Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Príprava vašich trénovacích dát

Lekcia 2 z 16 Aktualizované 2. novembra 2026 Pokročilý
Na tejto strane
  1. Dôležitosť dát
  2. Zdroje dát
  3. Koľko dát potrebujete?
  4. Štruktúrovanie vašich príkladov
  5. Najlepšie postupy prípravy
  6. Kľúčové poznatky

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?

50
Minimálne životaschopné
100-500
Solídne výsledky
500+
Vysoká kvalita
80/20
Tréning / Validácia

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