Seminare
Seminare
  • Seminare
  • Anbieter
  • 5 km
  • 10 km
  • 25 km
  • 50 km
  • 100 km
  • 150 km
  • 200 km
  • 300 km

Open-Source LLM Fine-Tuning für Entwickler

Webinar - PROKODA GmbH

Open-Source LLM Fine-Tuning für Entwickler
Termin Ort Preis*
08.06.2026- 10.06.2026 München 1.773,10 €
08.06.2026- 10.06.2026 online 1.773,10 €
14.09.2026- 16.09.2026 München 1.773,10 €
14.09.2026- 16.09.2026 online 1.773,10 €

Alle Termine anzeigen

*Alle Preise verstehen sich inkl. MwSt.

Detaillierte Informationen zum Seminar

Inhalte:
  • Modell- und Trainingsstrategie festlegen
    • Use-Case-Scoping: Chat, RAG, Tool-Use, Klassifikation
    • Base Model Auswahl: Llama, Mistral, Qwen und Lizenzfallen
    • Compute-Kalkulation: VRAM, Throughput, Kosten, Zeit
    • PEFT vs. Full Fine-Tuning: wann sich was lohnt
  • Daten, die wirklich wirken
    • Instruction-Datasets: Struktur, Prompt-Formate, Systemregeln
    • Qualitätssicherung: Dedup, Leakage, Toxicity, PII
    • Labeling-Workflows: Guidelines, Inter-Annotator-Checks
    • Data Mixing: Domain, General, Safety, Hard Negatives
  • Supervised Fine-Tuning (SFT) mit PEFT
    • LoRA/QLoRA: Rank, Alpha, Target Modules
    • Tokenisierung, Packing, Sequence Length, Loss Masking
    • Training mit Hugging Face Transformers + TRL
    • Stabilität: LR-Schedules, Grad-Accumulation, Checkpoints
  • Preference Tuning: DPO statt Bauchgefühl
    • Pairwise Preferences: Datenschema und Sampling
    • DPO-Grundidee, Beta, Overfitting auf Präferenzen
    • Alternativen: ORPO, IPO, Best-of-N Sampling
    • Guardrails: Ablehnungen, Policy-Style, Safety-Prompts
  • Evaluation, die dich vor Überraschungen schützt
    • Offline-Eval: Task-Suites, Regression Tests, Golden Sets
    • LLM-as-a-Judge: Bias, Kalibrierung, Gegenchecks
    • Halluzinationsmessung in RAG-Setups
    • Monitoring-Metriken: Drift, Cost per Answer, Latency
  • Deployment & Betrieb
    • Export: Adapter-Merge, Quantisierung (GPTQ/AWQ)
    • Serving: vLLM/TGI, Batching, KV-Cache, Streaming
    • Security: Prompt Injection, Data Exfiltration, Secrets
    • Release-Prozess: Modellkarten, Versionierung, Rollback
Teilnahmevoraussetzungen:
  • Solide Python-Grundlagen und Erfahrung mit CLI/Git.
  • Grundverständnis von Transformer/Tokenisierung und ML-Training (Begriffe wie Loss, Epoch, Overfitting).
Zielgruppe:
  • Softwareentwickler und Machine-Learning-Engineers, die Open-Source LLMs anpassen
  • AI Engineers im Produktteam mit Verantwortung für Qualität und Betrieb
  • Data Scientists, die SFT und Preference Tuning umsetzen wollen
  • Plattform- und MLOps-Teams, die Serving, Monitoring und Releases absichern
  • Alle, die Fine-Tuning reproduzierbar planen, evaluieren und betreiben wollen
Nach unten
Nach oben
Wir setzen Analyse-Cookies ein, um Ihre Zufriedenheit bei der Nutzung unserer Webseite zu verbessern. Diese Cookies werden nicht automatisiert gesetzt. Wenn Sie mit dem Einsatz dieser Cookies einverstanden sind, klicken Sie bitte auf Akzeptieren. Weitere Informationen finden Sie hier.
Akzeptieren Nicht akzeptieren









Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha



Bei der Verarbeitung Ihrer personenbezogenen Daten im Zusammenhang mit der Kontaktfunktion beachten wir die gesetzlichen Bestimmungen. Unsere ausführlichen Datenschutzinformationen finden Sie hier. Bei der Kontakt-Funktion erhobene Daten werden nur an den jeweiligen Anbieter weitergeleitet und sind nötig, damit der Anbieter auf Ihr Anliegen reagieren kann.







Um Spam abzuwehren, geben Sie bitte die Buchstaben auf dem Bild in das Textfeld ein:

captcha