Fine-Tuning bezeichnet das Nachtrainieren eines bereits vortrainierten KI-Modells mit einem kleineren, spezialisierten Datensatz, um es auf eine bestimmte Aufgabe oder Domäne anzupassen.
Statt ein Modell komplett neu zu trainieren, was extrem teuer und rechenintensiv wäre, startet Fine-Tuning bei einem bereits vorhandenen, allgemein leistungsfähigen Basismodell und passt dessen Gewichte gezielt anhand weniger tausend bis einiger Millionen Beispiele an.
So lernt ein Modell zum Beispiel, in einem bestimmten Firmenjargon zu antworten, spezielle Klassifikationsaufgaben zu lösen oder einen konsistenten Ton in Kundenservice-Antworten einzuhalten.
Fine-Tuning lohnt sich vor allem bei klar abgrenzbaren, wiederkehrenden Aufgaben mit ausreichend Trainingsdaten – für einmalige oder sehr variable Anwendungsfälle ist Prompt Engineering oder RAG oft die schnellere und günstigere Alternative.
