Training eigener Modelle
Individuelles Modelltraining: LLM-Fine-Tuning für eine Aufgabe mit hohem Volumen
Niedrigere Betriebskosten für eine Aufgabe, die Sie in großer Menge ausführen, ohne Abstriche bei der Genauigkeit. Wir trainieren ein Open-Weight-Modell mit Ihren gelabelten Fällen für genau diese Aufgabe, testen es an Fällen, die es nie gesehen hat, gegen Ihr aktuelles Modell, und Sie wechseln nur, wenn es weniger kostet und mindestens so genau ist. Das Modell kann auf Ihren eigenen Servern laufen, die Daten bleiben also im Unternehmen.
Unser Team hat Software und produktive KI entwickelt für
Was eine eng umrissene Aufgabe von einem Modell braucht
Frontier-Modelle sind darauf trainiert, fast jede Anfrage zu bearbeiten. Eine Aufgabe wie Klassifizierung, Extraktion, Scoring oder Routing braucht ein einziges Verhalten, und zwar zuverlässig. Fälle, die Sie bereits gelabelt haben, bringen einem kleineren Modell genau das bei.
Ihre bisherigen Fälle
Datensätze, bei denen die richtige Antwort schon feststeht, etwa bestätigte Betrugsfälle, korrigierte Extraktionen oder gelöste Tickets.
Basismodell
Ein Open-Weight-Modell mit einigen Milliarden Parametern. Es passt auf eine einzelne GPU, und seine Lizenz erlaubt die kommerzielle Nutzung.
Fine-Tuning
Das Basismodell lernt aus Ihren bekannten Ergebnissen, per Supervised Fine-Tuning oder Reinforcement Learning, mit LoRA-Adaptern.
Vergleich
Das Modell, das Sie heute nutzen, und das neue beantworten dieselben Fälle, von denen keiner im Training vorkam. Wir vergleichen Genauigkeit, Latenz und Kosten pro Anfrage.
Was ein Trainingsprojekt umfasst
Auf gemieteten GPUs ist ein Trainingslauf in wenigen Stunden erledigt. Der größte Aufwand steckt in den Trainingsdaten und im Testset sowie im Betrieb des Modells in Ihrer Infrastruktur, sobald echte Anfragen eintreffen.
Daten und Tests
Modelltraining
Im Betrieb
Wann sich für eine Aufgabe ein eigenes Modell lohnt
Die folgenden Schwellenwerte stammen aus unseren eigenen Kostenmodellen, und wir prüfen sie an Ihrem tatsächlichen Traffic.
Volumen
Eine einzelne Aufgabe mit mehreren hunderttausend Anfragen im Monat
Labels
Das tatsächliche Ergebnis jedes Falls steht erst später fest
Kontrolle
Strenge Vorgaben zur Antwortzeit oder Daten, die auf Ihren eigenen Systemen bleiben müssen
Unter diesen Schwellenwerten ist ein kleineres gehostetes Modell die günstigere Wahl, und dazu raten wir dann.
Mit einem Engineer sprechenWie die beiden Modelle bei Ihren Fällen abschneiden
Wir lassen beide Modelle auf denselben zurückgehaltenen Fällen laufen und stellen Genauigkeit, Latenz und Kosten nebeneinander. Das trainierte Modell übernimmt nur, wenn es im Betrieb günstiger ist und keine Genauigkeit einbüßt.
Frontier-Modell im Vergleich mit einem trainierten Modell
Beispiel mit synthetischen Daten
Bei 2 Millionen Anfragen im Monat sinken die Kosten von 9600 € auf 1400 €
Ihre Daten und das Modell bleiben unter Ihrer Kontrolle
Wir nehmen kein Geld von Modell- oder Tool-Anbietern an. Unsere Empfehlungen richten sich allein danach, wie gut jede Option bei Ihrer Aufgabe abschneidet.
Ihre Trainingsdaten verlassen Ihre Umgebung nicht.
Die Gewichte des trainierten Modells gehören Ihnen.
Wir dokumentieren Testergebnisse und Entscheidungen so, dass Ihre Prüfer sie nachvollziehen können.
Wo es einen Betriebsrat gibt, klären wir seine Anforderungen frühzeitig.
Fragen
Kostet das erste Gespräch etwas?
Nein. Sie sprechen 30 Minuten lang mit einem unserer Engineers über die Aufgabe, an die Sie denken. Sie geben keine Daten weiter, und wir brauchen keinen Zugriff auf Ihre Systeme.
Gibt es Belege dafür, dass ein kleines trainiertes Modell ein Frontier-Modell schlagen kann?
Ja, bei eng umrissenen Aufgaben mit guten Labels. Im Oktober 2026 berichtete Coinbase, dass ein Qwen3.5-9B-Modell, trainiert auf den Ergebnissen der unternehmenseigenen Betrugsfälle, besser abschnitt als ein Frontier-Modell, bei weniger als der halben Latenz. Für offenes Schlussfolgern oder Aufgaben, die breites Wissen erfordern, bleiben Frontier-Modelle die bessere Wahl.
Was ist, wenn das trainierte Modell hinter unserem aktuellen zurückbleibt?
Dann behalten Sie Ihr aktuelles Modell. Testset und Evaluierungspipeline bleiben bei Ihnen, und Sie können damit jedes Modell auswählen und überwachen, das Sie später einsetzen.
Haben Sie schon Modelle trainiert und in Produktion betrieben?
Ja. Unsere Engineers haben Computer-Vision-Modelle auf mehr als 100 Millionen Bildern trainiert und für eine Website mit Millionen Besuchern am Tag betrieben. Wir arbeiten heute noch in derselben Reihenfolge wie damals: zuerst das Testset, dann das Training, dann das Monitoring, sobald das Modell live ist.
Was brauchen Sie von uns?
Eine Aufgabe mit ausreichend Volumen und frühere Fälle, deren Ergebnisse Sie kennen, idealerweise einige tausend davon. Außerdem brauchen wir ein bis zwei Stunden pro Woche von einer Fachperson, die die Antworten des Modells beurteilen kann.
Was ist, wenn wir keine Produktionsdaten weitergeben können?
Dann beginnt das Training mit offenen Datensätzen oder synthetischen Daten. Oder wir starten mit der Modellauswahl: Wir vergleichen bestehende Modelle an Ihrer Aufgabe und trainieren nur, wenn es sich dann noch lohnt.
Mit welchen Basismodellen arbeiten Sie?
Mit Open-Weight-Modellen, deren Lizenz die kommerzielle Nutzung erlaubt, etwa Qwen, Gemma, Mistral, Granite und gpt-oss. Die Bedingungen unterscheiden sich von Modell zu Modell. Manche schließen Unternehmen ab einer bestimmten Größe oder mit Sitz in der EU aus, deshalb prüfen wir sie in jedem Projekt. Wenn Ihre Einkaufsrichtlinien es verlangen, setzen wir Modelle europäischer oder US-amerikanischer Herkunft ein.
Was bedeutet der EU AI Act für ein Modell mit Fine-Tuning?
Ein Fine-Tuning mit LoRA braucht oft weit weniger Rechenleistung als das ursprüngliche Training, doch die Methode allein entscheidet nicht über Ihre Rolle nach der KI-Verordnung. Die Leitlinien der Kommission nennen eine Änderung mit mehr als einem Drittel der Rechenleistung des ursprünglichen Trainings als Anhaltspunkt dafür, dass ein Unternehmen, das ein Modell ändert, zum Anbieter eines KI-Modells mit allgemeinem Verwendungszweck wird. Ein Anhaltspunkt entscheidet aber nicht jeden Fall. Ihre Rolle und Ihre Pflichten hängen davon ab, wie Sie das Modell tatsächlich verändern und wie Sie es einsetzen. Wir bereiten die Dokumentation vor, die Ihr Datenschutz- und Ihr Compliance-Team brauchen, einschließlich der Art der Änderung und der dafür genutzten Rechenleistung, und die rechtliche Bewertung bleibt bei Ihrer Rechtsberatung.
Wann Retrieval und wann Fine-Tuning
Retrieval liefert Fakten, die sich ändern, etwa aktuelle Preise, Richtlinien oder Produktdokumentation. Das Modell schlägt sie beim Antworten nach, sodass eine Aktualisierung keinen neuen Trainingslauf braucht.
Fine-Tuning bringt einem Modell wiederkehrendes Verhalten bei. Ein Modell, das eingehende Schadensmeldungen Ihren Kategorien zuordnet oder aus jeder Rechnung dieselben Felder ausliest, lernt dieses Muster aus Ihren früheren Fällen.
Verwandte Leistungen
Evals für KI-Agenten
Finden Sie heraus, wie oft ein Agent die Aufgabe erledigt, bevor er in Ihren Systemen handelt: Wir prüfen Ergebnisse, Tool-Aufrufe und wie verlässlich sich Läufe wiederholen.
KI-Automatisierung
Weniger Routinearbeit für Ihre Teams: Prozesse Schritt für Schritt mit Regeln, Workflow-Tools, Modellen und Agenten automatisiert, von Menschen freigegeben, pro Fall gemessen.
KI-Chatbots
Kunden und Beschäftigte bekommen schneller Antworten aus Ihren Daten, mit freigegebenen Aktionen und Übergabe an Menschen, wenn es darauf ankommt.
KI-Strategie und KI-Einführung
KI-Strategie und KI-Einführung, die mit einem laufenden, gemessenen System an Ihren eigenen Prozessen beginnt und die Roadmap auf seinen Zahlen aufbaut.
Datenintegration für KI
Antworten aus Dateiablagen, SharePoint, ERP und Tickets in Sekunden, für Assistenten und Agenten, mit übernommenen Berechtigungen und Tests.
KI-Engineers für Ihr Team
Zusätzliche KI-Kapazität, wenn Ihrem Team KI-Know-how fehlt: erfahrene Engineers, die mit Ihnen bauen und ihr Wissen dalassen.
KI-Evals-Engineering
Evals aus Ihren eigenen Traces zeigen, ob eine Änderung Ihr KI-Produkt besser oder schlechter gemacht hat, mit einem Release-Gate, das in Ihrem Repository bleibt.
Qualitätssicherung für KI-Systeme
Vor dem Go-live zeigen Abnahmetests auf Ihren eigenen Fällen, wie oft Chatbot, Assistent oder Agent richtig liegen, in den Begriffen, die Ihr QA-Team kennt.
Kostenlose KI-Nutzungsanalyse
Eine Seite für die Geschäftsführung: wohin Ihr KI-Budget fließt, ob es sich auszahlt und was sich ändern sollte, aus Exporten Ihrer Wahl. Kostenlos, ohne Systemzugriff.
KI für Unternehmen
Eine freigegebene KI-Plattform für das ganze Unternehmen: interner Assistent statt Schatten-KI, freigegebene Modelle, Daten im Haus und Ausgaben pro Team.
LiteLLM-Gateway
Budgets und Zugriffsregeln für die KI-Nutzung jedes Teams, über ein LiteLLM-Gateway, das abgesichert, an Ihren Identitätsanbieter angebunden und aktuell gehalten ist.
KI-Plattform für alle Teams
Ein freigegebener Zugang zu KI für jedes Team, mit Budgets, Protokollen und freier Modellwahl, betrieben auf Ihren Servern oder in Ihrer Cloud.
Systemzugriff für Agenten (MCP)
KI-Agenten, die in Ihren Systemen Daten abfragen und ändern, mit engen Berechtigungen, menschlicher Freigabe für Änderungen und Tests.
On-Premise-KI
KI für Angebote, Verträge und Kundenakten, und die Daten bleiben im Unternehmen: eigene Server oder eigenes Cloud-Konto, vor dem Go-live geprüft.
Azure OpenAI und Bedrock
GPT und Claude für Unternehmensdaten, unter Ihren bestehenden Cloud-Verträgen: Azure OpenAI und Amazon Bedrock im eigenen Konto, mit Verarbeitung in der EU und einem Gateway.
Wissensassistenten (RAG)
Beschäftigte finden Antworten in internen Dokumenten in Sekunden, mit Quellenangaben, Berechtigungen und Tests anhand Ihrer eigenen Fragen.
RAG-Evaluierung
Ein Assistent, der aus Ihren Dokumenten antwortet, getestet auf Retrieval und Antworten in jeder Sprache Ihrer Nutzer, damit Sie wissen, wie oft er richtig liegt und die richtige Quelle nennt.
vLLM auf Kubernetes
Open-Weight-Modelle auf Ihren eigenen GPUs, damit Daten im Haus bleiben und Kosten geplanter Kapazität folgen, nach gemessener Last dimensioniert.
Aus dem Blog
RAG oder Fine-Tuning?
Entscheidungskriterien für Retrieval, Fine-Tuning oder beides: ob die Aufgabe veränderliches Wissen oder konsistentes Verhalten braucht, mit Beispieltabelle und Vorgehen.
Datenqualität fürs Fine-Tuning
Vier Prüfungen, die zeigen, ob Ihre Beispiele für ein Fine-Tuning taugen: Labelfehler, Abdeckung des echten Traffics, Herkunft und Überschneidungen mit dem Testset.
Feingetunte Modelle bewerten
Wie Sie zeigen, dass ein feingetuntes Modell das bisherige ersetzen sollte: vorab festgelegte Abnahmekriterien, ein fairer Vergleich auf zurückgehaltenen Fällen sowie Kosten und Latenz in derselben Tabelle.
Mit einem Engineer sprechen
Bringen Sie eine Aufgabe mit, die Sie verbessern möchten. Das Gespräch dauert 30 Minuten und braucht keinen Zugriff auf Ihre Systeme oder Ihre Daten.
Die Buchung läuft über Google Kalender.

Mickey Graf
Gründer und Geschäftsführer von Cloudsail
Lieber erst schreiben? Hinterlassen Sie Ihre E-Mail-Adresse und ein paar Zeilen. Mickey liest jede Nachricht selbst und antwortet per E-Mail mit Terminvorschlägen.
Sehen Sie in Ihrem E-Mail-Programm nach dem Entwurf
Senden Sie ihn von dort ab, und Mickey antwortet Ihnen persönlich mit Terminvorschlägen für ein 30-minütiges Gespräch. Hat sich kein Entwurf geöffnet, schreiben Sie uns an miki@cloudsail.com.