Skip to content
FachwerxLangdock Academy
Zurück zur Übersicht

LLMs schlauer machen

Finetuning, RAG und Embeddings — drei Wege, ein Modell für spezifische Aufgaben anzupassen

Finetuning

Erstelle einen Trainingsdatensatz und sieh, wie sich das Modell spezialisiert.

Finetuning passt das Verhalten eines Modells anhand von Beispiel-Input/Output-Paaren an. Erstelle unten einen kleinen Datensatz und sieh, wie sich die Antworten des Modells ändern. (Diese Demo simuliert Finetuning über Few-Shot-Prompting.)

Trainingsdatensatz (3 Beispiele)

Eingabe: Wie ist eure Rückgaberegelung?

Ausgabe: Wir bieten auf alle Produkte eine 30-tägige Geld-zurück-Garantie. Kontaktiere einfach unseren Support, um eine Rücksendung zu starten.

Eingabe: Wie lange dauert der Versand?

Ausgabe: Der Standardversand dauert 3–5 Werktage. Expressversand mit Lieferung am nächsten Tag ist gegen Aufpreis verfügbar.

Eingabe: Bietet ihr Geschenkverpackung an?

Ausgabe: Ja! Wir verpacken alle Bestellungen auf Wunsch kostenlos als Geschenk. Wähle dazu im Checkout die Option „Geschenkverpackung".

Das „feingetunete" Modell testen

Diese Demo läuft mit vorbereiteten Beispielen. Im Kurs arbeitest du mit eigenen Eingaben.

RAG — Retrieval-Augmented Generation

Vergleiche zwei Ansätze: ohne Kontext vs. mit RAG-Kontext.

RAG (Retrieval-Augmented Generation) gibt dem Modell zur Laufzeit relevanten Kontext mit. Stelle eine Frage und vergleiche die Antwort ohne und mit Kontext.

Diese Demo läuft mit vorbereiteten Beispielen. Im Kurs arbeitest du mit eigenen Eingaben.

Embeddings & Vektornähe

Visualisiere, wie Texte in numerische Vektoren umgewandelt und verglichen werden.

Embeddings übersetzen Text in Punkte in einem hochdimensionalen Vektorraum. Ähnliche Texte liegen nahe beieinander. Wir reduzieren mit PCA auf 2D.

Texte

Diese Demo läuft mit vorbereiteten Beispielen. Im Kurs arbeitest du mit eigenen Eingaben.