今天我們就來整理資料吧！

打開我們昨天寫好的工具，使用指令 poetry shell 進到虛擬環境裡面，然後讓那個 Python 檔給跑起來。就會看到如下圖的 UI 了。

我們可以在這個 UI 裡，手動填入資料，這裡我們給的 System Prompt 是：「你是一個電子元件設計專家，能夠幫助用戶了解各種電子元件，包括其規格、應用和設計建議。」

你可以針對不同的使用情境，來設定不同的 System Prompt。一般來說都會要函蓋每個可能的情境問題。所以建議從既有的客服系統的紀錄裡面找出來問題來進一步設計。

接著 User Prompt 我們就放使用者可能會提問的問題，例如說：「什麼是數位轉類比轉換器（DAC）的解析度？」

在該問題的答案裡，也就是 assistant prompt，就把該問題的答案給放上去。這裡我放上：「DAC的解析度指的是其輸出類比信號的細膩程度，通常以位數表示。解析度越高，輸出信號越精細。我推薦使用 DACPro DP6000，具備24位高解析度，適合高精度音頻和控制應用。」

值得注意一點是，我們在答案裡不只放上了針對問題的回答，同時還放上了推薦的產品的名稱，讓使用者在問問題時，同時可以推薦產品。這就是 Fine Tune 很重要的意義，輸出你要的格式，以及自定義語氣等。可以參考前幾天我們在討論 Fine Tune Chat completion 的場景。

最後，我們再點選 Export to JSONL ，就可以把 JOSNL 下載下來了！

那麼為什麼不用 ChatGPT 產生假資料就好了呢？

也是可以用 ChatGPT 來產生假資料，不過這系列的文章是希望提供讀者更能貼近企業在 AI 落地的應用場景。實際上你在企業端導入生成式 AI 時，你要取得 Fine Tune 的資料，就要用類似的手法來準備好資料。

當然如果你已經有大量的已經格式化好的問答實例和紀錄的話（例如說資料庫裡），那麼就可以用這類的資料，來寫一個 Data Pineline ，轉換成 Fine Tune 時所需要的格式。

到此為止，資料都已經準備好了，那麼明天我們就正式在 Azure Machine Learning 上 Fine Tune Llama 3.1 吧！