Przejdź do treści
promptowy.com / KI-Glossar / Fine-Tuning (Feinabstimmung)
Modelle und Training

Fine-Tuning (Feinabstimmung)

Beim Fine-Tuning wird ein bereits trainiertes KI-Modell mit spezifischen Daten nachgeschult, um Tonfall, Fachsprache oder Ausgabeformate präzise anzupassen.

Fine-Tuning bezeichnet das nachträgliche Weitertrainieren eines bereits bestehenden, vortrainierten KI-Modells mit einem kleineren, zielgerichteten Datensatz. Anstatt ein Sprachmodell von Grund auf neu zu erschaffen, greift man auf ein Fundament zurück, das bereits Grammatik, Faktenwissen und logische Zusammenhänge beherrscht. Durch das Fine-Tuning wird diesem Modell beigebracht, sich auf bestimmte Aufgaben, Fachbegriffe oder vorgegebene Rollen zu spezialisieren.

In der Praxis dient diese Methode vor allem dazu, das Verhalten, den Sprachstil oder das Ausgabeformat einer KI exakt zu steuern. Ein Basismodell lernt dadurch beispielsweise, wie Kundenberater eines bestimmten Unternehmens zu formulieren, juristische Gutachten im geforderten Aufbau auszugeben oder Antworten ausnahmslos als sauberen Programmcode zu strukturieren.

Wie die Feinabstimmung in der Praxis funktioniert

Ein modernes Sprachmodell durchläuft zunächst ein extrem aufwendiges Basistraining, bei dem es gigantische Textmengen aus dem Internet und Büchern analysiert. Dieser Schritt ist für einzelne Betriebe kaum realisierbar. Das Fine-Tuning setzt genau hier an: Man nimmt dieses fertige Modell und füttert es mit einigen hundert bis zehntausend qualitativ hochwertigen Beispielen, die meist aus Paaren von Eingabe und gewünschter Ausgabe bestehen.

Während dieses Nachlernens passen sich die internen Verknüpfungen des Modells leicht an. Der Grundwortschatz bleibt erhalten, aber die Wahrscheinlichkeiten verschieben sich. Das Modell lernt, welche Formulierungen bevorzugt und welche Strukturen exakt eingehalten werden müssen. So entsteht eine maßgeschneiderte Modellvariante für ein eng umrissenes Einsatzfeld.

Praxisbeispiel: Ein Handwerksbetrieb im Allgäu

Man stelle sich einen mittelständischen Heizungs- und Sanitärbetrieb in Kempten vor. Der Betrieb möchte eingehende Kundenanfragen per E-Mail automatisiert analysieren und in das interne Ticketsystem übertragen. Standardmodelle neigen dazu, ausschweifende, blumige Texte zu generieren oder unpassende Standardfloskeln zu wählen.

Für ein Fine-Tuning sammelt der Betrieb 500 echte, anonymisierte Kundenanfragen samt den dazugehörigen, ideal gelösten Service-Tickets. Das Modell lernt an diesen Beispielen, die Kundenschilderungen sofort in präzise Fehlerkategorien einzuordnen, die Bauteilbezeichnungen nach regionalen und fachlichen Standards zu erfassen und die Antwort stets in einem exakt definierten Tabellenformat an die Werkstatt weiterzugeben. Nach der Feinabstimmung verhält sich die KI wie eine fest eingearbeitete Bürokraft, ohne dass man ihr bei jeder E-Mail seitenlange Anweisungen mitgeben muss.

Wann Fine-Tuning sinnvoll ist

Fine-Tuning ist kein Allheilmittel, sondern ein spezialisiertes Werkzeug. Bevor man Zeit in das Aufbereiten von Trainingsdaten investiert, sollte geprüft werden, ob das Ziel nicht einfacher durch präzise Prompts oder eine externe Wissensanbindung erreicht werden kann. Eine Feinabstimmung lohnt sich typischerweise in folgenden Szenarien:

  • Strikte Formatvorgaben: Wenn die KI zuverlässig strukturierte Daten wie fehlerfreies JSON oder branchenspezifische Formulare liefern muss, ohne vom Muster abzuweichen.
  • Unternehmensspezifischer Sprachstil: Wenn die Texte exakt zur Tonalität einer Marke, einer Kanzlei in Zürich oder einer Behörde in Wien passen müssen.
  • Reduzierung von Befehlslängen: Wenn der System-Prompt so viele Anweisungen und Beispiele enthält, dass jede Abfrage langsam wird oder das Kontextfenster sprengt. Durch das Fine-Tuning sind diese Regeln bereits fest im Modell verankert.
  • Spezialisierte Fachaufgaben: Wenn eine Fachsprache verwendet wird, die im allgemeinen Sprachgebrauch selten vorkommt, wie etwa interne Nomenklaturen im Maschinenbau.

Der größte Denkfehler: Fine-Tuning ist keine Datenbank

Ein weit verbreiteter Irrtum besteht darin, Fine-Tuning zu nutzen, um einem Modell neue Unternehmensfakten, Produktkataloge oder aktuelle Preise beizubringen. Zwar speichert das Modell während des Trainings Informationen ab, doch diese Fakten sind nicht verlässlich abrufbar. Es drohen sogenannte Halluzinationen, bei denen die KI falsche Daten mit voller Überzeugung präsentiert.

Soll ein Modell auf dynamische Wissensbestände wie interne Handbücher, Lagerbestände oder Verträge zugreifen, ist ein Abrufverfahren (RAG: Retrieval-Augmented Generation) die richtige Wahl. Dabei durchsucht das System zuerst eine Dokumentensammlung und übergibt die passenden Textstellen an die KI. Fine-Tuning verändert, wie das Modell antwortet: RAG liefert dem Modell, worüber es spricht.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Training und Fine-Tuning?

Beim Basistraining lernt ein Modell über Monate hinweg allgemeine Sprachmuster anhand riesiger Datenmengen. Beim Fine-Tuning wird ein fertiges Modell mit vergleichsweise wenigen Beispielen auf eine konkrete Aufgabe oder einen bestimmten Sprachstil spezialisiert.

Kann Fine-Tuning das Erfinden von Fakten verhindern?

Nein, Fine-Tuning eignet sich nicht zur zuverlässigen Wissensvermittlung. Um Halluzinationen bei Faktenfragen zu vermeiden, sollte das Modell stattdessen mit einer externen Wissensdatenbank (RAG) verknüpft werden.

Wie viele Daten brauche ich für ein erfolgreiches Fine-Tuning?

Das hängt von der Aufgabe ab. Für einfache Stil- oder Formatkorrekturen genügen oft schon 50 bis 100 hochwertige Frage-Antwort-Paare, während komplexe Aufgaben meist mehrere tausend Beispiele erfordern. Datenqualität ist dabei wichtiger als Datenmenge.

← Alle Begriffe im KI-Glossar

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›