Fine-Tuning, im AI-Kontext.
Fine-Tuning trainiert ein fertiges Sprachmodell mit eigenen Beispielen nach, damit es Format, Ton oder Einordnung zuverlässig so trifft wie gewünscht.
Fine-Tuning ist das Nachtrainieren eines bereits fertigen Sprachmodells mit eigenen Beispielpaaren aus Eingabe und gewünschter Ausgabe. Es verändert das Modellverhalten dauerhaft und eignet sich für Format, Tonalität, Klassifikation und wiederkehrende Aufgaben in hoher Stückzahl. Für aktuelles Fachwissen ist es der falsche Hebel, denn Wissen veraltet und müsste jedes Mal neu eintrainiert werden. Dafür ist RAG gemacht. Der Aufwand liegt in den Daten: mehrere hundert saubere, geprüfte Beispiele sind der Normalfall, dazu ein Testsatz, an dem sich der Gewinn messen lässt. Beim Modellwechsel beginnt die Übung von vorn.
Beispiele aus dem Mittelstand
- Ein Versicherungsmakler trainiert ein Modell auf hunderte freigegebene Schadenmeldungen nach, damit Zusammenfassungen immer derselben Struktur folgen.
- Ein Onlinehändler klassifiziert Support-Tickets mit einem nachtrainierten kleinen Modell statt mit einem teuren Universalmodell.
Folge-Fragen
Fine-Tuning oder RAG?
RAG für Wissen, das sich ändert. Fine-Tuning für Verhalten, das gleich bleiben soll. Beides zusammen ist möglich und in der Praxis häufig.
Wie viele Beispiele brauche ich?
Anbieter nennen Untergrenzen im niedrigen dreistelligen Bereich. Entscheidend ist die Qualität: wenige saubere Beispiele schlagen viele widersprüchliche.
Lohnt sich das für einen Mittelständler?
Meist erst, wenn dieselbe Aufgabe in hoher Stückzahl anfällt oder ein kleineres, günstigeres Modell ein großes ersetzen soll. Für Einzelfälle reicht ein guter Prompt.
Was passiert bei einem Modellwechsel?
Das Fine-Tuning hängt am jeweiligen Basismodell. Wird es abgelöst, muss mit den vorhandenen Daten neu trainiert und neu getestet werden.
Fine-Tuning in der Praxis.
Wo dieser Begriff in deinem Geschäft konkret wird, beginnt die Arbeit. Wir nennen klar, ob die Idee in unser Studio passt.
Künstliche Intelligenz