Fine-Tuning
Auch bekannt als: Feinabstimmung, Nachtraining
Fine-Tuning passt ein vortrainiertes Modell mit eigenen Daten an eine spezifische Aufgabe an. Das Modell lernt deinen Stil, deine Fachsprache oder dein Domänenwissen, ohne komplett neu trainiert zu werden.
Fine-Tuning sitzt zwischen "einfach prompten" und "eigenes Modell bauen". Du nimmst ein existierendes Foundation Model und trainierst es mit eigenen Beispielen weiter.
Wann Fine-Tuning sinnvoll ist
Wenn Prompting allein nicht reicht, um den gewünschten Stil, Ton oder Fachbereich abzudecken. Typisch: Kundenservice-Bots mit firmenspezifischem Ton, Klassifikation nach internen Kategorien, domänenspezifische Textgenerierung.
Wann RAG besser passt
Wenn es um aktuelles oder sich änderndes Wissen geht. Fine-Tuning brennt Wissen ins Modell ein. RAG fügt es zur Laufzeit hinzu. Für die meisten Unternehmen ist RAG der bessere Startpunkt.