Definition
Teilweises Nachtrainieren eines KI-Modells mit spezifischen Daten, um es auf ein Fachgebiet, eine Tonalität oder eine Aufgabe zu spezialisieren.
Beim Fine-Tuning wird das Training eines bestehenden Modells mit einem gezielten Korpus fortgesetzt (interne Rechtsprechung, Kundensupport-Historie, technische Dokumentation), um seine Leistung in genau diesem Fachgebiet zu verbessern.
Für die meisten geschäftlichen Anwendungen reicht RAG aus und ist einfacher zu pflegen (das Wissen wird durch Neuindexierung der Dokumente aktualisiert, ohne erneutes Training). Fine-Tuning bleibt sinnvoll, um ein lokales Open-Source-Modell auf ein Fachvokabular oder ein stark vorgegebenes Ausgabeformat zu spezialisieren.
Eine Anwaltskanzlei trainiert ein Modell mit 2000 ihrer eigenen Schreiben nach, damit es Stil und Wortschatz der Kanzlei übernimmt. Anschließend verfasst das Modell erste Entwürfe, die sich lesen, als stammten sie aus der Kanzlei selbst.
Wenn Sie einen sehr spezifischen und gleichbleibenden Ton, ein bestimmtes Format oder Vokabular benötigen. Um der KI Zugriff auf Ihre Dokumente zu geben, ist RAG fast immer einfacher, günstiger und leichter aktuell zu halten.
Muss ich ein Modell per Fine-Tuning anpassen, damit es mein Unternehmen kennt?
Selten. In den meisten Fällen genügt es, das Modell mit Ihren Dokumenten zu verbinden (RAG), was ein erneutes Training bei jeder Änderung erspart. Fine-Tuning lohnt sich für den Stil oder für stark repetitive Aufgaben.
Alle KI-Modelle, auf Ihrer Infrastruktur bereitgestellt, mit Ihren Dokumenten verbunden.