الانتقال إلى المحتوى الرئيسي
فصول دليل التدريب جميع الوثائق

جهّز بيانات تدريب موثوقة

أعد ملفات JSONL محلية للتدريب والتقييم مع تقسيمات واضحة والتحقق وضوابط الخصوصية.

تبقى الأوامر والشفرة بالإنجليزية في جميع اللغات. استبدل العناصر النائبة المكتوبة بالأحرف الكبيرة بقيم من حسابك والمهمة المدفوعة؛ ولا تضع مفاتيح حقيقية في دفاتر ملاحظات أو سجلات مشتركة.

افصل بيانات التدريب عن التقييم

للتدريب نصوص محلية، وللتقييم ملفات منفصلة بصفوف prompt وtarget.
  1. المصادر نصوص تدريب معتمدة
  2. الجودة تحقق وراجع وأزل التكرار
  3. التدريب أمثلة لتحديث الأوزان
  4. التحقق وجّه التحسين دون تلقين الإجابات
  5. الاختبار النهائي قبول محلي ببيانات محجوبة

المصادر: نصوص تدريب معتمدة. الجودة: تحقق وراجع وأزل التكرار. التدريب: أمثلة لتحديث الأوزان. التحقق: وجّه التحسين دون تلقين الإجابات. الاختبار النهائي: قبول محلي ببيانات محجوبة

جهّز مجموعات بيانات JSONL محلية

تحتوي مصادر التدريب على كائنات JSONL بحقل text. أما صفوف تقييم JSONL فتحتوي على prompt وtarget وcriterion ويجري تقييمها محليًا. أبقِ ملفات التحقق والاختبار النهائي منفصلة عن التدريب وطلبات المعلّم. يتحقق إعداد البيانات من الصفوف، ويزيل التكرار عند ضبطه، ويسجل البصمات والصفوف المستبعدة.

  • ضع كائن JSON واحدًا في كل سطر واستخدم UTF-8.
  • لا تضع إجابات التحقق أو الاختبار النهائي في نص التدريب.
  • لا تتضمن طلبات المعلّم إلا أمثلة تدريب معتمدة صراحةً.
مثال · python
from fusionpointai_training.client import DatasetManifest

# Continue with an authenticated client and an owned session.
ready = client.prepare_session(session["id"])
for item in ready["datasets"]:
    manifest = DatasetManifest(
        split=item["split"], sha256=item["sha256"],
        bytes=item["bytes"], rows=item["rows"],
    )
    rows = client.download_dataset(ready["id"], manifest)
    print(manifest.split, len(rows), manifest.sha256)
    # Each row has a text field. Do not log private training content.
مثال · python
import os
from fusionpointai_training import TrainingClient

client = TrainingClient(api_key=os.environ["FUSIONPOINTAI_API_KEY"])
session = client.get_session(os.environ["FUSIONPOINTAI_SESSION_ID"])
for manifest in session["datasets"]:
    print(
        manifest["split"],
        "rows:", manifest["rows"],
        "bytes:", manifest["bytes"],
        "sha256:", manifest["sha256"],
    )
# These are server-provided manifest values, not a local integrity pass.
مثال · python
import hashlib
from pathlib import Path

dataset_path = Path("train.jsonl")
expected_bytes = int(input("Manifest bytes: "))
expected_rows = int(input("Manifest rows: "))
expected_sha256 = input("Manifest SHA-256: ").strip()
body = dataset_path.read_bytes()
actual_sha256 = hashlib.sha256(body).hexdigest()
actual_rows = sum(1 for line in body.splitlines() if line)
print("Byte count matches:", len(body) == expected_bytes)
print("Row count matches:", actual_rows == expected_rows)
print("SHA-256 matches:", actual_sha256 == expected_sha256)
# Use values copied from the session manifest; do not log dataset contents.

امنع تسرّب البيانات واحمِ البيانات الحساسة

أبقِ بيانات القبول النهائي خارج التدريب. احذف البيانات الشخصية الحساسة عند الحاجة، وتأكد من حقوق الاستخدام، وراجع الأمثلة المنشأة للأخطاء أو الأنماط الضارة. يساعد حذف التكرار المضبوط وبصمات الملفات في اكتشاف التداخل وحفظ سلامة البيانات؛ لكنهما لا يثبتان صحتها ولا يحلان محل مراجعة الخصوصية.

  • تثبت بصمة الملف سلامته، لا صحة محتواه أو جودة مجموعة البيانات.
  • لا تستخدم سجلات عملاء حقيقية في أمثلة دفاتر الملاحظات المشتركة.
  • سجّل المصدر والإذن والموضوع وسجل التحويل لضمان إمكانية إعادة النتائج.

افصل التقسيمات وحدد ما يُشارك مع المعلّم

يتحقق المشروع من ملفات التدريب والتقييم المحلية، ويطبق إزالة التكرار المضبوطة، ويسجل بصمات البيانات، ويُبقي الاختبار النهائي خارج التحسين. عند ضبط teacher_sharing على approved_only لا يُرسل إلى المعلّم المصرح به إلا نص التدريب المعتمد؛ وعند ضبطه على none تبقى أمثلة العميل محلية.

  • تُحفظ أمثلة المعلّم الاصطناعية كنص تدريب، لا كإجابات تقييم.
  • يجب أن يطابق مسار الاختبار النهائي rubric.final_test.path.
  • تُدرج إصدارات البيانات وبصماتها في سجل مصدر التشغيل.