Einführung in maschinelles Lernen · Frage 51 von 60
Welche Aussagen zum Verhältnis von Fine-Tuning und RAG treffen zu?
3 Antworten sind richtig. Schwer
Lösung anzeigen
Lösung
- B Ein vortrainiertes Modell lässt sich per RAG, per Fine-Tuning oder mit beidem anpassen
- C Beim Fine-Tuning wird die Leistung bewertet und bei Bedarf weiter feinabgestimmt, bis die Abnahmekriterien erfüllt sind
- E Fine-Tuning braucht viel weniger Trainingsdaten als ein Training von Grund auf
Erklärung
Ein vortrainiertes Modell kann RAG, Fine-Tuning oder beides kombinieren. Fine-Tuning spart gegenüber einem Neutraining viel Trainingsdaten und Aufwand; nach dem Training wird die Leistung bewertet und gegebenenfalls weiter feinabgestimmt. RAG verändert das Modell dagegen nicht.