Was ist Fine-Tuning?

Fine-Tuning bezeichnet das fortgesetzte Training eines vortrainierten Large Language Models auf einem kuratierten Dataset, damit es eine Domain, einen Stil oder ein Output-Format verlässlicher übernimmt, als Prompting allein es schaffen würde. Im Commerce ist es neben Prompt Engineering und Retrieval-Augmented Generation eine von drei Stellschrauben, und die mit den höchsten Kosten und dem größten operativen Gewicht.

Definition

Fine-Tuning aktualisiert einen Teil der Modellgewichte auf Basis von Input-Output-Paaren des Teams. Parameter-effiziente Verfahren wie LoRA trainieren statt des Vollmodells kleine Adapter-Matrizen, was Compute- und Storage-Kosten drückt und mehrere Adapter auf derselben Base ermöglicht. Instruction Tuning fokussiert das Folgen strukturierter Tasks, Preference Tuning wie DPO oder RLHF richtet Modellverhalten an Chosen-vs-Rejected-Outputs menschlicher Rater aus. Datasets reichen von wenigen Hundert bis zu Zehntausenden hochwertigen Beispielen, und das Modell wird vor dem Deploy auf einem Held-out-Set bewertet, das Edge Cases, Hallucination und Schema-Konformität abdeckt.

Warum es zählt

Fine-Tuning ist die richtige Wahl, wenn Prompt-only-Ansätze das Context Window sprengen, wenn ein Task so repetitiv ist, dass lange Instructions pro Call teuer werden, oder wenn eine bestimmte Output-Shape nicht verhandelbar ist. Es kann Tokens pro Request um eine Größenordnung senken und die Latenz verbessern, was bei High-Volume-Flächen wie Storefront-API-Calls und Chat zählt. Es ist die falsche Wahl, wenn sich das zugrundeliegende Wissen häufig ändert: Dann ist Retrieval-Augmented Generation günstiger und aktueller. Fine-getunte Modelle brauchen außerdem Versionierung und Re-Evaluation, wenn das Base-Modell aktualisiert wird, was in einer Composable-Commerce-Umgebung Operational Overhead erzeugt.

Anwendungsfälle

Ein Händler tunt ein kleines Modell auf Brand-Voice-Samples für High-Volume-Produkttextgenerierung und serviert es hinter einem CMS-Tool. Ein Classification-Modell wird auf gelabelten Support-Tickets getunt, um Conversations zu routen, bevor ein größerer Agent übernimmt. Ein Schema-Extraction-Modell wird darauf trainiert, unstrukturierte Lieferantenfeeds in validiertes JSON für das PIM zu wandeln.

Verwandt

Mehr dazu: Agentic Frontend Management Platform · Composable Digital Experience Platform.