KI-Feintuning: Wie Unternehmen generative KI-Modelle für fachliche Präzision optimieren

Generative KI lässt sich auf unterschiedliche Weise an eine Aufgabe anpassen. Ein ausführlicher Prompt, Beispiele in der Anfrage, der Abruf externer Informationen (Retrieval-Augmented Generation, RAG) oder ein zusätzlich trainiertes Modell kommen je nach Problem infrage. Feintuning ist dabei kein allgemeiner Präzisionsschalter: Es kann das Verhalten eines unterstützten Basismodells für eine bestimmte Aufgabe, ein Ausgabeformat oder einen Stil beeinflussen. Ob sich dadurch die gewünschte Qualität verbessert, muss anhand geeigneter Beispiele geprüft werden.

Was Feintuning verändert

Beim Feintuning wird ein vortrainiertes Modell mit zusätzlichen Beispielen weiter angepasst. Beim überwachten Feintuning bestehen diese typischerweise aus Eingaben und gewünschten Ausgaben. Das Verfahren verändert Modellparameter; es fügt nicht automatisch eine verlässlich abrufbare, aktuelle Wissensbasis hinzu. Welche Anpassungsverfahren verfügbar sind, hängt vom jeweiligen Modell und Anbieter ab. Eine verbreitete parameter-effiziente Methode ist LoRA: Dabei werden zusätzliche niedrig-rangige Matrizen trainiert, während die ursprünglichen Gewichte eingefroren bleiben (Originalarbeit zu LoRA).

Das unterscheidet Feintuning von Prompting, das Anweisungen zur Laufzeit übergibt, und von RAG, das ausgewählte externe Inhalte als Kontext für eine Anfrage bereitstellt. Anbieter empfehlen Feintuning unter anderem für wiederkehrende Verhaltens-, Stil- oder Formatvorgaben; die Eignung hängt jedoch vom konkreten Modell, Datensatz und Ziel ab (OpenAI: Model optimization, Microsoft: Überlegungen zum Feintuning).

Wann kann Feintuning passen?

Ein möglicher Anlass ist ein wiederkehrender Arbeitsschritt, bei dem ein Modell konsistent ein bestimmtes Format, eine Terminologie oder ein eng umrissenes Antwortverhalten liefern soll. Vor einem Training sollte geprüft werden, ob Beispiele im Prompt, eine klarere Aufgabenbeschreibung, strukturierte Ausgaben oder eine Anpassung des Arbeitsablaufs das Problem bereits ausreichend lösen.

Feintuning ist nicht automatisch die wirtschaftlichere oder wirksamere Option. Zum Aufwand gehören neben dem Training auch die Auswahl und Prüfung der Daten, Vergleichstests, Betrieb und mögliche Wiederholungen. Microsoft weist auf zusätzliche Trainings- und Hostingkosten, die Bedeutung repräsentativer Daten und den Bedarf an wiederholter Evaluation hin (Microsoft Learn). Kosten und Aufwand sind modell- und vorhabenspezifisch; allgemeine Projektzeiträume oder eine Mindestzahl geeigneter Beispiele lassen sich daraus nicht ableiten.

Beispiele für mögliche Aufgaben

Feintuning kann für klar umrissene Aufgaben untersucht werden, etwa wenn Texte einem vorgegebenen Format folgen oder wiederkehrende Eingaben konsistent klassifiziert werden sollen. Das sind Prüfansätze, keine Zusage eines bestimmten Ergebnisses. Ob Fachtexte, Supportantworten oder Übersetzungen tatsächlich besser werden, muss für die jeweilige Sprache, Zielgruppe und Fehlerfolgen mit einem geeigneten Testdatensatz ermittelt werden.

Feintuning und RAG erfüllen unterschiedliche Aufgaben

Wenn sich die benötigten Fakten häufig ändern oder aus internen Dokumenten stammen, kann ein Abrufverfahren wie RAG geeigneter sein: Das System sucht zur Anfrage passende Inhalte und übergibt sie dem Modell als Kontext. Das garantiert weder, dass die richtigen Dokumente gefunden werden, noch dass die Antwort korrekt ist. Aktualität hängt unter anderem davon ab, ob die Quelle aktuell ist und der Abruf sie zuverlässig findet.

Feintuning kann dagegen das Antwortverhalten, den Stil oder ein Aufgabenformat beeinflussen. Es sollte nicht als Methode behandelt werden, um veränderliche Produktdaten, Richtlinien oder Preise dauerhaft im Modell aktuell zu halten. Die Ansätze lassen sich kombinieren, wenn getrennte Tests zeigen, dass die Kombination einen Mehrwert bietet. Mehr zur Abgrenzung und zu den Grenzen von RAG lesen Sie im Beitrag über RAG-basierte KI-Assistenten. Eine praxisorientierte Gegenüberstellung bietet auch die Microsoft-Dokumentation zu RAG und Feintuning.

Daten, Evaluation und Risiken

Für ein aussagekräftiges Training müssen Beispiele zur vorgesehenen Aufgabe passen und die erwarteten Eingaben und Ausgaben nachvollziehbar abbilden. Prüfen Sie Herkunft, Nutzungsrechte, Qualität und mögliche personenbezogene oder vertrauliche Inhalte. Welche Daten ein Anbieter für Training, Missbrauchsüberwachung oder Speicherung verarbeitet, richtet sich nach dem konkreten Produkt, Vertrag und den Einstellungen. Aus der Nutzung einer Plattform folgt deshalb keine pauschale Datenschutzbewertung.

Vor der Anpassung sollten messbare Prüfkriterien und ein repräsentativer Ausgangsdatensatz feststehen. Halten Sie separate Validierungs- und Testbeispiele zurück, vergleichen Sie Basismodell und angepasste Variante auf denselben Fällen und prüfen Sie auch unerwünschte Ausgaben, Randfälle und mögliche Verschlechterungen bei anderen Aufgaben. Ein Testset, das auch im Training verwendet wurde, belegt keine Übertragbarkeit auf neue Fälle. Das NIST-Profil für generative KI führt unter anderem Daten für Training und Feintuning, Datenschutz, Informationsintegrität und die Bewertung von Risiken als kontextabhängige Aspekte auf (NIST AI 600-1).

Feintuning beseitigt weder Fehler noch Verzerrungen automatisch. Ungeeignete oder unausgewogene Beispiele können die Ergebnisse beeinträchtigen; zudem können sich Verhalten und Qualität außerhalb der trainierten Fälle verändern. Deshalb gehören menschliche Prüfung, dokumentierte Freigabekriterien und eine erneute Bewertung nach Änderungen am Datensatz, Modell oder Einsatzkontext zum Vorgehen.

Ein pragmatischer Entscheidungsweg

1. Beschreiben Sie die konkrete Aufgabe und den Fehler, den Sie verringern möchten.
2. Vergleichen Sie Prompting, strukturierte Ausgaben, RAG und Feintuning als mögliche Maßnahmen.
3. Prüfen Sie Datenherkunft, Nutzungsrechte, Vertraulichkeit und Repräsentativität.
4. Legen Sie vorab Testfälle und Kriterien fest, einschließlich unerwünschter Nebenwirkungen.
5. Führen Sie einen begrenzten Vergleich durch und entscheiden Sie anhand der Ergebnisse über den weiteren Einsatz.

Eine Bewertung der Eignung, Daten und Qualitätskriterien ist der passende nächste Schritt, bevor ein Modell angepasst wird. Informationen zum Beratungs- und Workshopangebot finden Sie auf der Leistungsseite zum Feintuning bestehender KI-Modelle.