Fine-Tuning bezeichnet das Nachtrainieren eines bereits vortrainierten KI-Modells mit eigenen Daten, um es auf eine bestimmte Aufgabe, Fachsprache oder einen Stil zu spezialisieren.
Bedeutung in der Praxis
Fine-Tuning lohnt sich, wenn ein Modell sehr spezifische Aufgaben zuverlässig lösen soll, etwa Klassifikation oder feste Formate. Es braucht viele hochwertige Beispieldaten und ist aufwendiger als Prompt Engineering oder RAG. Für aktuelles Unternehmenswissen ist RAG meist der bessere Weg.
Beispiel
Ein Modell wird mit tausenden bereits klassifizierten Reklamationen weitertrainiert und ordnet neue Reklamationen danach zuverlässiger in Kategorien ein.
Abgrenzung
RAG gibt dem Modell zusätzliche Informationen mit, ohne es zu verändern. Fine-Tuning ändert das Modell selbst.