Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Kedy a prečo doladiť model

Lekcia 1 z 16 Aktualizované 2. novembra 2026 Pokročilý
Na tejto strane
  1. Čo je doladenie?
  2. Kedy je doladenie vhodné?
  3. Doladenie verzus alternatívy
  4. Typický pracovný postup
  5. Kľúčové poznatky

Aktualizácia 2. novembra 2026 — Dostupnosť doladenia. Služba vlastného doladenia od OpenAI sa postupne ukončuje: od 7. mája 2026 organizácie, ktoré ju nikdy nepoužili, už nemôžu vytvárať nové úlohy; od 2. júla musíte mať za posledných 60 dní použitý aspoň jeden doladený model; a od 6. januára 2027 žiadny zákazník nebude môcť spustiť nové úlohy. Už natrénované modely zostávajú použiteľné až do vyradenia ich základného modelu. Tento kurz je stále užitočný na pochopenie a využitie existujúceho modelu; pri nových projektoch však uprednostnite inžinierstvo promptov, RAG a evaluácie.

Čo je doladenie?

Doladenie znamená opätovné natrénovanie existujúceho jazykového modelu na vašich vlastných dátach, aby ste jeho správanie prispôsobili svojim špecifickým potrebám. Kým inžinierstvo promptov usmerňuje model pomocou kontextových inštrukcií – ktoré sa prepisujú, odosielajú a fakturujú pri každom volaní – doladenie upravuje vnútorné váhy modelu, aby trvalo zakomponovalo nové správanie. Po dokončení trénovania sa to, čo ste predtým opisovali v dlhom systémovom prompte, stane súčasťou samotného modelu.

V OpenAI sa modely vhodné na doladenie riadia aktuálnym katalógom (rodina GPT-5.6 od júla 2026) – presný zoznam variantov otvorených na trénovanie nájdete v oficiálnej dokumentácii k doladeniu. Samotný pracovný postup sa nemení: vytvoríte trénovací dataset vo formáte JSONL, spustíte úlohu cez API a získate vlastný model, ktorý voláte presne rovnako ako základný model. Vo vašom kóde sa mení iba identifikátor modelu.

Kedy je doladenie vhodné?

Doladenie nie je vždy správnou odpoveďou a toto je prvá vec, ktorú si musíte osvojiť ešte pred napísaním jediného riadku JSONL. Skutočnú hodnotu prináša najmä pri tónovaní a štýle: ak váš produkt vyžaduje špecifický hlas, natrénovanie modelu na niekoľkých stovkách výmen napísaných týmto hlasom vás zbaví potreby opakovať tieto inštrukcie v každom prompte. Druhým silným prípadom použitia je formátovanie štruktúrovaného výstupu. Keď váš pipeline očakáva JSON so schémou, ktorá sa nesmie meniť, dobre napísané inštrukcie vás dostanú blízko, ale nikdy nezaručia 100 % súlad; systematicky správne príklady však túto medzeru zmenšia takmer na nulu.

Tieto dva dôvody mechanicky vedú k ďalším dvom. Doladený model queried s krátkym promptom odpovedá rýchlejšie ako základný model zaťažený dlhým systémovým promptom, čo znižuje latenciu vnímanú používateľom; a menej vstupných tokenov znamená nižší účet pri konštantnom objeme, čo vedie k zníženiu nákladov, ktoré sa priamo prejaví v službe spracúvajúcej niekoľko tisíc požiadaviek denne.

Vynikajú dve ďalšie skupiny úloh, kde doladenie exceluje. Prvou sú úlohy klasifikácie: kategorizácia podporných ticketov, analýza sentimentu, triedenie dokumentov. Očakávaný výstup je tu krátky, uzavretý a dokonale ilustrovateľný príkladmi. Druhou je konzistentné volanie funkcií: keď model musí systematicky volať správne funkcie so správnymi parametrami, ukázanie stovky správnych volaní funguje lepšie než opisovanie pravidla.

Naopak, štyri situácie by vás mali odradiť. Ak máte málo dát, menej ako 50 príkladov, inžinierstvo promptov s niekoľkými few-shot príkladmi bude fungovať lepšie pri oveľa menšej námahe. Ak sa vaša doména rýchlo mení, napríklad katalóg produktov alebo ceny sa menia týždenne, RAG (Retrieval-Augmented Generation) vás zachráni pred neustálym pretrénovávaním. Najčastejším omylom je snaha vložiť faktické znalosti: doladenie učí správanie, nie fakty, a aj tu je správnym nástrojom RAG. Nakoniec, ak stačí inžinierstvo promptov, ak niekoľko dobre zostavených inštrukcií už prináša dobré výsledky, nekomplikujte svoj pipeline len tak pre nič za nič.

Doladenie verzus alternatívy

Tieto tri prístupy nie sú konkurentmi: riešia odlišné potreby a veľmi dobre sa kombinujú, napríklad doladený model na formátovanie napájaný cez RAG faktami.

Prístup Ideálne pre Obmedzenia
Inžinierstvo promptov Rýchle prototypovanie, rôznorodé úlohy Spotreba tokenov, variabilné výsledky
RAG Dynamické znalosti, databázy dokumentov Zvýšená latencia, komplexita infraštruktúry
Doladenie Stabilné správanie, tón, formát, klasifikácia Vyžaduje dáta, náklady na trénovanie

Typický pracovný postup

Zvyšok tohto kurzu nasleduje poradie, v akom tieto kroky skutočne vykonáte. Pred pokračovaním si venujte pár minút na zapísanie toho prvého: artikulácia požadovaného správania v jednej vete vás ušetrí od náhodného zbierania dát.

  1. Identifikujte potrebu: aké správanie má model systematicky adoptovať?
  2. Zozbierajte dáta: nazbierajte aspoň 50 až 100 príkladov ideálnych konverzácií
  3. Pripravte JSONL: naformátujte svoje dáta podľa schémy očakávanej API
  4. Spustite trénovanie: vytvorte úlohu doladenia cez client.fine_tuning.jobs.create()
  5. Vyhodnoťte: porovnajte výkon doladeného modelu so základným modelom
  6. Iterujte: v prípade potreby upravte svoje dáta a spustite proces znova

Kľúčové poznatky

  • Doladenie mení správanie modelu, nie jeho faktické znalosti
  • Dáva zmysel, keď máte dostatok dát a potrebujete konzistenciu
  • Vždy začnite inžinierstvom promptov – doladujte len vtedy, ak to nestačí
  • Zoznam modelov vhodných na doladenie sa vyvíja spolu s katalógom OpenAI – pred spustením úlohy si overte oficiálnu dokumentáciu