Prejsť na hlavný obsah
Slovenčina— Vyberte jazyk
Menu

Spustenie jemného doladenia cez API

Lekcia 5 z 16 Aktualizované 2. novembra 2026 Pokročilý
Na tejto strane
  1. Prehľad procesu
  2. Inštalácia a konfigurácia SDK
  3. Nahranie súborov
  4. Vytvorenie úlohy jemného doladenia
  5. Sledovanie priebehu
  6. Použitie jemne doladeného modelu
  7. Správa tvojich úloh
  8. Náklady a trvanie
  9. Kľúčové poznatky

Aktualizácia z 2. novembra 2026 — Dostupnosť jemného doladenia. Samoobslužné jemné doladenie od OpenAI sa postupne ukončuje: od 7. mája 2026 organizácie, ktoré nikdy nespustili úlohu jemného doladenia, už nemôžu vytvoriť novú; 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; pre nové projekty uprednostnite inžinierstvo promptov, RAG a evaluácie.

Prehľad procesu

Tvoje dáta sú pripravené, overené a rozdelené na trénovaciu a validačnú množinu. Samotný krok tréningu sa obmedzuje na tri pohyby: nahrať súbor s dátami, vytvoriť úlohu jemného doladenia a potom počkať na dokončenie tréningu. Všetko prebieha cez oficiálny Python SDK a uvidíš, že kód sa zmestí asi do tridsiatich riadkov – väčšina práce sa udiala v predchádzajúcich fázach.

Inštalácia a konfigurácia SDK

Klient sa inicializuje bez argumentov: automaticky si prečíta premennú prostredia OPENAI_API_KEY.

# Inštalácia
# pip install openai

from openai import OpenAI

# Klient automaticky použije premennú prostredia OPENAI_API_KEY
client = OpenAI()

Uisti sa, že je táto premenná nastavená pred spustením skriptu, inak inicializácia zlyhá pri prvej požiadavke. V produkčnom prostredí nikdy neukladaj svoj kľúč priamo do kódu: kľúč zapísaný ako čistý text sa dostane do histórie Gitu a jeho následné odstránenie je oveľa nákladnejšie, než keď si ho od prvého dňa čítaš z prostredia.

Nahranie súborov

Nahrávanie používa parameter purpose="fine-tune", čo hovorí OpenAI, že súbor je určený na tréning, a spustí zodpovedajúce kontroly formátu. Nahraj validačný súbor hneď: technicky je voliteľný, ale bez neho tréning beží naslepo, keďže žiadna validačná strata nebude signalizovať pretrénovanie počas behu úlohy.

# Nahranie trénovacieho súboru
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID súboru: {training_file.id}")
print(f"Stav: {training_file.status}")

# Voliteľné: nahranie validačného súboru
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"Validačné ID: {validation_file.id}")

Súbor prechádza na strane OpenAI fázou spracovania. Počkaj, kým nebude stav processed, pred spustením úlohy: úloha vytvorená na súbore, ktorý sa ešte spracováva, zlyhá a stratíš niekoľko minút hľadaním neexistujúcej príčiny vo svojom JSONL.

Vytvorenie úlohy jemného doladenia

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # voliteľné, ale odporúčané
    model="gpt-5.6-luna",  # alebo "gpt-5.6-luna"
    suffix="my-assistant-v1"  # prípona na identifikáciu tvojho modelu
)

print(f"ID úlohy: {job.id}")
print(f"Stav: {job.status}")
print(f"Základný model: {job.model}")

Parameter suffix sa pripojí k názvu tvojho jemne doladeného modelu: s hodnotou "my-assistant-v1" bude výsledný model pomenovaný ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Zvykni si tam dávať prípad použitia a číslo verzie. V deň, keď budú v tvojom účte koexistovať tri modely, bude to jediná vec, ktorá ti umožní vedieť, ktorý robí čo, bez otvárania konzoly.

Sledovanie priebehu

Úloha prechádza postupne niekoľkými stavmi a metóda retrieve ti kedykoľvek poskytne ten aktuálny.

# Získanie stavu úlohy
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Stav: {job.status}")
# Možné stavy: validating_files, queued, running, succeeded, failed, cancelled

Samotný stav zostáva strohý. Udalosti naopak rozprávajú celý príbeh: validácia súborov, štart, krok za krokom postup, koniec.

# Zobrazenie udalostí úlohy
events = client.fine_tuning.jobs.list_events(
    fine_tuning_job_id=job.id,
    limit=20
)

for event in events.data:
    print(f"[{event.created_at}] {event.message}")

Namiesto manuálneho volania retrieve každých päť minút zabaľ čakanie do slučky, ktorá vráti kontrolu hneď, ako úloha dosiahne koncový stav. Všimni si, že tri výstupné prípady sú spracované oddelene: zrušená úloha nie je failed úloha a budeš ich chcieť vo svojich logoch rozlíšiť.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Sleduje úlohu jemného doladenia až do dokončenia."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Stav: {job.status}")

        if job.status == "succeeded":
            print(f"Jemne doladený model: {job.fine_tuned_model}")
            return job

        if job.status == "failed":
            print(f"Zlyhanie: {job.error}")
            return job

        if job.status == "cancelled":
            print("Úloha zrušená.")
            return job

        time.sleep(interval)

# Použitie
final_job = track_job(client, job.id)

Použitie jemne doladeného modelu

Akonáhle sa úloha úspešne dokončí, tvoj model sa volá presne ako štandardný model. Mení sa iba hodnota odovzdaná do parametra model, čo znamená, že prechod na tvoj vlastný model sa v existujúcej aplikácii obmedzuje na úpravu konfiguračnej premennej.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # napr. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Ahoj, mám problém so svojou objednávkou."
)

print(response.output_text)

Správa tvojich úloh

Na spravovanie všetkého stačia dva volania: vypísať, čo existuje, a prerušiť to, čo beží. Zrušenie je užitočné hneď, ako monitoring ukáže, že tréning ide zlým smerom – nemá zmysel platiť za tokeny z úlohy, o ktorej už vieš, že vyprodukuje zlý model.

# Zoznam všetkých tvojich úloh jemného doladenia
jobs = client.fine_tuning.jobs.list(limit=10)
for j in jobs.data:
    print(f"{j.id} | {j.status} | {j.model} | {j.fine_tuned_model}")

# Zrušenie bežiacej úlohy
client.fine_tuning.jobs.cancel(job.id)

Náklady a trvanie

Tréning sa fakturuje podľa počtu spracovaných tokenov. Trvanie naopak závisí od veľkosti tvojich dát a počtu epoch.

Veľkosť dátovej množinyTrvanie tréningu
50 príkladovNiekoľko minút
500 príkladov15 až 30 minút
5 000 príkladov1 až 2 hodiny

Tieto rády veľkosti ti hlavne pomôžu naplánovať tvoj pracovný cyklus: pri niekoľkých minútach na beh iteruješ v rámci tej istej relácie; pri dvoch hodinách plánuješ vopred. Presné ceny sa líšia podľa zvoleného modelu; aktuálne sadzby si over na stránke s cenami OpenAI.

Kľúčové poznatky

  • Pracovný postup je: nahrať súbor, vytvoriť úlohu, počkať, použiť model
  • Pridaj popisný suffix na ľahkú identifikáciu tvojich modelov
  • Vždy používaj validačný súbor na vyhodnotenie kvality
  • Jemne doladený model sa používa cez API presne ako základný model
  • Uchovávaj ID svojich úloh a modelov – budeš ich potrebovať na verziovanie