Preskok na glavno vsebino
Slovenščina— Izberite jezik
Meni

Zagon prilagajanja prek API-ja

Lekcija 5 od 16 Posodobljeno 2. november 2026 Napredni
Na tej strani
  1. Pregled postopka
  2. Namestitev in konfiguracija SDK-ja
  3. Nalaganje datotek
  4. Ustvarjanje opravila prilagajanja
  5. Sledenje napredku
  6. Uporaba prilagojenega modela
  7. Upravljanje opravil
  8. Stroški in trajanje
  9. Ključne ugotovitve

Posodobitev 2. novembra 2026 — Razpoložljivost prilagajanja. Samostojno prilagajanje (fine-tuning) podjetja OpenAI se postopoma ukinja: od 7. maja 2026 organizacije, ki še niso zagnale opravila prilagajanja, tega ne morejo več ustvariti; 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), RAG in evalvacijam.

Pregled postopka

Vaši podatki so pripravljeni, preverjeni in razdeljeni na nabor za usposabljanje in nabor za validacijo. Dejanski korak usposabljanja se skrči na tri poteze: naložite datoteko s podatki, ustvarite opravilo prilagajanja in nato počakajte, da se usposabljanje zaključi. Vse poteka prek uradnega Python SDK-ja in videli boste, da koda obsega približno trideset vrstic – večina dela je bila opravljena v predhodnih fazah.

Namestitev in konfiguracija SDK-ja

Odjemalec se inicializira brez argumentov: samodejno prebere spremenljivko okolja OPENAI_API_KEY.

# Namestitev
# pip install openai

from openai import OpenAI

# Odjemalec samodejno uporabi spremenljivko okolja OPENAI_API_KEY
client = OpenAI()

Pred zagonom skripte se prepričajte, da je ta spremenljivka nastavljena, sicer bo inicializacija ob prvem zahtevku spodletela. V produkcijskem okolju ključa nikoli ne vgrajujte neposredno v kodo: ključ, zapisan kot navadno besedilo, konča v zgodovini Git-a, njegovo naknadno odstranjevanje pa je veliko dražje kot branje iz okolja že od prvega dne.

Nalaganje datotek

Pri nalaganju uporabite purpose="fine-tune", kar OpenAI sporoči, da je datoteka namenjena usposabljanju, in sproži ustrezna preverjanja formata. Datoteko za validacijo naložite takoj: tehnično je izbirna, a brez nje usposabljanje teče na slepo, saj med izvajanjem opravila nobena izguba pri validaciji ne bo signalizirala prekomernega prilagajanja (overfitting).

# Naloži datoteko za usposabljanje
training_file = client.files.create(
    file=open("training_data.jsonl", "rb"),
    purpose="fine-tune"
)

print(f"ID datoteke: {training_file.id}")
print(f"Stanje: {training_file.status}")

# Izbirno: naloži datoteko za validacijo
validation_file = client.files.create(
    file=open("validation_data.jsonl", "rb"),
    purpose="fine-tune"
)

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

Datoteka pri OpenAI preide skozi fazo obdelave. Pred zagonom opravila počakajte, da stanje postane processed: opravilo, ustvarjeno na datoteki, ki se še obdeluje, bo spodletelo, izgubili pa boste nekaj minut pri iskanju neobstoječega vzroka v svoji datoteki JSONL.

Ustvarjanje opravila prilagajanja

job = client.fine_tuning.jobs.create(
    training_file=training_file.id,
    validation_file=validation_file.id,  # izbirno, a priporočljivo
    model="gpt-5.6-luna",  # ali "gpt-5.6-luna"
    suffix="my-assistant-v1"  # pripona za identifikacijo vašega modela
)

print(f"ID opravila: {job.id}")
print(f"Stanje: {job.status}")
print(f"Osnovni model: {job.model}")

Parameter suffix se pripne imenu vašega prilagojenega modela: z "my-assistant-v1" bo nastali model poimenovan ft:gpt-5.6-luna:your-org::my-assistant-v1:xxxxxxxx. Navadite se, da tja vpišete primer uporabe in številko različice. Ko bodo v vašem računu sobivali trije modeli, bo to edini način, da brez odpiranja konzole veste, kateri kaj počne.

Sledenje napredku

Opravilo zaporedoma preide skozi več stanj, metoda retrieve pa vam kadarkoli vrne trenutno stanje.

# Pridobi stanje opravila
job = client.fine_tuning.jobs.retrieve(job.id)
print(f"Stanje: {job.status}")
# Možna stanja: validating_files, queued, running, succeeded, failed, cancelled

Samo stanje je jedrnato. Dogodki (events) pa povedo celotno zgodbo: validacija datotek, zagon, napredek korak za korakom in konec.

# Ogled dogodkov opravila
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}")

Namesto ročnega klicanja retrieve vsakih pet minut ovijte čakanje v zanko, ki prevzame nadzor takoj, ko opravilo doseže končno stanje. Upoštevajte, da so trije izhodni primeri obravnavani ločeno: preklicano opravilo ni enako neuspešnemu opravilu in v dnevnikih jih boste želeli razlikovati.

import time

def track_job(client: OpenAI, job_id: str, interval: int = 30):
    """Sledi opravilu prilagajanja do zaključka."""
    while True:
        job = client.fine_tuning.jobs.retrieve(job_id)
        print(f"Stanje: {job.status}")

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

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

        if job.status == "cancelled":
            print("Opravilo preklicano.")
            return job

        time.sleep(interval)

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

Uporaba prilagojenega modela

Ko se opravilo uspešno zaključi, svoj model pokličete popolnoma enako kot standardni model. Spremeni se le vrednost, podana parametru model, kar pomeni, da je preklop na vaš prilagojeni model v obstoječi aplikaciji zgolj sprememba konfiguracijske spremenljivke.

response = client.responses.create(
    model=final_job.fine_tuned_model,  # npr. "ft:gpt-5.6-luna:org::suffix:xxxxxxxx"
    input="Pozdravljeni, imam težavo s svojim naročilom."
)

print(response.output_text)

Upravljanje opravil

Za upravljanje vsega sta dovolj dva klica: izpis obstoječih opravil in prekinitev tistih, ki tečejo. Preklic je koristen takoj, ko nadzor pokaže, da usposabljanje drsi v napačno smer – ni smisla plačevati žetonov za opravilo, za katerega že veste, da bo proizvedlo slab model.

# Izpiši vsa svoja opravila prilagajanja
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}")

# Prekliči tekoče opravilo
client.fine_tuning.jobs.cancel(job.id)

Stroški in trajanje

Usposabljanje se zaračuna glede na število obdelanih žetonov. Trajanje pa je odvisno od velikosti vaših podatkov in števila epoh.

Velikost nabora podatkovTrajanje usposabljanja
50 primerovNekaj minut
500 primerov15 do 30 minut
5.000 primerov1 do 2 uri

Ti redi velikosti vam pomagajo predvsem pri načrtovanju delovnega cikla: pri nekaj minutah na zagon iterirate v isti seji; pri dveh urah pa načrtujete vnaprej. Točne cene se razlikujejo glede na izbrani model; trenutne tarife preverite na strani s cenikom podjetja OpenAI.

Ključne ugotovitve

  • Delovni tok je: naloži datoteko, ustvari opravilo, počakaj, uporabi model
  • Dodajte opisno suffix, da boste modele zlahka identificirali
  • Vedno uporabite datoteko za validacijo za oceno kakovosti
  • Prilagojeni model se prek API-ja uporablja popolnoma enako kot osnovni model
  • Hranite ID-je opravil in modelov – potrebovali jih boste za nadzor različic