Príprava vašich trénovacích dát
Na tejto strane
Aktualizácia z 2. novembra 2026 — Dostupnosť jemného doladenia. Služba vlastného jemného 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 použitý jemne doladený model za posledných 60 dní; a počnúc 6. januárom 2027 žiadny zákazník nebude môcť spustiť nové úlohy. Už natrénované modely zostávajú použiteľné až do vyradenia ich základného modelu. Tento kurz zostáva užitočný na pochopenie a využitie existujúceho modelu; pri nových projektoch uprednostnite inžinierstvo promptov, RAG a evaluácie.
Dôležitosť dát
Kvalita vášho jemne doladeného modelu priamo závisí od kvality vašich trénovacích dát. Model natrénovaný na zlých dátach prinesie zlé výsledky, bez ohľadu na počet epoch alebo zvolené hyperparametre: trénovanie neopraví korpus, iba ho zosilní. Preto táto lekcia predchádza akýmkoľvek technickým úvahám o API.
Prejdeme si skutočnú cestu datasetu: kde ho nájsť, ako doplniť chýbajúce časti, aký objem cieľovať a ako štruktúrovať každý príklad pred jeho formátovaním do JSONL v nasledujúcej lekcii.
Zdroje dát
Prvým zdrojom, ktorý treba preskúmať, je vaša vlastná história, a tá je takmer vždy podceňovaná. Ak už prevádzkujete chatbota alebo asistenta, vaše záznamy konverzácií obsahujú skutočné interakcie so slovníkom vašich používateľov a ich neobratnými formuláciami – materiál oveľa užitočnejší než otázky vymyslené na porade. Vaše podporové ticketty ponúkajú rovnaké bohatstvo, s bonusom overených riešení na konci výmeny. Vaše interné dokumenty – štýlové príručky, procedúry, šablóny odpovedí – vám dajú očakávanú formu odpovedí, ak nie samotné otázky. Nakoniec, vaše ľudské evaluácie, teda odpovede, ktoré vaše tímy validovali alebo opravili, sú najcennejšími príkladmi zo všetkých, keďže už nesú v sebe hodnotenie kvality.
Keď tieto zdroje nestačia, môžete vygenerovať syntetické dáta na pokrytie chýbajúcich prípadov:
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
Upozornenie: Syntetické dáta musí overiť človek. Nepoužívajte ich naslepo – generátor, ktorý si pomýli obchodnú nuansu, vyprodukuje päťdesiat falošných príkladov s rovnakou istotou ako päťdesiat správnych.
Koľko dát potrebujete?
OpenAI odporúča minimum 10 príkladov, ale v praxi je 50 absolútnym minimom na pozorovanie rozdielu. Medzi 100 a 500 príkladmi dosiahnete spoľahlivé výsledky. Nad touto hranicou prínos vyplýva menej z objemu a viac z diverzity: tisíc reformulácií tej istej otázky nenaučí model nič viac než päťdesiat dobre vybraných.
Štruktúrovanie vašich príkladov
Každý príklad musí predstavovať kompletnú interakciu, teda všetko, čo model uvidí v produkcii, plus odpoveď, ktorú očakávate. Systémová správa je voliteľná: definuje rolu a obmedzenia asistenta, a ak sa rozhodnete ju použiť, musí sa objaviť vo všetkých vašich príkladoch. Správa používateľa obsahuje požiadavku tak, ako skutočne príde, so všetkými jej nedokonalosťami. Správa asistenta je nakoniec ideálna odpoveď – nie taká, ktorá je len prijateľná, ale tá, ktorú by ste radi videli doručenú zákazníkovi.
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."
}
]
}
Najlepšie postupy prípravy
Diverzita si vyžaduje cielené úsilie. Pokryte všetky cieľové prípady použitia, zahrňte hraničné prípady a nejednoznačné otázky, variovať dĺžku otázok aj odpovedí a zastúpte rôzne úrovne obtiažnosti. Korpus zložený len z ľahkých otázok vytvorí model, ktorý začne koktať pri prvej zložitejšej požiadavke.
Konzistentnosť je opačným obmedzením a rovnako dôležitým. Všetky odpovede musia dodržiavať rovnaký štýl a formát; ak používate systémovú správu, použite ju v každom príklade; a odpovede musia byť tým, čo skutočne očakávate v produkcii, nie uhladenými verziami vytvorenými špeciálne pre túto príležitosť. Model sa naučí priemer toho, čo mu ukážete, vrátane váhania.
Nakoniec tu máme rozdelenie na trénovaciu a validačnú množinu. Vyčlenenie 20 % príkladov pred trénovaním je to, čo vám neskôr umožní zistiť, či sa model niečo naučil, alebo si len zapamätal dáta. Urobte to raz, uložte dva súbory a už ich nikdy nemiešajte.
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")
Kľúčové poznatky
- Kvalita nad kvantitou – 100 vynikajúcich príkladov je lepších ako 1 000 priemerných
- Ručne overujte svoje syntetické dáta
- Vždy si vyhraďte validačnú množinu (20 %) na objektívne vyhodnotenie
- Zabezpečte konzistentnosť štýlu a formátu vo všetkých vašich príkladoch