Fine-Tuned Deployment

Ein angepasstes Modell entsteht durch zusätzliches Training auf eigenen Beispielen. Damit es benutzbar wird, braucht es eine eigene Bereitstellung: Das Ergebnis des Trainings ist zunächst nur eine Datei beim Anbieter, ansprechbar wird es erst als eigener Endpunkt. Microsoft Learn

Die Bereitstellung hängt am Basismodell

Ein angepasstes Modell erbt den Lebenszyklus seiner Grundlage. Wird das Basismodell abgekündigt, endet auch die Nutzbarkeit der Anpassung, und das Training muss auf einer neueren Grundlage wiederholt werden. Microsoft Learn Diese Wiederholung ist der Posten, den Planungen regelmäßig übersehen.

Dazu kommt die Abrechnung. Angepasste Modelle laufen oft nicht im geteilten Betrieb, sondern brauchen eigene Kapazität, die auch im Leerlauf kostet. Für einen selten genutzten Spezialfall kann das teurer sein als das Standardmodell mit einem gut gebauten Prompt.

So kannst du dir das vorstellen

Ein Maßanzug, genäht auf Grundlage eines Schnittmusters, das der Hersteller pflegt. Wird das Schnittmuster eingestellt, passt der Anzug weiterhin, Nachschneidern geht aber nur mit dem neuen Muster. Das Bild erklärt die Abhängigkeit, es beschreibt keinen konkreten Anbieterprozess.

Was es in der Praxis konkret bedeutet

Bevor du anpasst, prüfe die billigeren Wege: bessere Anweisungen, Beispiele im Prompt, Abruf aus einer Wissensquelle. Anpassung lohnt vor allem für Format und Ton, seltener für Wissen. Entscheidest du dich dafür, halte die Trainingsdaten versioniert und wiederholbar vor, damit der Neuaufbau auf einem anderen Basismodell kein Projekt von vorn wird.

Wo es verwechselt wird

Angepasst heißt nicht dediziert: Die Anpassung betrifft die Gewichte, die Betriebsart ist eine eigene Frage. Und ein angepasstes Modell lernt nicht im Betrieb weiter, es bleibt auf dem Stand seines Trainings.

Verwandte Begriffe

Custom Model Import, Fine-Tuning, Model Snapshot, Dedicated Deployment, LoRA, Retrieval-Augmented Generation.