Beherrschen Sie die gesamte Pipeline der Feinabstimmung – von den internen Abläufen des Transformers bis hin zur Bereitstellung in der Produktion – mithilfe speichereffizienter Techniken, die auf handelsüblicher Hardware laufen.

Dieser Kurs verwandelt Sie von jemandem, der große Sprachmodelle nutzt, in jemanden, der sie individuell anpasst. Sie lernen, Modelle mit 7 Milliarden Parametern auf einer Laptop-GPU mithilfe von QLoRA zu feinstimmen, wodurch der Speicherbedarf durch intelligente Quantisierung und Low-Rank-Adaption von 56 GB auf nur 4 GB reduziert wird. Was diesen Kurs auszeichnet, ist sein rigoroser, wissenschaftlicher Ansatz. Sie werden durchgehend die Popper’sche Falsifikationsmethodik anwenden: Anstatt zu fragen „Funktioniert mein Modell?“, werden Sie systematisch versuchen, es zu widerlegen. Diese skeptische Denkweise – das Testen von Randfällen bei der Tokenisierung, das Durchführen von Rang-Ablationsstudien und die Validierung der Korpusqualität anhand von sechs Falsifikationskategorien – fördert die Fähigkeiten zum kritischen Denken, die produktionsreife Ingenieure von denen unterscheiden, die anfällige Systeme ausliefern. Am Ende des Kurses werden Sie sicher in der Lage sein: den VRAM-Bedarf zu berechnen und geeignete Hardware auszuwählen; die Inferenz durch die sechsstufige Transformer-Pipeline nachzuvollziehen; den LoRA-Rang entsprechend der Aufgabenkomplexität zu konfigurieren; hochwertige Trainingskorpora mithilfe von AST-Extraktion zu erstellen; und Datensätze mit korrekten Aufteilungen und Dokumentation auf HuggingFace zu veröffentlichen. Da der Kurs vollständig auf einem eigenständigen KI-Stack basiert, läuft alles lokal ohne externe Abhängigkeiten – echte ML-Unabhängigkeit.