Fine-Tuning ist die gezielte Weiterbildung eines vortrainierten KI-Modells auf einer kleineren, fachspezifischen Datenmenge. Statt ein Modell von Grund auf neu zu trainieren – was Millionen kostet –, wird ein bestehendes Modell auf eigene Daten und Aufgaben angepasst. Das Ergebnis ist meist deutlich präziser für den jeweiligen Anwendungsfall.
Im HR-Bereich bietet sich Fine-Tuning für Recruiting-Klassifikationen, branchenspezifische Lebenslaufanalysen oder die Generierung typischer interner Texte an. Voraussetzung sind strukturierte Trainingsdaten, klare Aufgabenstellung und ein durchdachter Datenschutz – Bewerbungs- und Mitarbeiterdaten dürfen nicht ohne Rechtsgrundlage in fremde Modelle fließen.
Neben klassischem Fine-Tuning gewinnen leichtere Verfahren wie LoRA, Prefix-Tuning oder Prompt-Tuning an Bedeutung. Sie reduzieren Rechenaufwand und sparen Speicher, ohne die Vorteile angepasster Modelle zu verlieren.
Lunigi setzt Fine-Tuning gezielt ein, um Modelle für deutschsprachige Stellenanzeigen, Tarifkontexte und AI-Sicherheits-Bewertungen zu spezialisieren – das Ergebnis sind präzisere E-Mails.