceea ce vă va permite, ulterior, să știți dacă modelul dumneavoastră a învățat sau doar a memorat. Faceți-o o singură dată, salvați cele două fișiere și nu le mai amestecați niciodată.

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")

Puncte cheie

  • Calitatea contează mai mult decât cantitatea – 100 de exemple excelente sunt mai bune decât 1.000 mediocre
  • Verificați manual datele sintetice
  • Rezervați întotdeauna un set de validare (20%) pentru a evalua obiectiv
  • Asigurați consistența stilului și a formatului în toate exemplele dumneavoastră