KI-Modellentwicklung
Custom AI Models
Wann sind Custom Models sinnvoll?
Ein eigenes Modell lohnt sich, wenn ein Standard-Modell mit gutem Prompt messbar zu kurz greift. Welcher Weg dann passt, hängt davon ab, was fehlt: Wissen, Zugriff auf Systeme, Verhalten oder eine Fähigkeit, die Sprachmodelle gar nicht mitbringen.
Fehlt dem Modell Ihr Unternehmenswissen, ist RAG der richtige Ansatz: Das Modell liest bei jeder Anfrage die passenden Stellen aus Ihren Dokumenten nach und nennt die Quelle. Fine-tuning prägt dagegen, wie ein Modell antwortet, also Tonalität, Format und Spezialisierung auf eine Aufgabe. Für Prüfbilder, Sensordaten oder Prognosen trainieren wir eigene Modelle.
Wie gut ein Ansatz ist, messen wir an Ihrer Aufgabe: Zu Beginn legen wir Messgröße und Testset fest und vergleichen jede Stufe mit der Baseline. Für allgemeine Aufgaben wie Texterstellung oder Übersetzung reicht ein Standard-Modell meist aus. Alle weiteren Bausteine zeigt die Seite unserer KI-Agentur für den Mittelstand.
Welcher Ansatz passt zu Ihrem Problem?
Vom Problem zum typischen Lösungsweg. Im Projekt kombinieren wir die Ansätze oft.
| Ihr Problem | Geeigneter Ansatz | Warum |
|---|---|---|
| Die KI soll Fragen zu Handbüchern, Verträgen, Tickets oder Produktdaten beantworten | RAG mit Quellenangaben | Das Wissen bleibt in Ihren Systemen und wird bei jeder Anfrage aktuell abgerufen. Ändert sich ein Dokument, stimmt die Antwort ohne neues Training. |
| Die KI soll Aufträge anlegen, Bestände prüfen oder Daten aus ERP und CRM lesen | Tool-Anbindung (Function Calling, MCP) | Das Modell ruft Ihre Schnittstellen auf und arbeitet mit Live-Daten. Kein Training nötig. |
| Antworten treffen Tonalität, Format oder Struktur nicht zuverlässig, auch mit gutem Prompt | Fine-tuning | Fine-tuning prägt Verhalten, Stil und Ausgabeformat. Neues Faktenwissen bringt man einem Modell damit kaum zuverlässig bei. |
| Eine eng umrissene Aufgabe läuft sehr oft und soll schneller und günstiger werden | Fine-tuning eines kleineren Modells | Ein spezialisiertes kleines Modell kann eine klar definierte Aufgabe mit weniger Latenz und Kosten pro Anfrage übernehmen. |
| Daten dürfen das eigene Rechenzentrum nicht verlassen | Open-Weight-Modell, selbst gehostet | Modelle wie Llama, Mistral oder Qwen laufen auf Ihrer Infrastruktur oder in unserem Hosting in Frankfurt. Kombinierbar mit RAG und Fine-tuning. |
| Auswertung direkt an Maschine, Kamera oder Gerät, auch ohne Netz | Edge AI | Ein verkleinertes, optimiertes Modell läuft lokal auf der Hardware, mit niedriger Latenz und ohne Datenübertragung. |
| Bilder, Sensordaten oder Tabellen sollen klassifiziert oder vorhergesagt werden | Eigenes Training (klassisches ML, Computer Vision) | Für Prüfbilder, Zeitreihen oder Prognosen ist ein eigenes, trainiertes Modell oft genauer und günstiger als ein Sprachmodell. |
Unsere Custom Model Services
Fünf Ansätze mit unterschiedlichen Aufgaben
RAG & Tool-Anbindung
Für aktuelles Unternehmenswissen und Live-Daten. Das Modell ruft Dokumente und Schnittstellen bei jeder Anfrage ab, statt Wissen auswendig zu lernen.
- Antworten mit Quellenangabe
- Änderungen sofort wirksam, ohne neues Training
- Rechte pro Nutzer und Dokument
- Anbindung an ERP, CRM und Ticketsystem
Fine-tuning
Für Verhalten, Format, Stil und Spezialisierung. Wir passen ein bestehendes Modell mit Beispielen aus Eingabe und gewünschter Ausgabe an.
- Unternehmens-Tonalität
- Feste Ausgabeformate (JSON, Berichte)
- Fachsprache in einer eng umrissenen Aufgabe
- Kleinere Modelle für hohe Volumen
Ob ein Modell feintunebar ist, hängt vom Anbieter ab: Bei den großen Cloud-Anbietern gilt das nur für ausgewählte Modelle, Open-Weight-Modelle passen wir selbst an.
Open-Weight & Self-Hosting
Für Daten, die Ihr Haus nicht verlassen sollen. Modelle wie Llama, Mistral oder Qwen laufen auf Ihrer Infrastruktur oder in unserem Hosting in Frankfurt.
- Volle Kontrolle über Modellversion
- Kein Datenabfluss an Drittanbieter
- Kombinierbar mit RAG und Fine-tuning
- Planbare Kosten bei hohem Volumen
Edge AI
Für Auswertung direkt am Gerät. Wir verkleinern und optimieren Modelle, damit sie lokal auf Industrie-PC, Kamera oder Mobilgerät laufen.
- Niedrige Latenz
- Funktioniert offline
- Daten bleiben am Gerät
- Quantisierung und Distillation
Eigenes Modelltraining
Für Aufgaben, die Sprachmodelle nicht gut lösen: Bilder prüfen, Messwerte auswerten, Mengen vorhersagen. Meist auf Basis vortrainierter Modelle (Transfer Learning).
- Computer Vision für Qualitätskontrolle
- Klassifikation von Dokumenten und Tickets
- Prognosen aus Zeitreihen
- Anomalie-Erkennung
Unser Entwicklungsprozess
Von der Aufgabe zum produktiven Modell, gemessen an Ihren echten Fällen
Problem, Daten & Messgröße
Wir klären die Aufgabe, sichten Ihre Daten und legen fest, woran wir Erfolg messen, mit einem Testset aus echten Fällen.
Baseline & Ansatzwahl
Wir messen zuerst ein Standard-Modell mit gutem Prompt. Daraus ergibt sich, ob RAG, Tools, Fine-tuning oder eigenes Training den Unterschied macht.
Umsetzung
Wir bauen die Retrieval-Pipeline, bereiten Fine-tuning-Beispiele auf oder trainieren das Modell, jeweils in kurzen Runden gegen das Testset.
Testing & Validierung
Wir prüfen Randfälle, Fehlerbilder und Verzerrungen und vergleichen das Ergebnis mit der Baseline, bevor es in Produktion geht.
Deployment & Monitoring
Wir bringen das Modell mit CI/CD-Pipeline in Produktion, überwachen die Qualität laufend und halten Wissen und Modell aktuell.
Beispiel-Anwendungen
Typische Aufgaben und der Ansatz, der dahinter steckt
Industrie & Fertigung
Eigenes Training, Edge AI
Sichtprüfung mit Computer Vision direkt an der Linie, Anomalie-Erkennung in Maschinendaten und Prognosen für Wartung.
Service & Support
RAG, Tools, Fine-tuning
Antworten aus Handbüchern und Ticket-Historie mit Quelle, Ticket-Klassifikation und Antwortentwürfe in Ihrer Tonalität.
Dokumente & Verwaltung
Fine-tuning, Klassifikation
Rechnungen, Lieferscheine und Anträge auslesen und in ein festes Format bringen, Eingangspost automatisch zuordnen.
E-Commerce
RAG, eigenes Training
Produktberatung auf Basis Ihres Katalogs, Produkttexte im Markenstil, Empfehlungen und Absatzprognosen.
Häufig gestellte Fragen zu Custom Models
Antworten zu RAG, Fine-tuning, Trainingsdaten und DSGVO
Brauche ich Fine-tuning, damit die KI unser Firmenwissen kennt?
In den meisten Fällen nicht. Für Wissen aus Dokumenten, Datenbanken und Systemen ist RAG der passende Weg: Das Modell liest bei jeder Anfrage die relevanten Stellen nach und nennt die Quelle. Fine-tuning setzen wir ein, wenn Verhalten, Stil oder Ausgabeformat stimmen sollen. Beides lässt sich kombinieren.
Lässt sich jedes Modell fine-tunen?
Nein. Ob und wie ein Modell angepasst werden kann, hängt vom Anbieter und vom konkreten Modell ab. Bei den großen Cloud-Anbietern sind nur ausgewählte Modelle per API feintunebar, viele aktuelle Spitzenmodelle gar nicht. Open-Weight-Modelle wie Llama, Mistral oder Qwen passen wir selbst an, etwa mit LoRA. Welche Optionen es für Ihr Wunschmodell gibt, prüfen wir vor Projektstart.
Wie genau wird ein Custom Model?
Das hängt von Aufgabe, Datenqualität und Messgröße ab, eine pauschale Zahl wäre nicht seriös. Wir legen zu Beginn gemeinsam fest, was gemessen wird (zum Beispiel Trefferquote bei der Klassifikation oder Anteil korrekt belegter Antworten), bauen ein Testset aus Ihren echten Fällen und vergleichen jede Stufe mit einer Baseline aus Standard-Modell und Prompt.
Wie viele Trainingsdaten werden benötigt?
RAG arbeitet mit Ihren vorhandenen Dokumenten und Systemen, ein Trainingsdatensatz ist dafür nicht nötig. Für Fine-tuning reichen oft einige hundert gute Beispiele aus Eingabe und gewünschter Ausgabe. Eigenes Training für Computer Vision oder Prognosen braucht deutlich mehr gelabelte Daten. Wir schauen uns gemeinsam an, welche Daten Sie haben, und empfehlen den Ansatz, der dazu passt.
Wie wird die DSGVO-Konformität sichergestellt?
Wir planen Datenschutz von Anfang an mit: Auswahl von Anbietern mit Auftragsverarbeitungsvertrag und EU-Verarbeitung, Minimierung personenbezogener Daten in Trainings- und Wissensdaten und auf Wunsch Betrieb auf Ihrer eigenen Infrastruktur. Wie das für Ihr Projekt konkret aussieht, besprechen wir gern mit Ihnen.
Wie lange dauert die Entwicklung eines Custom Models?
Ein RAG-System oder ein Fine-tuning auf vorhandenen Beispielen steht oft in wenigen Wochen. Eigenes Training mit Datenaufbereitung und Labeling dauert je nach Umfang zwischen 4 und 16 Wochen. Wir arbeiten in kurzen Zyklen und zeigen Ihnen laufend Zwischenergebnisse gegen das vereinbarte Testset.
Ihre KI, Ihre Regeln
Erzählen Sie uns, welche Aufgabe die KI lösen soll. Wir schlagen den passenden Ansatz vor, messen ihn an Ihren echten Fällen und begleiten Sie bis in den Betrieb, auf Wunsch auf Ihrer Infrastruktur.