Was ist Fine-Tuning bei KI und wofür hilft es?

Das Problem

Die Geschäftsleitung hört: «Wir müssen die KI mit unseren Daten trainieren.» Das klingt sinnvoll, aber was ist damit gemeint? Soll das Sprachmodell alle Ihre Dokumente «auswendig lernen»? Braucht es dafür Programmierer, teure Computer, monatelange Arbeit?

Der Begriff dahinter heisst Fine-Tuning, auf Deutsch etwa «Feinabstimmung». Gemeint ist: Man nimmt ein bereits trainiertes Sprachmodell und trainiert es mit zusätzlichen Beispielen weiter, damit es eine bestimmte Aufgabe oder einen bestimmten Stil besser beherrscht.

Wichtig ist, was Fine-Tuning nicht ist: Es ist kein Weg, einem Modell zuverlässig neues Faktenwissen beizubringen, etwa Ihre aktuelle Preisliste. Frau Müller, die in einem Verlag die Digitalisierung begleitet, will verstehen, wann Fine-Tuning sinnvoll ist und wann nicht. Diese Seite erklärt es ohne Fachchinesisch.

So lösen Sie es mit KI – Schritt für Schritt

1. Ziel konkret benennen. Was soll besser werden? Zum Beispiel: «Antworten sollen immer im gleichen Aufbau erscheinen» oder «Texte sollen unseren Stil treffen». Ein vages «KI soll unsere Firma kennen» reicht nicht.
2. Einfachere Wege zuerst prüfen. Probieren Sie, ob klare Anweisungen mit Beispielen im Prompt das Ziel erreichen. Siehe Fine-Tuning oder Prompting.
3. Wissensfragen mit Dokumentensuche lösen. Wenn es um Fakten aus Ihren Dokumenten geht, ist RAG der übliche Weg. Siehe Fine-Tuning und RAG: der Unterschied.
4. Nur dann Fine-Tuning erwägen. Wenn Anweisungen und Beispiele nicht genügen und Sie Stil, Format oder eine sich wiederholende Aufgabe in grosser Zahl stabil brauchen, kommt Anpassung in Frage.
5. Trainingsbeispiele sammeln. Sammeln Sie gute Frage-Antwort-Paare oder Ein- und Ausgaben, die zeigen, was das Modell tun soll. Qualität schlägt Menge. Rechte und Datenschutz müssen geklärt sein, siehe Daten anonymisieren.
6. Testdaten zurückhalten. Legen Sie einen Teil der Beispiele beiseite, mit dem Sie das angepasste Modell später prüfen. Ohne Testdaten wissen Sie nicht, ob es besser geworden ist.
7. Ergebnis vergleichen und entscheiden. Vergleichen Sie das angepasste Modell mit dem Ausgangsmodell und mit einem gut formulierten Prompt. Setzen Sie es nur ein, wenn der Vorteil klar ist und die Pflege (neue Modelle, neue Daten) gesichert ist.

Einfach erklärt

Ein Beispiel aus dem Alltag: Ein Sprachmodell ist wie eine gut ausgebildete Mitarbeiterin, die viel weiss. Mit Prompting geben Sie ihr bei jeder Aufgabe eine klare Anweisung. Mit RAG legen Sie ihr die passenden Unterlagen auf den Tisch, bevor sie antwortet. Mit Fine-Tuning schicken Sie sie auf einen kurzen Kurs, in dem sie anhand vieler Beispiele lernt, Ihre Aufgabe so zu erledigen, wie Sie es wollen.

Nach dem Kurs beherrscht sie den Stil und das Vorgehen besser. Aber den Inhalt der Preisliste von heute kennt sie nur, wenn Sie ihr die Liste geben.

Mit diesem Prompt prüfen Sie, ob Ihr Anliegen überhaupt Fine-Tuning braucht:

Du hilfst mir zu klären, ob Fine-Tuning für mein Vorhaben nötig ist. Du gibst keine Garantien.
Mein Ziel: [z. B. Antworten im Stil unseres Verlags, immer mit gleichem Aufbau]
Bisher versucht: [Prompt mit Beispielen: ja/nein], [Dokumentensuche: ja/nein]
Aufgabe:
1. Stelle mir [8] Fragen, um mein Ziel zu präzisieren (Art der Aufgabe, Datenmenge, Aktualität, Datenschutz).
2. Erkläre, in welchen Fällen Prompting, RAG oder Fine-Tuning passt, anhand meiner Antworten.
3. Nenne [5] Risiken von Fine-Tuning (Daten, Kosten, Pflege, Qualität).
Nenne keine Anbieter, Modellnamen oder Preise.

Eine kurze Einführung zu RAG bietet RAG einfach erklärt. Eine verbreitete Technik zur effizienten Anpassung erklärt LoRA einfach erklärt. Wie viele Beispiele nötig sind, zeigt Datenmenge für Fine-Tuning.

Worauf Sie achten müssen

• Kein Wissensspeicher. Ein angepasstes Modell kann Fakten falsch oder unvollständig wiedergeben. Für Faktenfragen ist es unzuverlässig, und es kann Quellen nicht zeigen.
• Datenschutz und Rechte. Trainingsbeispiele können Personendaten oder geschützte Inhalte enthalten. Klären Sie Datenschutz und Urheberrecht vor dem Training, siehe Rechte an Trainingsdaten prüfen.
• Qualität der Beispiele. Fehler in Beispielen lernt das Modell mit. Wenige, saubere Beispiele sind besser als viele schlechte.
• Vergessen und Überanpassung. Ein Modell kann Fähigkeiten verlieren oder nur noch die Trainingsbeispiele wiederholen. Prüfen Sie es mit neuen Fragen.
• Pflegeaufwand. Wenn ein neues Basismodell erscheint oder sich Anforderungen ändern, muss neu trainiert werden. Planen Sie diesen Aufwand ein.

Ein Beispiel aus der Praxis

Ein Beispiel: Ein Fachverlag in Bern lässt Zusammenfassungen von Fachartikeln mit KI vorbereiten. Frau Müller stellt fest, dass jeder Entwurf anders aufgebaut ist und die Redaktion viel anpasst.

Vorher hiess es: «Wir müssen das Modell mit allen unseren Artikeln trainieren.» Nachher klärt sie das Ziel: Es geht um einen festen Aufbau, nicht um Faktenwissen. Ein ausführlicher Prompt mit drei Beispielen löst bereits viel. Für den Rest sammelt der Verlag fünfzig geprüfte Beispiele und lässt prüfen, ob eine Anpassung einen messbaren Vorteil bringt, bevor Geld ausgegeben wird. Die Fakten der Artikel bleiben beim Quelltext, den das Modell vorgelegt bekommt.

So hilft Ihnen Alpasana

Wer KI-Methoden wie Prompting, Dokumentensuche und Anpassung verstehen und Anwendungsfälle realistisch einschätzen möchte, findet bei Alpasana Kurse unter KI und IT für konkrete Arbeitsaufgaben. Der Bereich umfasst unter anderem No-Code-Automatisierung, KI-Agenten, lokale KI mit Ollama und Open-Source-Modellen sowie Claude mit Projektstruktur, Prompt-Bibliothek, Qualitätsprüfung und Einsatzregeln, mit Praxisaufgaben, KI-Lerncoach und verifizierbarem Abschluss.

Die Kurse trainieren keine Modelle für Ihren Betrieb. Sie helfen Ihnen, Möglichkeiten zu verstehen und Aufwand und Nutzen zu beurteilen.

Häufige Fragen

Kann ich ein Modell mit meinen Dokumenten trainieren, damit es sie kennt?

Teilweise, aber nicht zuverlässig. Für Faktenwissen aus Dokumenten ist RAG besser: Das Modell bekommt die passenden Stellen zur Laufzeit und kann Quellen nennen. Fine-Tuning ist eher für Stil und Format.

Wie viele Beispiele braucht man?

Das hängt von Aufgabe und Methode ab und lässt sich nicht pauschal beziffern. Bei einfachen Aufgaben können wenige gute Beispiele genügen, bei komplexen braucht es mehr. Wichtig ist die Qualität. Details bietet Datenmenge für Fine-Tuning.

Ist Fine-Tuning für KMU sinnvoll?

Selten als Erstes. Meist lösen klare Anweisungen mit Beispielen oder Dokumentensuche das Problem günstiger und flexibler. Fine-Tuning lohnt sich, wenn Sie sehr viele gleichartige Aufgaben mit festem Stil bewältigen müssen.