Przepisy na AI

Fine-tuning modeli AI — jak wytrenować własny model

Chcesz, by AI lepiej rozumiała Twój biznes? Fine-tuning to sposób na własny, custom model AI. Zobacz, jak to zrobić — krok po kroku, z gotowymi promptami.

Czym jest fine-tuning modelu AI?

Fine-tuning to proces dalszego trenowania gotowego modelu AI (np. GPT-3.5, Llama, Mistral) na własnych danych, aby lepiej odpowiadał na specyficzne potrzeby. Zamiast budować model od zera, dopasowujesz istniejący do swojego use case. To daje lepsze rezultaty niż prompt engineering, gdy zależy Ci na spójnych, przewidywalnych odpowiedziach.

Kiedy warto zrobić fine-tuning?

  • Potrzebujesz, by AI mówiła Twoim językiem (np. żargon branżowy, ton, styl)
  • Chcesz, by model znał firmowe procedury lub ofertę
  • Masz powtarzalne zadania, które wymagają specyficznych odpowiedzi
  • Tworzysz własnego asystenta, bota lub narzędzie AI dla klientów

Tip: Jeśli chcesz tylko „trochę” podkręcić AI, zacznij od prompt engineeringu. Fine-tuning ma sens, gdy prompt już nie wystarcza.

Jak przygotować dane do fine-tuningu?

Najczęściej używa się formatu „prompt – completion” (pytanie → odpowiedź). Potrzebujesz kilkuset do kilku tysięcy przykładów. Im lepsza jakość danych, tym lepszy custom model.

Przykładowy plik treningowy (CSV lub JSONL)

{"prompt": "Jakie są godziny otwarcia waszego sklepu?", "completion": "Nasz sklep jest otwarty od poniedziałku do piątku w godzinach 9:00-18:00."}
{"prompt": "Czy macie dostawę do domu?", "completion": "Tak, oferujemy dostawę do domu na terenie całej Polski."}

Możesz zebrać takie pary z:

  • archiwalnych rozmów z klientami
  • FAQ, dokumentacji, bazy wiedzy
  • ręcznie napisanych przykładów

Tip: Unikaj powtarzających się odpowiedzi. Różnicuj styl, by model lepiej generalizował.

Jak uruchomić fine-tuning? Przykłady promptów dla różnych platform

Każda platforma (OpenAI, Google, HuggingFace, Mistral, Llama) ma własny sposób uruchamiania treningu. Poniżej gotowe prompty/skrypty.

Fine-tuning w OpenAI (np. GPT-3.5 Turbo)

Najpierw przygotuj plik treningowy w formacie JSONL. Następnie użyj poniższego polecenia w terminalu:

openai tools fine_tunes.prepare_data -f sciezka/do/twojego_pliku.jsonl
openai api fine_tunes.create -t sciezka/do/twojego_pliku_prepared.jsonl -m gpt-3.5-turbo

To zainicjuje trening custom modelu na twoich danych. Po zakończeniu otrzymasz nazwę modelu, którego możesz używać w promptach:

{
  "model": "ft:gpt-3.5-turbo:twoj-model:2026-06-11"
}

Tip: Dobry plik treningowy to podstawa. Błędy w danych = błędy w modelu!

Fine-tuning modelu Llama 2 (Meta) przez HuggingFace

Tu potrzebujesz GPU (lokalnie lub w chmurze). Użyj narzędzi takich jak PEFT/LoRA i transformers. Przykładowy prompt do uruchomienia treningu:

from transformers import AutoModelForCausalLM, TrainingArguments, Trainer
model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-2-7b-hf")
# Przygotuj swój dataset zgodnie z wymaganiami transformers
trainer = Trainer(
    model=model,
    train_dataset=your_custom_dataset,
    args=TrainingArguments(output_dir="./results", num_train_epochs=3)
)
trainer.train()

Model po treningu możesz zapisać i używać lokalnie lub wdrożyć jako API.

Tip: Na HuggingFace znajdziesz gotowe notebooki do fine-tuningu popularnych modeli.

Fine-tuning na Mistral (np. przez Replicate.com)

Replicate umożliwia prosty fine-tuning przez interfejs webowy lub API. Gotowy prompt do API:

curl -X POST "https://api.replicate.com/v1/trainings" \
  -H "Authorization: Token YOUR_API_TOKEN" \
  -d '{
    "version": "mistralai/Mistral-7B-Instruct-v0.2",
    "input": {
      "train_data": "https://twoje-dane.pl/train.jsonl"
    }
  }'

Po zakończeniu dostaniesz własny custom model, gotowy do użycia przez API.

Jak korzystać z wytrenowanego modelu?

Użycie custom modelu niewiele różni się od pracy z oryginalnym. W OpenAI po prostu podajesz nazwę modelu w API:

{
  "model": "ft:gpt-3.5-turbo:twoj-model:2026-06-11",
  "messages": [{"role": "user", "content": "Jakie są godziny otwarcia?"}]
}
  • W Llama/Mistral — lokalnie lub przez API, tak samo jak z bazowym modelem

Tip: Testuj model na nowych, nieznanych mu wcześniej pytaniach. Zobacz, czy odpowiada zgodnie z oczekiwaniami.

Najczęstsze błędy i jak ich uniknąć

  • Niewystarczająca liczba przykładów — im więcej, tym lepiej. Minimum 200-500 par.
  • Brak różnorodności — model „uczy się na pamięć” i nie radzi sobie z nietypowymi pytaniami.
  • Niejednoznaczne prompty — zawsze pisz precyzyjnie, jasno.
  • Brak testów — sprawdzaj model na realnych, trudnych przypadkach.

Tip: Używaj chain of thought (czyli „pokaż krok po kroku jak myślisz”) w przykładach, jeśli chcesz by model wyjaśniał swoje odpowiedzi.

Podsumowanie

Fine-tuning to narzędzie, które pozwala Ci stworzyć custom model AI idealnie dopasowany do Twoich potrzeb. Wystarczy dobrze przygotowany zestaw danych i kilka komend. Efekt? Większa kontrola nad tym, jak AI odpowiada — i przewaga nad konkurencją.

Masz pytania? Zajrzyj na kwestiaprompta.pl — znajdziesz tam więcej przepisów na prompty i automatyzacje AI!

Automatyzacje