Glossar

Feinabstimmung (Fine-Tuning)

Was ist Feinabstimmung (Fine-Tuning)?

Feinabstimmung (Fine-Tuning) bedeutet, ein bereits vortrainiertes KI-Modell mit zusätzlichen, meist aufgabenspezifischen Daten weiterzutrainieren. Dabei werden die internen Gewichte angepasst, damit das Modell etwa einen bestimmten Schreibstil, ein Fachvokabular oder ein Ausgabeformat zuverlässiger beherrscht. Fine-Tuning erfordert sorgfältig aufbereitete Beispieldaten, Rechenleistung und Tests. Für viele Anwendungen reichen gut formulierte Anweisungen und angebundenes Wissen aus, die sich leichter ändern lassen.

So hilft KI.ordo

KI.ordo trainiert keine Modelle nach, sondern passt Agenten über Anweisungen und Ihr eigenes Wissen an – Änderungen wirken dadurch sofort.

Mehr erfahren →

Themen

Modelltraining
Anpassung
Sprachmodelle

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Parameter-Efficient Fine-Tuning (PEFT)

Parameter-Efficient Fine-Tuning (PEFT) fasst Verfahren zusammen, die ein großes vortrainiertes Modell an eine Aufgabe anpassen, indem nur ein kleiner Teil der Parameter trainiert oder wenige zusätzliche Parameter ergänzt werden. Bekannte Methoden sind LoRA, QLoRA, Adapter und Prefix-Tuning. Das senkt Rechen- und Speicherbedarf erheblich, und für mehrere Aufgaben lassen sich kleine Zusatzmodule statt vollständiger Modellkopien speichern. Beispiel: Ein Sprachmodell wird auf den Stil interner Fachtexte abgestimmt.

Feinabstimmung
Training
+1

Instruction Tuning

Instruction Tuning ist eine Form der Feinabstimmung, bei der ein vortrainiertes Sprachmodell mit vielen Beispielpaaren aus Anweisung und gewünschter Antwort weitertrainiert wird. Dadurch lernt das Modell, Aufgaben in natürlicher Sprache zu befolgen, statt nur Text fortzusetzen. Es ist ein zentraler Schritt auf dem Weg vom Basismodell zum Assistenten und wird häufig mit Verfahren wie RLHF kombiniert. Beispiel: „Fasse diesen Text in drei Sätzen zusammen“ wird zuverlässig umgesetzt.

Feinabstimmung
Sprachmodelle
+1

Transfer Learning

Beim Transfer Learning (Transferlernen) wird ein Modell, das bereits an einer großen allgemeinen Aufgabe gelernt hat, als Ausgangspunkt für eine neue, spezielle Aufgabe genutzt. Statt bei null zu beginnen, wird es etwa per Feinabstimmung mit vergleichsweise wenigen eigenen Daten angepasst. Das spart Rechenzeit und Daten – zum Beispiel, wenn ein allgemeines Bildmodell lernen soll, Produktionsfehler auf Fotos zu erkennen.

Machine Learning
Training
+1

Retrieval-Augmented Generation (RAG)

Retrieval-Augmented Generation verbindet eine Suche mit der Textgenerierung: Vor dem Antworten sucht das System in einer Wissenssammlung – etwa Handbüchern, Richtlinien oder FAQ – die passenden Abschnitte und gibt sie dem Sprachmodell als Kontext mit. So stützt sich die Antwort auf aktuelle, unternehmenseigene Inhalte statt nur auf das Trainingswissen des Modells. Das verringert erfundene Aussagen, macht Quellen nachvollziehbar und erlaubt Aktualisierungen ohne neues Training.

RAG
Wissenssuche
+1