Datos sintéticos

Arranca un set de entrenamiento con un modelo. Describe la tarea y recibe varios ejemplos JSONL diversos y correctamente formateados que revisarías y expandirías. Los datos sintéticos no le van a ganar a los datos reales, pero sí sacan un dataset del suelo.

README Pruébalo Código

Showcase — Datos sintéticos

Córrelo

bash bootstrap-secrets.sh              # reads ../../../../.env, writes secrets/
docker compose up --build              # default: PROVIDER=openai

Abre http://localhost:3000. Gemini: PROVIDER=gemini docker compose up --build.

Qué hay aquí

backend/ai_openai.py / backend/ai_gemini.py — generan ejemplos JSONL para una spec de tarea.
frontend/app/page.tsx — descripción de la tarea a la entrada, ejemplos JSONL a la salida.

Detenlo

docker compose down

Ejecútalo en tu máquina

Descarga el proyecto como ZIP y córrelo con Docker. Levanta un backend FastAPI y un frontend Next.js en localhost:3000.

Descargar synthetic-data.zip

unzip synthetic-data.zip
cd synthetic-data
bash bootstrap-secrets.sh   # one-time: pulls API keys into ./secrets
docker compose up --build   # default provider: openai
# or:  PROVIDER=gemini docker compose up --build

Escribe algo, elige un proveedor y ejecuta el mismo código de Código contra la API real. Requiere iniciar sesión.

Entrada

Proveedor

Output

Los mismos módulos que ejecuta el botón Run. El proyecto completo (frontend, Dockerfile, compose) está en el ZIP, pestaña README.

`backend/ai_openai.py`

"""Showcase 3 (OpenAI): generate training data with a model.

The chicken-and-egg of fine-tuning: you need hundreds of examples and you have a
handful. A capable model can bootstrap them. Describe the task and get several
diverse, correctly-formatted JSONL training examples you'd review and then
expand. Synthetic data won't beat real data, but it gets a dataset off the ground.
"""
from openai import OpenAI

_client = OpenAI()

_MODEL = "gpt-5.4-nano"

_PROMPT = (
    "Generate 5 diverse fine-tuning examples for the task the user describes. "
    "Output JSONL, one object per line, each: "
    '{"messages": [{"role": "user", "content": "..."}, {"role": "assistant", "content": "..."}]}. '
    "Vary the inputs realistically. Output ONLY the JSONL, no prose."
)


def run(spec: str) -> str:
    s = spec.strip()
    if not s:
        return "Describe the task you want training data for (e.g. 'classify support tickets by urgency')."
    response = _client.responses.create(model=_MODEL, instructions=_PROMPT, input=[{"role": "user", "content": s}])
    return response.output_text

`backend/ai_gemini.py`

"""Showcase 3 (Gemini): generate training data with a model.

Same synthetic-example generation, on Gemini.
"""
import os

from google import genai
from google.genai import types

_client = genai.Client(api_key=os.environ["GEMINI_API_KEY"])

_MODEL = "gemini-3.1-flash-lite"

_PROMPT = (
    "Generate 5 diverse fine-tuning examples for the task the user describes. "
    "Output JSONL, one object per line, each: "
    '{"text_input": "...", "output": "..."}. '
    "Vary the inputs realistically. Output ONLY the JSONL, no prose."
)


def run(spec: str) -> str:
    s = spec.strip()
    if not s:
        return "Describe the task you want training data for (e.g. 'classify support tickets by urgency')."
    response = _client.models.generate_content(
        model=_MODEL,
        contents=[types.Content(role="user", parts=[types.Part(text=s)])],
        config=types.GenerateContentConfig(system_instruction=_PROMPT),
    )
    return response.text or ""