Drachenzahmen leicht gemacht: Trainiere dein Modell
Fine-tune deine eigene KI auf einem Mac Studio oder einer RTX 4090 — wie Drachenzahmen, nur mit Daten.
Uber diesen Kurs
Jede KI, die Sie heute nutzen, ist der Drache von jemand anderem. Dieser Kurs lehrt Sie, Ihren eigenen aufzuziehen: ein realistisches Trainingsziel wahlen, einen sauberen Datensatz aufbauen und ein offenes Modell mit LoRA/QLoRA auf echter Consumer-Hardware fine-tunen — wir begleiten durchgehend zwei Setups, ein Mac Studio M3 Ultra mit 96 GB Unified Memory und einen i9-PC mit RTX 4090. Sie trainieren "Ember", ein Kundensupport-Modell mit Ihrer Stimme und Ihren Regeln, evaluieren es wie ein Ingenieur, quantisieren es zu GGUF und betreiben es lokal mit Ollama oder LM Studio.
Was Sie lernen werden
- Wann Fine-Tuning und wann RAG oder besseres Prompting — und wie man ein messbares Trainingsziel definiert
- Die exakte Speicher-Mathematik fur Full Fine-Tuning, LoRA und QLoRA — was auf 24 GB VRAM vs 96 GB Unified Memory passt
- Wie man einen JSONL-Datensatz im Chat-Format aufbaut, der wirklich Verhalten lehrt, aufgeteilt in train/valid/test
- Wie man echte LoRA-Fine-Tunes mit MLX auf Apple Silicon und Unsloth auf NVIDIA durchfuhrt, dann evaluiert und iteriert
- Wie man mit QLoRA und DPO aufsteigt, zu GGUF quantisiert und das Modell lokal mit Ollama oder LM Studio betreibt
Ich glaube, dass KI die transformativste Technologie unserer Zeit ist und diese Werkzeuge nur besser werden. Aber optimistisch in die Zukunft zu blicken bedeutet nicht, die Gegenwart zu ignorieren — manche Dinge funktionieren wunderbar, andere brauchen ein menschliches Auge. Dieser Kurs lehrt Sie, KI als Elektrowerkzeug zu nutzen, nicht als Zauberstab.
Lehrplan
Triff deinen Drachen: Warum ein eigenes Modell trainieren?
Jedes KI-Modell, das du je benutzt hast — ChatGPT, Claude, Gemini — ist der Drache von jemand anderem. Maechtig, beeindruckend und komplett unter fremder Kon...
Setze dein Trainingsziel: Prompt, RAG oder Fine-Tuning?
Der teuerste Fehler bei lokaler KI ist nicht ein gescheiterter Trainingslauf — es ist ein erfolgreicher Trainingslauf, der das falsche Problem loest. Bevor d...
Kenne die Fluegel deines Drachen: M3 Ultra 96 GB vs RTX 4090
Die Groesse eines Drachen wird von seiner Spannweite begrenzt; die Groesse deines Modells wird vom Speicher begrenzt. Diese Lektion gibt dir die exakte Speic...
Drachenfutter: Ein Dataset bauen, das wirklich funktioniert
Du kannst perfekte Hardware und perfekte Hyperparameter haben — ein schlechter Datensatz gibt dir trotzdem ein schlechtes Modell, jedes einzelne Mal. Datenqu...
Erster Flug: Trainiere dein erstes LoRA
Heute fliegt Ember. Du waehlst ein Basismodell, haengst LoRA-Adapter an und fuehrst ein echtes Fine-Tuning auf deiner eigenen Maschine durch — der Mac-Pfad m...
Die Bestie zaehmen: Evaluieren, Diagnostizieren, Iterieren
Ein Trainingsskript ausfuehren kann jeder. Der Unterschied zwischen einem trainierten Drachen und einem, der Glueck hatte, ist Evaluation — messen, diagnosti...
Fortgeschrittenes Drachentraining: QLoRA, DPO und Quantisierung
Ember fliegt und befolgt Befehle. Diese Lektion ist die fortgeschrittene Flugschule: groessere Drachen auf derselben Hardware trainieren (QLoRA), Urteilsverm...
Lass deinen Drachen frei: Deployen, Servieren und Teilen
Ember ist trainiert, getestet und quantisiert. Die letzte Lektion handelt davon, ihn in der echten Welt fliegen zu lassen: ihn als App servieren, mit der dei...