Förbered din träningsdata
På denna sida
Uppdatering 2 november 2026 — Tillgänglighet för finjustering. OpenAIs självbetjäningstjänst för finjustering avvecklas: sedan den 7 maj 2026 kan organisationer som aldrig har använt tjänsten inte längre skapa jobb; sedan den 2 juli måste du ha använt en finjusterad modell under de senaste 60 dagarna; och från och med den 6 januari 2027 kommer ingen kund att kunna starta nya jobb. Redan tränade modeller förblir användbara tills deras basmodell tas ur bruk. Denna kurs är fortfarande värdefull för att förstå och utnyttja en befintlig modell; för nya projekt bör du prioritera prompt engineering, RAG och utvärderingar.
Vikten av data
Kvaliteten på din finjusterade modell beror direkt på kvaliteten på din träningsdata. En modell som tränas på dålig data kommer att ge dåliga resultat, oavsett hur många epoch eller vilka hyperparametrar du väljer: träning fixar inte en textmassa, den förstärker den. Det är därför denna lektion kommer före alla tekniska överväganden kring API:t.
Vi kommer att följa den verkliga vägen för en dataset: var du hittar den, hur du fyller i det som saknas, vilken volym du ska sikta på och hur du strukturerar varje exempel innan du formaterar det som JSONL i nästa lektion.
Datakällor
Den första källan du bör utforska är din egen historik, och den underskattas nästan alltid. Om du redan driver en chattbot eller assistent innehåller dina konversationsloggar verkliga interaktioner, med dina användares ordval och klumpiga formuleringar – material som är långt mer användbart än frågor som hittas på under ett möte. Dina supportärenden erbjuder samma rikedom, med bonusen av validerade lösningar i slutet av utbytet. Dina interna dokument – stilguider, procedurer, svars mallar – ger dig den förväntade formen för svar, om inte frågorna. Slutligen är dina mänskliga utvärderingar, det vill säga svar som dina team har validerat eller korrigerat, de mest värdefulla exemplen av alla, eftersom de redan bär med sig en kvalitetsbedömning.
När dessa källor inte räcker till kan du generera syntetisk data för att täcka saknade fall:
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
Varning: Syntetisk data måste verifieras av en människa. Använd den inte blindt – en generator som missar en affärsmässig nyans kommer att producera femtio falska exempel med samma självförtroende som femtio korrekta.
Hur mycket data behöver du?
OpenAI rekommenderar minst 10 exempel, men i praktiken är 50 det absoluta minimum för att observera en skillnad. Mellan 100 och 500 exempel får du tillförlitliga resultat. Därefter kommer vinsten mindre från volym än från mångfald: tusen omformuleringar av samma fråga lär modellen ingenting mer än femtio välvalda.
Strukturera dina exempel
Varje exempel måste representera en komplett interaktion, det vill säga allt som modellen kommer att se i produktion plus det svar du förväntar dig. Systemmeddelandet är valfritt: det definierar assistentens roll och begränsningar, och om du bestämmer dig för att använda det måste det förekomma i alla dina exempel. Användarmeddelandet innehåller begäran så som den faktiskt anländer, med sina brister. Assistentmeddelandet, slutligen, är det ideala svaret – inte ett acceptabelt, utan det du skulle vara glad att se levereras till en kund.
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."
}
]
}
Bästa praxis för förberedelser
Mångfald kräver medveten ansträngning. Täck alla användningsfall du riktar dig till, inkludera extremfall och tvetydiga frågor, variera längden på frågor och svar, och representera olika svårighetsgrader. En textmassa som bara består av enkla frågor producerar en modell som stammar vid den första krångliga begäran.
Konsistens är den motsatta begränsningen, och lika viktig. Alla svar måste följa samma stil och format; om du använder ett systemmeddelande, använd det i varje exempel; och svaren måste vara vad du faktiskt förväntar dig i produktion, inte polerade versioner skapade för tillfället. Modellen kommer att lära sig genomsnittet av det du visar den, inklusive tvekan.
Slutligen finns uppdelningen mellan träning och validering. Att lägga undan 20 % av exemplen före träning är vad som senare kommer att låta dig veta om din modell har lärt sig eller bara memorerat. Gör det en gång, spara de två filerna och blanda inte ihop dem igen.
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")
Viktiga punkter
- Kvalitet framför kvantitet – 100 utmärkta exempel är bättre än 1 000 mediokra
- Verifiera din syntetiska data manuellt
- Lägg alltid undan en valideringsuppsättning (20 %) för att utvärdera objektivt
- Säkerställ konsistens i stil och format över alla dina exempel