Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Priprava učnih podatkov

Lekcija 2 od 16 Posodobljeno 2. november 2026 Napredni
Na tej strani
  1. Pomen podatkov
  2. Viri podatkov
  3. Koliko podatkov potrebujete?
  4. Strukturiranje vaših primerov
  5. Najboljše prakse pri pripravi
  6. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Razpoložljivost prilagajanja. Samostojno prilagajanje (fine-tuning) podjetja OpenAI se postopoma ukinja: od 7. maja 2026 organizacije, ki ga še niso uporabljale, ne morejo več ustvarjati opravil; od 2. julija morate prilagojen model uporabiti v zadnjih 60 dneh; in od 6. januarja 2027 noben uporabnik ne bo mogel zagnati novih opravil. Že usposobljeni modeli ostanejo uporabni, dokler se njihov osnovni model ne umakne. Ta tečaj je še vedno koristen za razumevanje in izkoriščanje obstoječega modela; za nove projekte dajte prednost inženiringu pozivov (prompt engineering), arhitekturi RAG in evalvacijam.

Pomen podatkov

Kakovost vašega prilagojenega modela je neposredno odvisna od kakovosti vaših učnih podatkov. Model, usposobljen na slabih podatkih, bo proizvajal slabe rezultate, ne glede na število epoh ali izbrane hiperparametre: usposabljanje ne popravi korpusa, ampak ga ojača. Zato ta lekcija prihaja pred kakršnimi koli tehničnimi premisleki o API-ju.

Sledili bomo realni poti nabora podatkov: kje jih poiskati, kako dopolniti manjkajoče, na kakšen obseg ciljati in kako strukturirati vsak primer, preden ga v naslednji lekciji oblikujemo kot JSONL.

Viri podatkov

Prvi vir, ki ga raziščite, je vaša lastna zgodovina, in ta je skoraj vedno podcenjen. Če že upravljate klepetalnega robota ali pomočnika, vaši dnevniki pogovorov vsebujejo resnične interakcije z besediščem vaših uporabnikov in nerodnimi formulacijami – gradivo, ki je veliko uporabnejše od vprašanj, izmišljenih na sestanku. Vaše vstopnice za podporo ponujajo enako bogastvo, z dodatno prednostjo potrjenih rešitev na koncu izmenjave. Vaši interni dokumenti – slogovni priročniki, postopki, predloge odgovorov – vam dajejo pričakovano obliko odgovorov, če ne tudi vprašanj. Končno so vaše človeške evalvacije, kar pomeni odgovore, ki jih je vaša ekipa potrdila ali popravila, najbolj dragoceni primeri med vsemi, saj že nosijo sodbo o kakovosti.

Ko ti viri ne zadoščajo, lahko ustvarite sintetične podatke za pokrivanje manjkajočih primerov:

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

Opozorilo: Sintetične podatke mora preveriti človek. Ne uporabljajte jih slepo – generator, ki zgreši poslovno nianso, bo z enako samozavestjo proizvedel petdeset napačnih primerov kot petdeset pravilnih.

Koliko podatkov potrebujete?

50
Najmanjši izvedljivi obseg
100-500
Zanesljivi rezultati
500+
Visoka kakovost
80/20
Usposabljanje / Validacija

OpenAI priporoča minimum 10 primerov, v praksi pa je 50 absolutni minimum za opazovanje razlike. Med 100 in 500 primeri boste dobili zanesljive rezultate. Poleg tega prihaja dobiček manj iz obsega kot iz raznolikosti: tisoč preoblikovanj istega vprašanja modela ne nauči ničesar več kot petdeset dobro izbranih.

Strukturiranje vaših primerov

Vsak primer mora predstavljati popolno interakcijo, kar pomeni vse, kar bo model videl v proizvodnem okolju, plus odgovor, ki ga pričakujete. Sistemsko sporočilo je opcijsko: določa vlogo in omejitve pomočnika, in če se odločite za njegovo uporabo, se mora pojaviti v vseh vaših primerih. Uporabniško sporočilo vsebuje zahtevo, kot dejansko prispe, s svojimi nepopolnostmi. Sporočilo pomočnika je končno idealen odgovor – ne sprejemljiv, ampak tisti, ki bi vas osrečil, če bi ga videli postreženega stranki.

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."
        }
    ]
}

Najboljše prakse pri pripravi

Raznolikost zahteva nameren napor. Pokrijte vse primere uporabe, ki jih ciljate, vključite robne primere in dvoumna vprašanja, spreminjajte dolžino vprašanj in odgovorov ter predstavite različne ravni težavnosti. Korpus, sestavljen samo iz lahkih vprašanj, proizvede model, ki začne jecljati ob prvi zapleteni zahtevi.

Doslednost je nasprotna omejitev in enako pomembna. Vsi odgovori morajo slediti istemu slogu in formatu; če uporabljate sistemsko sporočilo, ga uporabite v vsakem primeru; odgovori morajo biti tisti, ki jih dejansko pričakujete v proizvodnem okolju, ne pa polirane različice, ustvarjene za to priložnost. Model se bo naučil povprečja tega, kar mu pokažete, vključno z oklevanji.

Na koncu je tu še razdelitev na učni in validacijski nabor. Odstranitev 20 % primerov pred usposabljanjem vam bo kasneje omogočila, da ugotovite, ali se je model naučil ali le pomnil. Naredite to enkrat, shranite obe datoteki in jih nikoli več ne mešajte.

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")

Ključne ugotovitve

  • Kakovost pred količino – 100 odličnih primerov je boljših od 1.000 povprečnih
  • Ročno preverite svoje sintetične podatke
  • Vedno si pridržite validacijski nabor (20 %) za objektivno evalvacijo
  • Zagotovite doslednost sloga in formata v vseh vaših primerih