Die Welt der künstlichen Intelligenz ist in Bewegung. Neue Modelle, neue Methoden und vor allem neue Möglichkeiten entstehen heute fast wöchentlich – und dennoch bleibt eine Erkenntnis konstant: Nicht jede technische Neuerung führt automatisch zu einem besseren Alltag. Vieles bleibt experimentell, komplex oder schlicht zu aufwendig für den produktiven Einsatz. Besonders deutlich zeigt sich das beim sogenannten Feintuning großer Sprachmodelle – einer Methode, um generative KI auf eigene Inhalte, Begriffe und Tonalitäten zu spezialisieren.
Ich habe diesen Prozess in den letzten Monaten intensiv begleitet – erst in klassischer Form, mit Python, Terminal, Fehlermeldungen und nervenaufreibenden Setup-Schleifen. Und dann: mit FileMaker 2025. Ein Schritt, der mich überrascht hat – weil er nicht laut, aber klar war. Und weil er gezeigt hat, dass es auch anders geht.
In einem ausführlichen Fachartikel auf gofilemaker.de habe ich genau diesen Wandel dokumentiert: den Übergang vom offenen, flexiblen, aber instabilen PEFT-LoRA-Training (z. B. mit Axolotl, LLaMA-Factory oder kohya_ss) hin zur integrierten Lösung von Claris – per Script, lokal, nachvollziehbar.
Was ist LoRA überhaupt – und warum ist es so wichtig?
LoRA steht für Low-Rank Adaptation. Hinter diesem technisch klingenden Begriff verbirgt sich ein einfaches, aber kraftvolles Prinzip: Statt ein komplettes KI-Modell neu zu trainieren, passt man nur ganz bestimmte Teile an – über sogenannte Adapter-Gewichte, die gezielt eingefügt und trainiert werden. Diese Methode hat sich in den letzten Jahren als Goldstandard für domänenspezifisches Fine-Tuning etabliert – weil sie mit wenig Rechenleistung auskommt und dennoch hervorragende Ergebnisse liefert.
Im klassischen Ansatz braucht man dafür ein Arsenal aus Tools:
- eine funktionierende Python-Umgebung,
- passende CUDA- und PyTorch-Versionen,
- eine Trainings-Engine wie Axolotl oder kohya_ss,
- GPU-Ressourcen, die das Ganze bewältigen,
- und nicht zuletzt: Geduld. Viel Geduld.
Denn zwischen YAML-Dateien, Tokenizer-Konflikten und Formatkonvertierungen (von safetensors zu GGUF zu MLX und zurück) gehen oft Tage ins Land, bevor ein brauchbares Ergebnis entsteht. Es funktioniert – aber es ist nichts für nebenbei.
Und dann kam FileMaker 2025.
Mit der Einführung des AI Model Server und eines neuen Scriptsteps namens Fine-Tune Model bringt Claris genau diese Methode in ein Umfeld, in dem man sie so nicht erwartet hätte: in eine relationale Datenbank.
Was zunächst ungewöhnlich klingt, ergibt bei genauerem Hinsehen verblüffend viel Sinn. Denn was braucht ein gutes Feintuning?
- Strukturiert aufbereitete Daten,
- eine stabile Umgebung,
- klare Parameter,
- und einen definierten Anwendungskontext.
All das bietet FileMaker – und deshalb wirkt die Integration von LoRA in dieser Umgebung nicht wie ein Fremdkörper, sondern wie eine logische Erweiterung.
Training ohne Terminal – aber nicht ohne Kontrolle
In meinem Artikel beschreibe ich ausführlich, wie sich der Trainingsprozess in FileMaker anfühlt:
- Dateneingabe direkt aus bestehenden Tabellen oder JSONL-Dateien,
- Hyperparameter wie Lernrate oder Schichttiefe direkt im Script steuerbar,
- vollständiger lokaler Betrieb auf Apple-Silicon – ohne Cloud, ohne Upload,
- und vor allem: Ergebnisse, die reproduzierbar und alltagstauglich sind.
Natürlich gibt es Grenzen. FileMaker erlaubt (noch) kein Multi-Model-Serving, keine Layer-Freeze-Strategien und auch keinen Export in andere Formate wie GGUF oder ONNX. Es ist kein Forschungstool, sondern ein Werkzeug für klare Anwendungsfälle – etwa das Anpassen von Sprachmodellen auf unternehmensspezifische Begriffe, Antworten, Produktbeschreibungen oder interne Dialogstrukturen.
Und genau darin liegt der Charme: Es funktioniert. Stabil. Wiederholbar. Und schneller, als ich es je für möglich gehalten hätte.
Aktuelle Umfrage zur Zukunft von FileMaker und KI
Wer sollte sich das genauer ansehen – und warum?
Dieser Artikel richtet sich an alle, die KI nicht nur verstehen, sondern nutzen wollen:
- Geschäftsführer, die Datenschutz und Effizienz in Einklang bringen wollen.
- Entwickler, die nicht jedes Mal wieder bei Null anfangen möchten.
- Strategen, die begreifen, dass KI nicht nur extern „eingekauft“, sondern auch intern trainiert werden kann.
In FileMaker 2025 wird das Feintuning von Sprachmodellen Teil des Workflows – nicht als Fremdkörper, sondern als echtes Werkzeug. Das ist ein leiser, aber nachhaltiger Wandel, der zeigt, wie weit wir in der Alltagstauglichkeit von KI gekommen sind.
Zum Artikel:
Vom Terminal zum Script: FileMaker 2025 macht LoRA-Feintuning alltagstauglich
In einem nächsten Artikel werde ich beschreiben, wie ein Sprachmodell in der Praxis mit FileMaker trainiert werden kann und stelle dazu dann auch ein entsprechendes Beispielscript zur Verfügung.