Fine-Tuning oder RAG: Was ist der Unterschied und wann nutze ich was?

Fine-Tuning passt das Modell selbst an, indem es mit zusätzlichen Beispieldaten weitertrainiert wird. Das ist sinnvoll, wenn ein bestimmter Stil, Ton oder spezifisches Verhalten dauerhaft gelernt werden soll. RAG verändert das Modell nicht, sondern reichert die Anfrage mit relevantem Kontext aus eigenen Dokumenten an; ideal, wenn aktuelles oder unternehmensspezifisches Wissen abrufbar sein soll, ohne das Modell neu zu trainieren. In der Praxis lassen sich beide Ansätze auch kombinieren.

Mehr dazu in Folge 37: Fine-Tuning vs RAG - Wann nutze ich welche Methode? →