Fine-Tuning
Ein bestehendes Foundation Model mit eigenen Daten weiter-trainieren, um es spezialisierter zu machen. Aufwändig, meist nicht nötig, RAG reicht in 80 % der Fälle.
Fine-Tuning passt das interne Verhalten eines Foundation Models an, indem zusätzliche Trainings-Beispiele durchlaufen werden. Das Modell lernt den eigenen Stil, Tonfall, Domänenwissen, Output-Format.
Wann sinnvoll?
(1) Konsistenter Output-Stil ist kritisch (juristische Sprache). (2) Sehr spezifisches Vokabular, das im Basismodell unterrepräsentiert ist (interne Produktnamen). (3) Datenschutz: Inference muss komplett offline laufen.
Wann RAG bevorzugen?
(1) Daten ändern sich häufig. (2) Quellenangaben sind Pflicht. (3) Budget knapp (Fine-Tuning ist 10-100x teurer als RAG-Setup). (4) Schnelle Iteration nötig.
Beispiele aus der Praxis
Beispiel Fine-Tuning sinnvoll: Ein Versicherer trainiert ein Modell auf 50.000 historische Schadensregulierungs-Mails, der Ton wird konsistent, die Bearbeitung schneller.
Beispiel Fine-Tuning unnötig: Eine Kanzlei will, dass das Modell aktuelle Gesetze kennt → RAG mit täglich aktualisierter Gesetzes-DB ist besser.
:quality(85))
Solche Begriffe sicher anwenden — im IHK-Lehrgang
„Fine-Tuning" ist einer von 9 Schlüsselbegriffen, die wir im Manager-Lehrgang in praxisnahen Modulen vertiefen. Hol dir das offizielle IHK-Zertifikat.
Kostenlos testenthekey.academy ist eine deutsche Online-Lernplattform für IHK-zertifizierte berufliche Weiterbildung — 25 Lehrgänge zu KI, Führung, Resilienz, Marketing und HR. 100 % online, self-paced, mit IHK-Zertifikat.