Підготовка датасету

Чек-лист якості даних для навчання/файнтюнінгу

Готовність датасету: 0%

Задача сформульована: що модель має навчитися робити
Дані зібрані з дозволених джерел (право на використання)
Персональні дані видалені або анонімізовані
Формат уніфіковано: однакова структура прикладів
Дублікати і сміття видалені (дедуплікація)
Баланс класів: немає категорії <10% без потреби
Валідаційна вибірка відділена (10–20%)
Задокументовано походження і обмеження датасету

Прикладів у датасеті

Оцінка обсягу: Достатньо для файнтюнінгу

Для файнтюнінгу інструкційних моделей достатньо 200–2000 якісних прикладів — якість важливіша за кількість. Приклад має містити: інструкцію/контекст → бажану відповідь у вашому стилі. Золоте правило: 100 ідеальних прикладів краще за 10 000 сирих.