{"id":51493,"date":"2025-10-26T07:09:36","date_gmt":"2025-10-26T06:09:36","guid":{"rendered":"https:\/\/gofilemaker.de\/?p=51493"},"modified":"2026-01-28T07:40:18","modified_gmt":"2026-01-28T06:40:18","slug":"van-terminal-naar-script-filemaker-2025-maakt-lora-fine-tuning-geschikt-voor-dagelijks-gebruik","status":"publish","type":"post","link":"https:\/\/gofilemaker.de\/nl\/2025\/10\/van-terminal-naar-script-filemaker-2025-maakt-lora-fine-tuning-geschikt-voor-dagelijks-gebruik\/","title":{"rendered":"Van terminal naar script: FileMaker 2025 maakt LoRA-fijnafstelling geschikt voor dagelijks gebruik"},"content":{"rendered":"\t\t<div data-elementor-type=\"wp-post\" data-elementor-id=\"51493\" class=\"elementor elementor-51493\">\n\t\t\t\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-61ed68ff elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"61ed68ff\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-4b7e5127\" data-id=\"4b7e5127\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-58a0ad8 elementor-widget elementor-widget-text-editor\" data-id=\"58a0ad8\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.8.0 - 30-10-2022 *\/\n.elementor-widget-text-editor.elementor-drop-cap-view-stacked .elementor-drop-cap{background-color:#818a91;color:#fff}.elementor-widget-text-editor.elementor-drop-cap-view-framed .elementor-drop-cap{color:#818a91;border:3px solid;background-color:transparent}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap{margin-top:8px}.elementor-widget-text-editor:not(.elementor-drop-cap-view-default) .elementor-drop-cap-letter{width:1em;height:1em}.elementor-widget-text-editor .elementor-drop-cap{float:left;text-align:center;line-height:1;font-size:50px}.elementor-widget-text-editor .elementor-drop-cap-letter{display:inline-block}<\/style>\t\t\t\t<p>Wer im Jahr 2023 oder 2024 ernsthaft versucht hat, ein eigenes LoRA-Modell zu trainieren &ndash; sei es mit kohya_ss, Axolotl oder einer anderen PEFT-basierten Toolchain &ndash; wei&szlig;, dass zwischen Theorie und Praxis oft eine tiefe Schlucht liegt. Auf dem Papier klingt es simpel: Ein Basismodell laden, eigene Trainingsdaten vorbereiten, die Parameter anpassen, und los geht&rsquo;s. In der Realit&auml;t endet es h&auml;ufig in einem Dschungel aus Python-Versionen, CUDA-Fehlern, inkonsistenten Bibliotheken und fehlerhaften Speicherformaten. Man wechselt zwischen safetensors, ckpt, GGUF oder neuerdings MLX, ohne immer zu wissen, welches Format gerade kompatibel ist &ndash; und warum nicht. Selbst kleine &Auml;nderungen im Setup k&ouml;nnen ganze Trainingsl&auml;ufe zum Absturz bringen, und wer ein Modell in einer anderen Umgebung verwenden will, steht oft vor der n&auml;chsten Konvertierungsrunde.<\/p><p>Gerade in dieser Situation beginnt man, die wahre Bedeutung des Begriffs &bdquo;Low-Rank Adaptation&ldquo; zu verstehen: Nicht nur, weil man Modelle in niedrigem Rang anpasst, sondern weil man selbst dem&uuml;tig wird &ndash; gegen&uuml;ber der Komplexit&auml;t dieser Systeme. Und doch ist genau diese Methode heute der Schl&uuml;ssel, um gro&szlig;e Sprachmodelle effizient, ressourcenschonend und dom&auml;nenspezifisch anzupassen.<\/p><p>Nun betritt Claris mit FileMaker 2025 die B&uuml;hne &ndash; ein Umfeld, das bislang f&uuml;r ganz andere Dinge bekannt war: Datenbankl&ouml;sungen, Gesch&auml;ftsprozesse, klar strukturierte Workflows.&nbsp;<\/p><p>Und pl&ouml;tzlich taucht dort ein Scriptstep auf, der schlicht &bdquo;Fine-Tune Model&ldquo; hei&szlig;t. Ein Befehl, der das Wort &bdquo;LoRA&ldquo; in einem Atemzug mit &bdquo;FileMaker&ldquo; nennt. Wer die letzten Jahre mit klassischen LoRA-Trainings verbracht hat, reibt sich da unweigerlich die Augen. Denn die Frage liegt auf der Hand: Kann das wirklich funktionieren &ndash; und wenn ja, auf welchem Niveau?<\/p><p>Diese Neugier ist berechtigt. Denn w&auml;hrend man fr&uuml;her stundenlang in der Kommandozeile hantierte, bietet FileMaker nun die Aussicht auf ein Training &bdquo;per Klick&ldquo; &ndash; direkt in einer Umgebung, die ohnehin die Daten enth&auml;lt, mit denen man trainieren will. Ein Paradigmenwechsel also: weg vom experimentellen Labor hin zum produktiven Werkzeugkasten. Aber nat&uuml;rlich bleibt Skepsis angebracht. Denn so charmant diese Vorstellung ist &ndash; die eigentliche Frage lautet: Was geschieht dabei technisch? Handelt es sich um ein echtes, vollwertiges LoRA-Feintuning, oder um eine abstrahierte, vereinfachte Variante? Und wie unterscheiden sich die Ergebnisse qualitativ von einem Training, das man mit klassischen Methoden durchf&uuml;hrt?<\/p><p>Bevor man das beurteilen kann, lohnt sich ein kurzer Blick zur&uuml;ck &ndash; auf das Prinzip selbst, auf die Idee hinter LoRA, die uns erlaubt hat, gro&szlig;e Modelle auf kleinem Raum neu zu denken.<\/p><p>Zu den neuen&nbsp;<a style=\"transition-timing-function: ease; transition-delay: 0s;\" href=\"https:\/\/www.markus-schall.de\/2025\/09\/integration-von-mlx-in-filemaker-2025-lokale-ki-als-neuer-standard\/\" target=\"_blank\" rel=\"noopener\"><strong>KI-Funktionen aus FileMaker 2025<\/strong><\/a>&nbsp;hat Markus Schall auf seiner Website einen separaten Artikel ver&ouml;ffentlicht. Im folgenden Artikel geht es nun um LoRA Feintuning eines Sprachmodells direkt aus FileMaker heraus. In einem n&auml;chsten Artikel werden wir beschreiben, wie ein Sprachmodell in der Praxis mit FileMaker trainiert werden kann.<\/p><h2>Was ist LoRA &uuml;berhaupt? &ndash; Ein kurzer R&uuml;ckblick auf das Prinzip<\/h2><p>LoRA steht f&uuml;r Low-Rank Adaptation, und dieser Name beschreibt das Verfahren pr&auml;zise. Es handelt sich um eine Technik, bei der ein gro&szlig;es neuronales Netz nicht vollst&auml;ndig neu trainiert, sondern nur in bestimmten Gewichtsmatrizen in komprimierter Form angepasst wird. Konkret werden einige Schichten des Modells mit kleinen, zus&auml;tzlichen Matrizen versehen, die sogenannte &bdquo;Adapter&ldquo; bilden. Diese Adapter lernen w&auml;hrend des Feintunings neue, aufgabenspezifische Muster, ohne die urspr&uuml;nglichen Modellgewichte zu ver&auml;ndern. Das hat zwei gro&szlig;e Vorteile: erstens spart es Speicher und Rechenleistung, zweitens bleibt das Basismodell unver&auml;ndert &ndash; man kann also mehrere Feintunes auf derselben Grundlage erstellen, kombinieren und bei Bedarf auch wieder entfernen.<\/p><p>Diese Idee entstand urspr&uuml;nglich aus der Not heraus. Vollst&auml;ndiges Feintuning war schlicht zu teuer. Ein Modell mit mehreren Milliarden Parametern neu zu trainieren, erfordert nicht nur leistungsstarke Hardware, sondern auch gewaltige Datenmengen und pr&auml;zise Steuerung. LoRA dagegen brachte eine pragmatische L&ouml;sung: Anstatt das gesamte Netz zu ver&auml;ndern, optimiert man nur eine Handvoll Zusatzgewichte &ndash; meist ein bis zwei Prozent des Gesamtvolumens. Damit wurde Feintuning pl&ouml;tzlich f&uuml;r Einzelanwender, Start-ups und Forschungsgruppen realistisch.<\/p><p>Im Grunde ist LoRA ein Symbol f&uuml;r den Wandel, den die KI-Entwicklung durchlaufen hat. W&auml;hrend man fr&uuml;her von Grund auf neu trainierte, spricht man heute von Adaptation: vorhandenes Wissen anpassen, statt neues Wissen zu erzwingen. Es ist das maschinelle Pendant zu dem, was man im menschlichen Lernen als Erfahrung bezeichnen k&ouml;nnte &ndash; das Modell lernt, sich in einer neuen Umgebung zurechtzufinden, ohne seine Identit&auml;t zu verlieren.<\/p><p>Ein weiterer Vorteil von LoRA ist seine Modularit&auml;t. Einmal trainiert, kann ein LoRA-Adapter wie ein Zusatzmodul geladen oder entladen werden. So entstehen spezialisierte Varianten eines Basismodells &ndash; beispielsweise ein Chatmodell, das sich auf medizinische Texte spezialisiert, eines f&uuml;r juristische Sprache, oder eines, das den Stil eines bestimmten Unternehmens abbildet. In der Praxis hat sich das Verfahren sowohl bei Text- als auch bei Bildmodellen etabliert, wobei die zugrunde liegenden Prinzipien gleich bleiben: kleine, differenzierte Anpassungen statt gro&szlig;er, globaler Eingriffe.<\/p><p>Doch auch wenn das Verfahren selbst elegant ist, bleibt seine Umsetzung anspruchsvoll. Die Trainingsumgebung, die Datenvorbereitung und die richtigen Hyperparameter entscheiden &uuml;ber Erfolg oder Misserfolg. Genau hier zeigt sich der entscheidende Unterschied zwischen den klassischen Open-Source-Toolchains wie Axolotl, LLaMA-Factory oder kohya_ss und der neuen, integrierten L&ouml;sung in FileMaker 2025. Beide verwenden dieselbe mathematische Idee &ndash; aber sie betten sie in v&ouml;llig unterschiedliche technische und konzeptionelle Kontexte ein.<br>Und genau das ist der Punkt, an dem unser Vergleich ansetzt: beim Versuch, zwei Welten zu verstehen, die dieselbe Sprache sprechen, aber ganz verschieden denken.<\/p><h2>Der klassische Weg &ndash; LoRA-Training mit kohya_ss und PEFT<\/h2><p>Wer den klassischen Weg des <a href=\"https:\/\/medium.com\/@kailash.thiyagarajan\/fine-tuning-large-language-models-with-lora-demystifying-efficient-adaptation-25fa0a389075\" target=\"_blank\" rel=\"noopener\"><strong>LoRA-Trainings<\/strong><\/a> gegangen ist, kennt das Ritual: Zuerst die Installation von Python, dann die richtige Version von PyTorch, anschlie&szlig;end die passenden NVIDIA-Treiber &ndash; und am Ende steht immer dieselbe Unsicherheit, ob alles miteinander harmoniert. Kohya_SS, urspr&uuml;nglich f&uuml;r das Training visueller Modelle konzipiert, wurde in den letzten Jahren zu einer Art Universall&ouml;sung f&uuml;r alle, die LoRA-Adapter erstellen wollten, egal ob f&uuml;r Bilder oder Text. Unter der Haube nutzt das System dieselben Prinzipien wie die PEFT-Bibliothek von Hugging Face &ndash; nur in einer komfortableren grafischen Oberfl&auml;che.<\/p><p>Der Ablauf folgt immer demselben Muster. Man beginnt mit einem Basismodell, etwa einem Llama- oder Mistral-Derivat. Danach werden die Trainingsdaten vorbereitet &ndash; meist in Form von JSONL-Dateien mit Rollenstrukturen (&bdquo;user&ldquo; und &bdquo;assistant&ldquo;), manchmal aber auch als einfache Frage-Antwort-Listen. Anschlie&szlig;end m&uuml;ssen die Parameter definiert werden: Lernrate, LoRA-Rang, Adapter-Layer, Batch-Gr&ouml;&szlig;e, Optimizer, Zielverzeichnisse. Schon diese Phase trennt die Bastler von den Geduldigen, denn jede dieser Einstellungen kann &uuml;ber Erfolg oder Fehlschlag entscheiden.<\/p><p>Was folgt, ist die eigentliche Trainingsphase &ndash; oft begleitet von einem Gef&uuml;hl zwischen Hoffnung und Skepsis. W&auml;hrend die GPU stundenlang rechnet, beobachtet man neugierig die Verlustkurve, und doch wei&szlig; man nie genau, ob das Ergebnis am Ende wirklich besser ist als zuvor. Manchmal endet das Training mit einer Fehlermeldung, manchmal mit einer Datei, die sich sp&auml;ter nicht mehr laden l&auml;sst. Und wenn es gelingt, wartet die n&auml;chste Herausforderung: das fertige Modell in ein Format zu bringen, das sich in anderen Umgebungen nutzen l&auml;sst. Ein Adapter, der als safetensors vorliegt, muss oft noch zu GGUF oder MLX konvertiert werden &ndash; je nach Zielplattform. Dabei gehen gelegentlich Tensoren verloren, und wer Pech hat, steht wieder am Anfang.<\/p><p>Trotz all dieser H&uuml;rden besitzt der klassische Weg einen gewissen Reiz. Er ist ehrlich, transparent, und man sp&uuml;rt bei jedem Schritt, was im Hintergrund geschieht. Man sieht die Gewichte, man kann Parameter einzeln ver&auml;ndern, man hat die volle Kontrolle. Und genau das war lange Zeit der Charme dieser Welt: Sie belohnte diejenigen, die sich durch den Dschungel k&auml;mpften. Wer das erste Mal ein eigenes LoRA-Modell erfolgreich trainiert hatte, f&uuml;hlte sich, als h&auml;tte er einen Gipfel bestiegen.<\/p><p>Doch irgendwann stellt sich die Frage, ob dieser Aufwand noch zeitgem&auml;&szlig; ist. Denn das Ziel bleibt dasselbe &ndash; ein Modell zu schaffen, das sich an eine spezifische Sprache, einen Stil oder ein Aufgabenfeld anpasst. Die Methode ist solide, aber der Weg dorthin oft beschwerlich. Und so w&auml;chst der Wunsch nach einer Umgebung, in der all das nicht mehr Wochenend-Projekt, sondern Arbeitswerkzeug ist.<\/p><h2>FileMaker 2025 &ndash; LoRA-Feintuning per Script<\/h2><p>Mit <a href=\"https:\/\/www.claris.com\/de\/filemaker\/\" target=\"_blank\" rel=\"noopener\"><strong>FileMaker 2025<\/strong><\/a> hat Claris nun genau diesen Schritt gewagt &ndash; und ihn, man darf es so sagen, mit einer gewissen Eleganz vollzogen. Zum ersten Mal erscheint in einer klassischen Business-<a href=\"https:\/\/gofilemaker.de\/nl\/woordenlijst\/database\/\" target=\"_self\" title=\"Was ist eine Datenbank? Unter einer Datenbank (Datenbanksystem, DBS) versteht&hellip;\" class=\"encyclopedia\">Datenbank<\/a> ein Befehl, der den Namen &bdquo;Fine-Tune Model&ldquo; tr&auml;gt. Hinter diesem schlichten Ausdruck verbirgt sich eine Idee, die bemerkenswert ist: Das LoRA-Training, bisher ein Thema f&uuml;r Spezialisten, wird direkt in den allt&auml;glichen Arbeitsfluss integriert.<\/p><p>Technisch geschieht dies &uuml;ber den sogenannten AI Model <a href=\"https:\/\/gofilemaker.de\/nl\/woordenlijst\/server\/\" target=\"_self\" title=\"Was ist ein Server? Im FileMaker-Umfeld spricht man bei einem&hellip;\" class=\"encyclopedia\">Server<\/a>, der lokal auf Apple-Silicon-Systemen l&auml;uft und auf Apples MLX-Framework aufsetzt. Dieses System &uuml;bernimmt s&auml;mtliche Rechenschritte &ndash; vom Laden des Basismodells bis zum Erstellen des Adapter-Layers. Der Anwender muss lediglich festlegen, welche Daten trainiert werden sollen, und kann dies auf zwei Arten tun: entweder &uuml;ber eine bestehende FileMaker-<a href=\"https:\/\/gofilemaker.de\/nl\/woordenlijst\/tabel\/\" target=\"_self\" title=\"Was ist eine Tabelle&nbsp;in FileMaker? Eine Tabelle dient in FileMaker&hellip;\" class=\"encyclopedia\">Tabelle<\/a> &ndash; etwa eine Sammlung von Kundenanfragen, Support-Dialogen oder Textfragmenten &ndash; oder &uuml;ber eine externe JSONL-Datei im Chat-Format. Damit entf&auml;llt die aufwendige Datenvorbereitung au&szlig;erhalb des Systems; man arbeitet direkt mit den Datens&auml;tzen, die ohnehin im Unternehmen vorhanden sind.<\/p><p>Auch die Parameterwahl ist deutlich entschlackt. Statt zwanzig Stellschrauben gibt es nur wenige, aber entscheidende &ndash; max_steps, learning_rate, batch_size, und lora_layers. Die restlichen Werte sind in der Engine sinnvoll vorbelegt. Diese Reduktion ist kein Nachteil, sondern Ausdruck einer klaren Design-Philosophie: FileMaker soll keine Forschungsplattform werden, sondern ein Werkzeug, das reproduzierbare, stabile Ergebnisse liefert.<\/p><p>Das Feintuning selbst l&auml;uft dann wie jeder andere Scriptbefehl: Der Anwender ruft &bdquo;Fine-Tune Model&ldquo; auf, &uuml;bergibt den Modellnamen und den Speicherort, und FileMaker &uuml;bergibt den Rest an den AI Model Server. Das Training findet vollst&auml;ndig lokal statt &ndash; ohne Cloud, ohne fremde API, ohne Datenschutzrisiko. Das Ergebnis ist ein neues Modell mit dem Pr&auml;fix fm-mlx-, das direkt innerhalb der FileMaker-Umgebung f&uuml;r Textgenerierung, Klassifikation oder Dialogfunktionen genutzt werden kann.<\/p><h3>Deutlich einfacherer Ablauf des LoRA Tranings mit FileMaker<\/h3><p>Wer die klassische LoRA-Erfahrung hinter sich hat, wird beim ersten Durchlauf wahrscheinlich stutzen: kein Terminal, keine Logflut, keine kryptischen Fehlermeldungen. Stattdessen ein sauberer Fortschrittsbalken und ein reproduzierbares Resultat. Nat&uuml;rlich kann man kritisieren, dass man weniger Kontrolle hat &ndash; kein Zugriff auf exotische Optimizer, keine Experimente mit QLoRA oder Layer-Freezing &ndash;, doch gerade das ist der Punkt. Claris richtet sich nicht an Forscher, sondern an Anwender, die mit ihren eigenen Daten produktiv arbeiten wollen.<\/p><p>Damit verschiebt sich der Charakter des LoRA-Trainings grundlegend. Aus einem experimentellen Vorgang wird ein planbarer Prozess. Unternehmen k&ouml;nnen k&uuml;nftig ihre eigenen internen Sprachmodelle anpassen, ohne die Infrastruktur selbst betreiben zu m&uuml;ssen. Die Daten bleiben im Haus, die Abl&auml;ufe sind dokumentiert, und die Ergebnisse lassen sich wie jede andere FileMaker-Komponente versionieren und automatisieren.<\/p><p>Nat&uuml;rlich bleibt auch hier Skepsis erlaubt. Noch ist der AI Model Server an Apple-Silicon gebunden, und noch fehlen tiefergehende Parameterzugriffe. Aber der Weg ist klar: Wo fr&uuml;her Wochen an Setup vergingen, gen&uuml;gen jetzt Minuten. Und wo man fr&uuml;her m&uuml;hselig zwischen Speicherformaten wechselte, gen&uuml;gt heute ein Scriptbefehl.<\/p><p>Damit hat FileMaker etwas geschafft, was in der KI-Szene selten vorkommt: Es hat nicht versucht, &bdquo;mehr&ldquo; zu machen, sondern &bdquo;weniger&ldquo; &ndash; und das auf eine Weise, die die eigentliche St&auml;rke der Plattform unterstreicht. Struktur statt Chaos, Integration statt Fragmentierung.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-2727af0 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"2727af0\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-4ae7455\" data-id=\"4ae7455\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3347b84 elementor-aspect-ratio-169 elementor-widget elementor-widget-video\" data-id=\"3347b84\" data-element_type=\"widget\" data-settings='{\"youtube_url\":\"https:\\\/\\\/youtu.be\\\/5gMzNIOvktU?si=pypPuwLPwjaofmi9\",\"lazy_load\":\"yes\",\"video_type\":\"youtube\",\"controls\":\"yes\",\"aspect_ratio\":\"169\"}' data-widget_type=\"video.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.8.0 - 30-10-2022 *\/\n.elementor-widget-video .elementor-widget-container{overflow:hidden;-webkit-transform:translateZ(0);transform:translateZ(0)}.elementor-widget-video .elementor-open-inline .elementor-custom-embed-image-overlay{position:absolute;top:0;left:0;width:100%;height:100%;background-size:cover;background-position:50%}.elementor-widget-video .elementor-custom-embed-image-overlay{cursor:pointer;text-align:center}.elementor-widget-video .elementor-custom-embed-image-overlay:hover .elementor-custom-embed-play i{opacity:1}.elementor-widget-video .elementor-custom-embed-image-overlay img{display:block;width:100%}.elementor-widget-video .e-hosted-video .elementor-video{-o-object-fit:cover;object-fit:cover}.e-con-inner>.elementor-widget-video,.e-con>.elementor-widget-video{width:var(--container-widget-width,100%)}<\/style>\t\t<div class=\"elementor-wrapper elementor-fit-aspect-ratio elementor-open-inline\">\n\t\t\t<div class=\"elementor-video\"><\/div>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-20c51f0 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"20c51f0\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-13ab214\" data-id=\"13ab214\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-e774b65 elementor-widget elementor-widget-text-editor\" data-id=\"e774b65\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h2>Praxisvergleich &ndash; MLX-LoRA vs. PEFT-LoRA<\/h2><p>Wenn man die beiden Ans&auml;tze nebeneinanderstellt, f&auml;llt zun&auml;chst auf, dass sie im Kern dasselbe tun &ndash; ein bestehendes Sprachmodell mithilfe zus&auml;tzlicher Adaptergewichte anpassen. Doch der Weg dorthin k&ouml;nnte kaum unterschiedlicher sein. W&auml;hrend die Open-Source-Welt LoRA als flexibles Baukastensystem begreift, sieht Claris es als Bestandteil eines klar umrissenen Workflows. Die einen experimentieren mit jeder Komponente, die anderen integrieren sie nahtlos in eine geschlossene Umgebung.<\/p><p>Der klassische PEFT-Ansatz (Parameter-Efficient Fine-Tuning) &ndash; etwa &uuml;ber Axolotl, LLaMA-Factory oder kohya_ss &ndash; erlaubt es, jedes Detail des Trainingsprozesses zu steuern. Man kann gezielt festlegen, welche Schichten angepasst werden, welche Lernraten verwendet, wie Gradienten behandelt, wie Speicher gespart oder Batch-Gr&ouml;&szlig;en variiert werden. Diese Freiheit ist m&auml;chtig, aber sie verlangt Fachkenntnis und Fingerspitzengef&uuml;hl. Schon kleine Fehler in der Konfiguration f&uuml;hren zu unbrauchbaren Modellen oder nicht-konvergierenden L&auml;ufen. Der Nutzen liegt im wissenschaftlichen Charakter: Wer verstehen will, warum ein Modell sich so verh&auml;lt, findet hier den besten Zugang.<\/p><p>Ganz anders FileMaker 2025. Dort wird LoRA nicht als Forschungswerkzeug verstanden, sondern als betriebliche Funktion &ndash; ein Teil eines Systems, das Informationen verarbeitet, statt sie zu erforschen. Der neue Scriptbefehl abstrahiert viele technische Details, ohne die Grundidee zu verf&auml;lschen. Das Feintuning l&auml;uft im Hintergrund auf dem AI Model Server, gesteuert durch ein paar einfache Parameter. Alles, was zuvor in YAML-Dateien oder Shell-Befehlen stand, wird in ein vertrautes FileMaker-Skript gegossen. Das Ergebnis ist weniger spektakul&auml;r, aber stabiler &ndash; ein reproduzierbarer Prozess, der sich dokumentieren, automatisieren und in Unternehmenslogik einbinden l&auml;sst.<\/p><p>Man k&ouml;nnte den Unterschied so beschreiben: Der klassische Weg ist wie das Schrauben an einem Motor, bei dem jede Dichtung sichtbar und jede Einstellung manuell ist. FileMaker dagegen hat den Motor verkleidet und einen Startknopf daneben gesetzt. Das Ergebnis mag f&uuml;r Bastler weniger aufregend sein, aber es startet zuverl&auml;ssig.<\/p><p>Was die Ergebnisse betrifft, so h&auml;ngt die Qualit&auml;t in beiden F&auml;llen von denselben Faktoren ab: der G&uuml;te der Daten, der Angemessenheit der Lernrate und dem Basismodell. Unterschiede entstehen eher durch den Charakter der Umgebung als durch die Methode selbst. FileMaker arbeitet naturgem&auml;&szlig; in geschlossenen Datens&auml;tzen &ndash; also typischerweise anwendungs- oder unternehmensspezifischen Korpora. Das bedeutet: sauberere, aber kleinere Datenmengen. In der Open-Source-Welt dagegen werden meist gro&szlig;e, gemischte Datens&auml;tze genutzt, oft von unterschiedlichster Herkunft. Daraus k&ouml;nnen einerseits robustere, andererseits inkonsistentere Ergebnisse entstehen.<\/p><p>So ergibt sich ein klarer Befund: FileMaker liefert in k&uuml;rzerer Zeit ein stabil nutzbares Modell, w&auml;hrend PEFT-basierte Trainings mehr Potenzial, aber auch mehr Unsicherheit bieten. Wer also einen reproduzierbaren Prozess will, der sich in den Arbeitsalltag integrieren l&auml;sst, findet in FileMaker eine unerwartet reife L&ouml;sung. Wer hingegen experimentieren, verstehen und &uuml;ber die Grenzen der Standardparameter hinausgehen will, bleibt in der Open-Source-Welt besser aufgehoben.<\/p><h3>Qualit&auml;tsunterschiede &ndash; Was wirklich z&auml;hlt<\/h3><p>Bei allen Diskussionen &uuml;ber Frameworks, Formate und Befehle darf man eines nicht &uuml;bersehen: Die Qualit&auml;t eines LoRA-Feintunings wird nicht durch das Werkzeug bestimmt, sondern durch das, was man ihm f&uuml;ttert. Ein sauber strukturierter Datensatz, der klar formulierte Prompts und realistische Antworten enth&auml;lt, wirkt st&auml;rker auf das Endergebnis als jede Lernrate oder Batch-Gr&ouml;&szlig;e. Das gilt sowohl f&uuml;r FileMaker-Trainings als auch f&uuml;r PEFT-basierte L&auml;ufe.<\/p><p>Dennoch lohnt sich ein Blick auf die Unterschiede, die indirekt Einfluss auf die Qualit&auml;t haben. In der klassischen Umgebung arbeitet man meist mit gr&ouml;&szlig;eren Datenmengen, was eine gewisse Varianz mit sich bringt. Modelle, die auf solchen Datens&auml;tzen trainiert werden, neigen dazu, breiter, aber weniger pr&auml;zise zu antworten. Sie entwickeln oft eine gewisse &bdquo;Sprachbreite&ldquo;, die in generischen Anwendungen beeindruckend ist, in spezialisierten Umfeldern aber zu Beliebigkeit f&uuml;hren kann. FileMaker dagegen f&ouml;rdert das Gegenteil: Hier werden Daten gezielt ausgew&auml;hlt, kuratiert, oft direkt aus einer Tabelle, die den realen Gesch&auml;ftskontext widerspiegelt. Dadurch entsteht eine nat&uuml;rliche Fokussierung &ndash; das Modell lernt nicht alles, sondern das, was relevant ist.<\/p><h3>Gekapselter Prozess sorgt f&uuml;r bessere Stabilit&auml;t<\/h3><p>Ein weiterer Punkt ist die Reproduzierbarkeit. Klassische LoRA-Trainings laufen meist in Umgebungen, die sich durch Versionsupdates, GPU-Treiber oder Bibliotheks&auml;nderungen schnell ver&auml;ndern. Ein Training, das heute funktioniert, kann morgen schon fehlschlagen. FileMaker bricht mit dieser Unsicherheit, indem es den gesamten Prozess kapselt. Der AI Model Server nutzt eine klar definierte MLX-Laufzeit, die weder vom Anwender noch von der Internet-Verbindung abh&auml;ngt. Das f&uuml;hrt zwar zu weniger Flexibilit&auml;t, aber auch zu mehr Stabilit&auml;t &ndash; und genau das ist in produktiven Szenarien entscheidend.<\/p><p>Auch die Bewertung der Ergebnisse unterscheidet sich. In der Open-Source-Welt misst man Qualit&auml;t h&auml;ufig mit quantitativen Metriken &ndash; Perplexity, Accuracy, BLEU-Score. FileMaker dagegen arbeitet stiller: Das Ergebnis zeigt sich im Alltag, wenn ein System auf interne Fragen pl&ouml;tzlich pr&auml;ziser reagiert, oder wenn ein automatisch erzeugter Text nat&uuml;rlicher klingt. Es sind qualitative, erfahrungsbasierte Unterschiede &ndash; die Art, wie ein Modell auf vertraute Begriffe reagiert, wie es unternehmensspezifische Tonalit&auml;t aufnimmt oder wie es bei Fachbegriffen weniger &bdquo;halluziniert&ldquo;.<\/p><p>Schlie&szlig;lich darf man auch den zeitlichen Faktor nicht untersch&auml;tzen. Ein PEFT-Training mit Axolotl oder kohya_ss kann leicht viele Stunden oder gar Tage beanspruchen, inklusive Vorbereitung und Nachbearbeitung. Das FileMaker-Training dagegen l&auml;sst sich in Minuten ausl&ouml;sen und parallel zu anderen Aufgaben ausf&uuml;hren. Diese Geschwindigkeit ver&auml;ndert die Art, wie man mit KI-Systemen arbeitet: Aus einem technischen Projekt wird ein allt&auml;glicher Vorgang.<\/p><p>Im Ergebnis zeigt sich, dass der qualitative Unterschied weniger in der Modellleistung als in der Verf&uuml;gbarkeit und Nutzbarkeit liegt. FileMaker-LoRAs sind oft kleiner, fokussierter, stabiler &ndash; und genau das macht sie wertvoll f&uuml;r reale Arbeitsprozesse. PEFT-LoRAs k&ouml;nnen dagegen tiefgreifender, anpassungsf&auml;higer und im Grenzfall leistungsf&auml;higer sein, wenn sie richtig trainiert werden. Es ist, als w&uuml;rde man eine Pr&auml;zisionsmaschine mit einem Universallabor vergleichen: Beide haben ihre Berechtigung, doch sie dienen unterschiedlichen Zwecken.<\/p><p>Und vielleicht liegt genau darin die Lehre dieser neuen Entwicklung &ndash; dass Qualit&auml;t nicht allein aus Zahlen besteht, sondern aus Verl&auml;sslichkeit, Klarheit und der F&auml;higkeit, Wissen in einen geordneten Rahmen zu bringen. FileMaker 2025 zeigt, dass auch in einer Welt, die von Experimenten &uuml;berquillt, manchmal die besonnene, integrierte L&ouml;sung die besseren Ergebnisse hervorbringt.<\/p>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-a202c74 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"a202c74\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-c51f484\" data-id=\"c51f484\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-f8da8ab elementor-widget elementor-widget-image\" data-id=\"f8da8ab\" data-element_type=\"widget\" data-widget_type=\"image.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t<style>\/*! elementor - v3.8.0 - 30-10-2022 *\/\n.elementor-widget-image{text-align:center}.elementor-widget-image a{display:inline-block}.elementor-widget-image a img[src$=\".svg\"]{width:48px}.elementor-widget-image img{vertical-align:middle;display:inline-block}<\/style>\t\t\t\t\t\t\t\t\t\t\t\t<img decoding=\"async\" width=\"780\" height=\"415\" src=\"https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps-1024x545.png\" class=\"attachment-large size-large\" alt=\"Claris FileMaker AI script steps\" srcset=\"https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps-1024x545.png 1024w, https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps-300x160.png 300w, https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps-18x10.png 18w, https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps-1536x817.png 1536w, https:\/\/gofilemaker.de\/wp-content\/uploads\/claris-filemaker-ai-scriptsteps.png 2000w\" sizes=\"(max-width: 780px) 100vw, 780px\">\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-c530198 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"c530198\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-83e289b\" data-id=\"83e289b\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-c9a4142 elementor-widget elementor-widget-text-editor\" data-id=\"c9a4142\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>Portabilit&auml;t und Zukunftsf&auml;higkeit &ndash; Zwischen Welten<\/h3>\n<p>Wenn man sich heute die Landschaft der Modellformate ansieht, f&uuml;hlt man sich fast an die fr&uuml;hen Computerjahre erinnert, als jedes System seine eigene Sprache sprach. Was fr&uuml;her Diskettenformate waren, sind heute Tensorformate: GGUF, safetensors, ckpt, MLX. Jedes Framework, jede Engine scheint ihre eigene Logik zu pflegen. Und so wie man fr&uuml;her beim Wechsel von Windows zu Mac noch Adapterkabel brauchte, braucht man heute Konvertierungsskripte &ndash; mal von MLX zu GGUF, mal umgekehrt.<\/p>\n<p>FileMaker 2025 setzt hier bewusst einen Punkt. Der neue AI Model Server nutzt ausschlie&szlig;lich MLX als Backend &ndash; das Framework, das Apple f&uuml;r sein eigenes Silicon entwickelt hat. MLX ist noch jung, aber konzeptionell stark: Es erlaubt Training, Inferenz und LoRA-Feintuning in einem konsistenten Speicherformat, optimiert f&uuml;r die neuronalen Kerne der M-Chips. Die Entscheidung von Claris, dieses System zu &uuml;bernehmen, ist also kein Zufall. Sie folgt der Philosophie, eine stabile, kontrollierte Umgebung zu schaffen, die vollst&auml;ndig lokal betrieben werden kann.<\/p>\n<p>Das hat Folgen f&uuml;r die Portabilit&auml;t. Ein LoRA-Modell, das man in FileMaker trainiert, tr&auml;gt automatisch den Pr&auml;fix fm-mlx- und l&auml;sst sich direkt in der MLX-Laufzeit verwenden. Wer es dagegen in einer anderen Umgebung &ndash; etwa in LM Studio, Ollama oder llama.cpp &ndash; nutzen m&ouml;chte, muss den Umweg &uuml;ber eine Konvertierung gehen. Diese ist technisch m&ouml;glich, aber noch nicht trivial. Zwar gibt es erste Tools, die MLX-Modelle nach GGUF &uuml;bertragen k&ouml;nnen, doch noch fehlt eine standardisierte Br&uuml;cke. Der Grund liegt weniger in der Mathematik als in der Organisation: MLX ist Apple-zentrisch, GGUF dagegen Community-getrieben. Beide Systeme entwickeln sich rasant, aber unabh&auml;ngig voneinander.<\/p>\n<p>In der Praxis bedeutet das: Wer mit FileMaker arbeitet, bleibt zun&auml;chst innerhalb eines geschlossenen, aber stabilen &Ouml;kosystems. F&uuml;r viele Anwendungsf&auml;lle ist das kein Nachteil &ndash; im Gegenteil. Die Sicherheit, dass ein Modell in derselben Umgebung trainiert, gespeichert und genutzt wird, hat Vorteile, die weit &uuml;ber technische Bequemlichkeit hinausgehen. Sie betrifft Fragen der Nachvollziehbarkeit, Datensouver&auml;nit&auml;t und Langlebigkeit. Denn w&auml;hrend Open-Source-Frameworks oft in kurzen Innovationszyklen leben, steht FileMaker traditionell f&uuml;r Best&auml;ndigkeit. Modelle, die heute trainiert werden, werden auch in zwei oder drei Jahren noch in derselben Form lauff&auml;hig sein &ndash; und das ist im Unternehmenskontext ein Wert, der kaum zu &uuml;bersch&auml;tzen ist.<\/p>\n<p>Trotzdem wird der Wunsch nach Austauschbarkeit bleiben. Es w&auml;re denkbar &ndash; und langfristig fast unvermeidlich &ndash;, dass Claris k&uuml;nftig Exportfunktionen anbietet, etwa nach GGUF oder ONNX. Damit lie&szlig;en sich Modelle auch au&szlig;erhalb der FileMaker-Welt einsetzen, ohne ihren Kern zu verlieren. Ebenso wahrscheinlich ist, dass MLX selbst st&auml;rker in die Open-Source-Welt hineinw&auml;chst und damit die Barrieren zwischen Apple- und Non-Apple-Umgebungen langsam verschwinden.<\/p>\n<p>F&uuml;r den Moment aber steht FileMaker auf einem klar definierten Fundament: Stabilit&auml;t vor Vielfalt, Einfachheit vor &Uuml;berfrachtung. Es ist eine Entscheidung, die nicht jedem gefallen wird, die aber auf lange Sicht Sinn ergibt. Denn in einer Welt, in der alles gleichzeitig m&ouml;glich ist, bekommt das, was verl&auml;sslich funktioniert, wieder Gewicht.<\/p>\n<h2>Fazit &ndash; Vom Experiment zum Werkzeug<\/h2>\n<p>Am Ende bleibt die Erkenntnis, dass FileMaker 2025 mit seinem LoRA-Befehl nicht einfach eine neue Funktion eingef&uuml;hrt hat, sondern ein Signal gesetzt hat. Ein Signal daf&uuml;r, dass KI-Training kein Spezialistenprivileg mehr ist, sondern Teil normaler Gesch&auml;ftsprozesse werden kann. Die Integration von LoRA in ein System, das seit Jahrzehnten f&uuml;r Stabilit&auml;t, Nachvollziehbarkeit und Benutzerfreundlichkeit steht, markiert einen Wendepunkt &ndash; nicht in der Forschung, sondern in der Praxis.<\/p>\n<p>Das klassische LoRA-Training, ob mit kohya_ss oder PEFT, wird seinen Platz behalten. Es bleibt das Reich der Entwickler, Forscher und Bastler &ndash; jener, die verstehen wollen, wie sich Modelle im Detail verhalten, die jede Gewichtsmatrix einzeln betrachten m&ouml;chten. Diese Offenheit hat ihren Wert, sie ist die Grundlage f&uuml;r Fortschritt. Doch der Preis daf&uuml;r ist Aufwand, Unsicherheit und eine gewisse Fragilit&auml;t.<br>FileMaker dagegen w&auml;hlt den anderen Weg: Es reduziert die Komplexit&auml;t auf das Wesentliche und &uuml;berf&uuml;hrt ein kompliziertes Verfahren in eine wiederholbare Routine. Das Feintuning wird zum Scriptbefehl, das Modell zum Teil einer Datenbank, die KI zum Werkzeug unter vielen. Damit wird die Technologie nicht kleiner, sondern greifbarer. Sie verliert ihren experimentellen Charakter und gewinnt an Alltagstauglichkeit.<\/p>\n<p>Der qualitative Unterschied zeigt sich nicht in der Rechenleistung oder im Parameterumfang, sondern in der Haltung. W&auml;hrend viele KI-Plattformen den Anwender mit Optionen &uuml;berfluten, geht Claris einen stilleren Weg &ndash; den Weg der Integration. Alles geschieht dort, wo die Daten ohnehin liegen. Das ist kein technologischer Trick, sondern Ausdruck einer Philosophie: Prozesse geh&ouml;ren zusammen, nicht nebeneinander.<\/p>\n<p>Vielleicht ist das der eigentliche Fortschritt &ndash; dass aus der st&auml;ndigen Suche nach neuen M&ouml;glichkeiten endlich wieder ein Werkzeug geworden ist, das man versteht, bedienen und kontrollieren kann. FileMaker 2025 bringt LoRA dorthin, wo es hingeh&ouml;rt: in die H&auml;nde derer, die mit Daten arbeiten, nicht nur in die Labore derer, die sie erforschen.<\/p>\n<p>Und so schlie&szlig;t sich der Kreis: Vom chaotischen Terminalfenster &uuml;ber die ersten experimentellen Feintunes bis hin zum Scriptbefehl, der dasselbe leistet &ndash; nur sauber, strukturiert und nachvollziehbar. Ein leiser, aber bedeutender Wandel. Denn manchmal ver&auml;ndert sich die Welt nicht durch das, was neu erfunden wird, sondern durch das, was endlich einfach funktioniert.<\/p><p>In einem n&auml;chsten Artikel werden wir beschreiben, wie ein Sprachmodell in der Praxis anhand eines Beispielscripts mit FileMaker trainiert werden kann.<br><\/p>\n<hr>\n<h2>H&auml;ufig gestellte Fragen<\/h2>\n<ol>\n<li><strong>Was genau ist LoRA und wof&uuml;r wird es beim Training von Sprachmodellen eingesetzt?<\/strong><br>LoRA steht f&uuml;r Low-Rank Adaptation. Es ist ein Verfahren, bei dem nur ein kleiner Teil der Modellparameter angepasst wird, um ein gro&szlig;es Sprachmodell an spezifische Aufgaben oder Schreibstile anzupassen. Statt Milliarden von Gewichten zu ver&auml;ndern, werden zus&auml;tzliche, kleine Matrizen (&bdquo;Adapter&ldquo;) trainiert. Das spart Speicher, Zeit und Rechenleistung. Das Basismodell bleibt dabei unver&auml;ndert, was LoRA-Modelle besonders flexibel und ressourcenschonend macht.<\/li>\n<li><strong>Was unterscheidet ein FileMaker-LoRA-Training von einem klassischen PEFT-Training mit Axolotl oder kohya_ss?<\/strong><br>Im Kern gar nicht so viel &ndash; beide nutzen dieselbe mathematische Idee. Der Unterschied liegt in der Umgebung. PEFT-Trainings werden in offenen Frameworks mit vielen Stellschrauben durchgef&uuml;hrt, meist &uuml;ber Python-Bibliotheken. FileMaker dagegen integriert das Verfahren in seinen AI Model Server. Das Training l&auml;uft lokal &uuml;ber MLX auf Apple-Silicon-Systemen und wird per <a href=\"https:\/\/gofilemaker.de\/nl\/woordenlijst\/script\/\" target=\"_self\" title=\"Was ist ein&nbsp;Script&nbsp;in FileMaker? Mit einem&nbsp;Script k&ouml;nnen&nbsp;in einer FileMaker-Datenbank beliebige&hellip;\" class=\"encyclopedia\">Script<\/a> gesteuert. Der Fokus liegt hier auf Stabilit&auml;t und Integration statt auf Forschungsfreiheit.<\/li>\n<li><strong>Was ist der AI Model Server in FileMaker 2025?<\/strong><br>Der AI Model Server ist eine lokale Komponente, die Textmodelle bereitstellt, trainiert und ausf&uuml;hrt &ndash; vollst&auml;ndig auf Apple-Silicon-Hardware. Er bildet das technische Fundament f&uuml;r alle KI-Funktionen in FileMaker, darunter Textgenerierung, Embedding und Fine-Tuning. Damit kann ein Unternehmen KI-Modelle nutzen, ohne Daten an externe Clouds zu &uuml;bertragen.<\/li>\n<li><strong>Wie l&auml;uft ein LoRA-Training in FileMaker 2025 konkret ab?<\/strong><br>Der Anwender ruft im Script den neuen Befehl Fine-Tune Model auf. Als Eingabe dient entweder eine Tabelle in der FileMaker-Datenbank (z. B. mit Prompts und Antworten) oder eine externe JSONL-Datei mit Chat-Struktur. Das Training startet dann lokal &uuml;ber den AI Model Server. Nach Abschluss wird ein neues Modell mit dem Pr&auml;fix fm-mlx-&hellip; erzeugt, das sofort in Scripts oder Layouts verwendet werden kann.<\/li>\n<li><strong>Welche Parameter lassen sich beim FileMaker-Training einstellen?<\/strong><br>FileMaker erlaubt gezielt wenige, aber entscheidende Parameter:<br>&ndash; <strong>max_steps<\/strong> &ndash; Anzahl der Trainingsschritte<br>&ndash; <strong>learning_rate<\/strong> &ndash; Lernrate<br>&ndash; <strong>batch_size<\/strong> &ndash; Gr&ouml;&szlig;e der Trainingsbatches<br>&ndash; <strong>lora_layers<\/strong> &ndash; Anzahl der Adapter-Layer<br>Damit wird das Training &uuml;bersichtlich gehalten, ohne die Gefahr fehlerhafter Konfigurationen.<\/li>\n<li><strong>Welche Vorteile hat das Training &uuml;ber FileMaker gegen&uuml;ber klassischen Tools?<\/strong><br>Der gr&ouml;&szlig;te Vorteil liegt in der Integration. Man arbeitet direkt mit den Daten, die ohnehin im System vorhanden sind, und spart sich Setup, Umgebungsvariablen, Paketinstallationen oder GPU-Konfigurationen. Zudem bleibt alles lokal und reproduzierbar. F&uuml;r Unternehmen ist das ein entscheidendes Argument &ndash; Datenschutz, Nachvollziehbarkeit und einfache Wartung.<\/li>\n<li><strong>Ist FileMaker-LoRA qualitativ schlechter als ein PEFT-LoRA?<\/strong><br>Nicht grunds&auml;tzlich. Die zugrundeliegende Methode ist identisch. Unterschiede entstehen durch Datensatzgr&ouml;&szlig;e, Parameterwahl und Evaluierung. FileMaker setzt auf stabile Defaults und strukturierte Datens&auml;tze, w&auml;hrend PEFT-Setups mehr experimentellen Spielraum bieten. In vielen F&auml;llen erzielt FileMaker sogar konsistentere Ergebnisse, weil weniger Variablen fehleranf&auml;llig sind.<\/li>\n<li><strong>Kann man mit FileMaker auch gr&ouml;&szlig;ere Basismodelle trainieren, z. B. Llama 3 oder Mistral?<\/strong><br>Ja, solange das Basismodell im MLX-Format vorliegt und vom AI Model Server unterst&uuml;tzt wird. FileMaker ist auf textbasierte Modelle optimiert, die lokal auf Apple-Silicon-Chips laufen. Sehr gro&szlig;e Modelle sind allerdings durch RAM- und GPU-Kapazit&auml;t begrenzt &ndash; meist eignen sich Modelle bis etwa 8 &ndash; 14 Milliarden Parameter.<\/li>\n<li><strong>Kann ich ein mit FileMaker trainiertes Modell au&szlig;erhalb von FileMaker verwenden?<\/strong><br>Derzeit nur mit Einschr&auml;nkungen. Das Modell liegt im MLX-Format vor und ist direkt f&uuml;r den AI Model Server vorgesehen. F&uuml;r den Export in andere Formate (z. B. GGUF, ONNX) gibt es erste Konvertierungstools, aber sie sind noch experimentell. Claris k&ouml;nnte diese Funktion in Zukunft offiziell unterst&uuml;tzen.<\/li>\n<li><strong>Welche Hardwarevoraussetzungen gibt es f&uuml;r das Training in FileMaker?<\/strong><br>Ein Mac mit Apple-Silicon-Chip (M1, M2, M3 oder neuer) ist erforderlich. Das Training nutzt die Neural Engine und GPU-Einheiten des Chips. Intel-Macs werden nicht unterst&uuml;tzt. F&uuml;r gr&ouml;&szlig;ere Datens&auml;tze empfiehlt sich mindestens 16 GB RAM, besser 32 GB oder mehr.<\/li>\n<li><strong>Wie steht es um Datenschutz und Sicherheit beim FileMaker-Training?<\/strong><br>Das Training findet vollst&auml;ndig lokal statt. Keine Daten werden an Dritte &uuml;bertragen, keine Cloud-API wird verwendet. F&uuml;r Unternehmen, die mit vertraulichen oder personenbezogenen Daten arbeiten, ist das ein entscheidender Vorteil gegen&uuml;ber externen KI-Diensten.<\/li>\n<li><strong>Kann ich in FileMaker mehrere Modelle gleichzeitig betreiben?<\/strong><br>Der AI Model Server unterst&uuml;tzt derzeit ein Modell gleichzeitig. Man kann jedoch beliebig viele Feintunes erstellen und bei Bedarf laden oder entladen. Diese Begrenzung dient der Stabilit&auml;t und Planbarkeit des Systems.<\/li>\n<li><strong>Wie gro&szlig; ist der Unterschied im Trainingsaufwand zwischen FileMaker und klassischem LoRA?<\/strong><br>Er ist erheblich. W&auml;hrend ein klassisches PEFT-Setup oft Stunden oder Tage an Vorbereitung braucht &ndash; Installation, Abh&auml;ngigkeiten, Testl&auml;ufe &ndash;, ist FileMaker in wenigen Minuten startklar. Der Trainingsprozess selbst l&auml;uft ebenfalls schneller, weil MLX auf Apple-Silicon sehr effizient arbeitet. Das spart Zeit und Nerven, auch wenn man etwas Kontrolle einb&uuml;&szlig;t.<\/li>\n<li><strong>Welche Arten von Textdaten eignen sich f&uuml;r das Training am besten?<\/strong><br>Ideal sind strukturierte, dialog&auml;hnliche Daten: Kundenanfragen, Supportgespr&auml;che, interne Wissensdatenbanken, FAQs oder Fachtexte. Wichtig ist, dass die Daten klar formuliert sind und ein wiedererkennbares Muster haben. LoRA lernt nicht &bdquo;Inhalte&ldquo;, sondern sprachliche und kontextuelle Strukturen &ndash; Qualit&auml;t schl&auml;gt Quantit&auml;t.<\/li>\n<li><strong>Wie l&auml;sst sich die Qualit&auml;t eines FileMaker-LoRA-Modells bewerten?<\/strong><br>Nicht mit abstrakten Metriken, sondern im praktischen Einsatz. Man pr&uuml;ft, ob das Modell konsistent auf interne Fragen reagiert, ob es Fachbegriffe korrekt verwendet und ob die Tonalit&auml;t dem gew&uuml;nschten Stil entspricht. FileMaker erlaubt einfache Vergleichstests, etwa durch Skripte, die Prompts an unterschiedliche Modelle senden und die Antworten speichern.<\/li>\n<li><strong>Kann man ein FileMaker-LoRA-Modell wieder l&ouml;schen oder &uuml;berschreiben?<\/strong><br>Ja. Fine-Tuned-Modelle lassen sich in der Admin-Konsole des AI Model Servers verwalten, l&ouml;schen oder ersetzen. Da die Basismodelle unver&auml;ndert bleiben, ist das Risiko minimal. Man kann jederzeit neu trainieren, ohne den Ausgangspunkt zu verlieren.<\/li>\n<li><strong>Wie verh&auml;lt sich FileMaker im Vergleich zu Cloud-Feintunings bei OpenAI oder Anthropic?<\/strong><br>FileMaker bietet lokale Kontrolle, w&auml;hrend Cloud-Dienste meist serverseitig trainieren und Ergebnisse &uuml;ber API zur&uuml;ckliefern. Der Nachteil der Cloud: hohe Kosten, eingeschr&auml;nkter Datenschutz und kein direkter Zugriff auf das Modell. FileMaker schafft das Gegenteil &ndash; volle Datenhoheit, keine Abh&auml;ngigkeit von Dritten, aber eben auf Apple-Hardware beschr&auml;nkt.<\/li>\n<li><strong>Wie stabil ist MLX als Plattform f&uuml;r LoRA-Training?<\/strong><br>MLX ist noch jung, aber technisch ausgereift. Es wurde von Apple speziell f&uuml;r neuronale Netze auf M-Chips entwickelt und bietet eine erstaunlich hohe Performance bei geringer Energieaufnahme. In Verbindung mit FileMaker wirkt es wie eine solide Basis f&uuml;r lokale KI-Anwendungen, auch wenn es derzeit noch weniger Community-Support gibt als bei PyTorch.<\/li>\n<li><strong>Wird FileMaker k&uuml;nftig auch den Export in offene Formate unterst&uuml;tzen?<\/strong><br>Das ist wahrscheinlich. Claris hat in den letzten Jahren mehrfach betont, offene Standards langfristig unterst&uuml;tzen zu wollen. Ein Export nach GGUF oder ONNX w&auml;re der logische n&auml;chste Schritt, um FileMaker-Trainings in externe Umgebungen (z. B. LM Studio oder Ollama) zu integrieren. Noch ist das nicht offiziell angek&uuml;ndigt, aber technisch machbar.<\/li>\n<li><strong>Lohnt sich der Umstieg auf FileMaker-LoRA f&uuml;r erfahrene PEFT-Anwender?<\/strong><br>Das h&auml;ngt vom Ziel ab. Wer tief forschen, Metriken vergleichen oder eigene Architekturen testen will, bleibt besser bei Axolotl oder LLaMA-Factory. Wer dagegen stabile, wiederholbare Trainings in einer kontrollierten Umgebung braucht &ndash; etwa f&uuml;r interne Assistenten, Fachsprache oder Prozessautomation &ndash; wird in FileMaker eine bemerkenswert elegante L&ouml;sung finden.<\/li>\n<\/ol>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-c1da40b elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"c1da40b\" data-element_type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-4d2e429\" data-id=\"4d2e429\" data-element_type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t\t\t<div class=\"elementor-element elementor-element-07f03d4 elementor-widget elementor-widget-text-editor\" data-id=\"07f03d4\" data-element_type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t<h3>Aktuelle News auf unserem X-Kanal<\/h3>\n<div class=\"ms-rss-grid\"><article class=\"ms-rss-card\"><div class=\"ms-rss-image\"><a href=\"https:\/\/gofilemaker.de\/2025\/07\/neu-erschienen-das-etwas-andere-datenbank-buch\/\"><img decoding=\"async\" src=\"https:\/\/pbs.twimg.com\/media\/HQjSwMlWYAAQDG3.jpg\" alt=\"Ein Datenbankbuch mit einem Kapitel &uuml;ber KI &ndash; damit w&uuml;rde man heute rechnen. Aber eines &uuml;ber Lithium? Wohl eher nicht. &#128521; Genau deshalb hei&szlig;t es &bdquo;Das etwas andere Datenbank-Buch&ldquo;. Im Mittelpunkt stehen nicht trockene SQL-Befehle, sondern die Frage, wie Datenbanken dabei helfen k&ouml;nnen, Informationen, Prozesse und letztlich auch Gedanken besser zu strukturieren. Von sauberem Datenbankdesign &uuml;ber FileMaker und gFM-Business bis zur k&uuml;nstlichen Intelligenz schl&auml;gt das Buch bewusst einen gr&ouml;&szlig;eren Bogen als klassische Datenbankliteratur.  #Datenbank #FileMaker #KI #Softwareentwicklung #Datenbankdesign #gFMBusiness #Fachbu\"><\/a><\/div><div class=\"ms-rss-content\"><div class=\"ms-rss-text\"><p>Ein Datenbankbuch mit einem Kapitel &uuml;ber KI &ndash; damit w&uuml;rde man heute rechnen. Aber eines &uuml;ber Lithium? Wohl eher nicht. &#128521; Genau deshalb hei&szlig;t es &bdquo;Das etwas andere Datenbank-Buch&ldquo;. Im Mittelpunkt stehen nicht trockene <a href=\"https:\/\/gofilemaker.de\/nl\/woordenlijst\/sql\/\" target=\"_self\" title=\"Was ist SQL und wof&uuml;r wird SQL verwendet? SQL (Structured&hellip;\" class=\"encyclopedia\">SQL<\/a>-Befehle, sondern die Frage, wie Datenbanken dabei helfen k&ouml;nnen, Informationen, Prozesse und letztlich auch Gedanken besser zu strukturieren. Von sauberem Datenbankdesign &uuml;ber FileMaker und gFM-Business bis zur k&uuml;nstlichen Intelligenz schl&auml;gt das Buch bewusst einen gr&ouml;&szlig;eren Bogen als klassische Datenbankliteratur. #Datenbank #FileMaker #KI #Softwareentwicklung #Datenbankdesign #gFMBusiness #Fachbuch&hellip;<\/p>\n<p class=\"ms-rss-readmore\">\n                    <a href=\"https:\/\/gofilemaker.de\/2025\/07\/neu-erschienen-das-etwas-andere-datenbank-buch\/\">\n                        Weiterlesen\n                    <\/a>\n                  <\/p><\/div><div class=\"ms-rss-meta\">25.08.2026 &middot; @goFileMaker<\/div><\/div><\/article><article class=\"ms-rss-card\"><div class=\"ms-rss-image\"><a href=\"https:\/\/gofilemaker.de\/filemaker-hilfe-und-support\/\"><img decoding=\"async\" src=\"https:\/\/pbs.twimg.com\/media\/HQAxDx3XEAAWb7i.jpg\" alt=\"Sie arbeiten mit einer bestehenden FileMaker-L&ouml;sung und ben&ouml;tigen Unterst&uuml;tzung? Wir bieten professionelle FileMaker-Hilfe f&uuml;r Fehlerbehebung, Anpassungen, Erweiterungen und Modernisierung &ndash; auch f&uuml;r L&ouml;sungen, die nicht von uns entwickelt wurden. Viele Aufgaben lassen sich unkompliziert per Fernwartung analysieren und direkt bearbeiten. Auch &auml;ltere FileMaker-Systeme und gewachsene individuelle Datenbanken k&ouml;nnen &uuml;bernommen und weiterentwickelt werden. Mehr als 30 Jahre FileMaker-Erfahrung stehen f&uuml;r Ihre L&ouml;sung zur Verf&uuml;gung.  #FileMaker #Datenbank #Softwareentwicklung #Claris #ITSupport #gFMBusiness\"><\/a><\/div><div class=\"ms-rss-content\"><div class=\"ms-rss-text\"><p>Sie arbeiten mit einer bestehenden FileMaker-L&ouml;sung und ben&ouml;tigen Unterst&uuml;tzung? Wir bieten professionelle FileMaker-Hilfe f&uuml;r Fehlerbehebung, Anpassungen, Erweiterungen und Modernisierung &ndash; auch f&uuml;r L&ouml;sungen, die nicht von uns entwickelt wurden. Viele Aufgaben lassen sich unkompliziert per Fernwartung analysieren und direkt bearbeiten. Auch &auml;ltere FileMaker-Systeme und gewachsene individuelle Datenbanken k&ouml;nnen &uuml;bernommen und weiterentwickelt werden. Mehr als 30 Jahre FileMaker-Erfahrung stehen f&uuml;r Ihre L&ouml;sung zur Verf&uuml;gung. #FileMaker #Datenbank #Softwareentwicklung #Claris #ITSupport #gFMBusiness<\/p>\n<p class=\"ms-rss-readmore\">\n                    <a href=\"https:\/\/gofilemaker.de\/filemaker-hilfe-und-support\/\">\n                        Weiterlesen\n                    <\/a>\n                  <\/p><\/div><div class=\"ms-rss-meta\">18.08.2026 &middot; @goFileMaker<\/div><\/div><\/article><\/div>\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"<p>Wer im Jahr 2023 oder 2024 ernsthaft versucht hat, ein eigenes LoRA-Modell zu trainieren \u2013 sei es mit kohya_ss, Axolotl oder einer anderen PEFT-basierten Toolchain \u2013 wei\u00df, dass zwischen Theorie und Praxis oft eine tiefe Schlucht liegt. Auf dem Papier klingt es simpel: Ein Basismodell laden, eigene Trainingsdaten vorbereiten, die Parameter anpassen, und los geht\u2019s. [&hellip;]<\/p>\n","protected":false},"author":187,"featured_media":51496,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"iawp_total_views":244,"footnotes":""},"categories":[1],"tags":[1514],"class_list":["post-51493","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-filemakerpro","tag-apple"],"_links":{"self":[{"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/posts\/51493","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/users\/187"}],"replies":[{"embeddable":true,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/comments?post=51493"}],"version-history":[{"count":33,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/posts\/51493\/revisions"}],"predecessor-version":[{"id":52099,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/posts\/51493\/revisions\/52099"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/media\/51496"}],"wp:attachment":[{"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/media?parent=51493"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/categories?post=51493"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/gofilemaker.de\/nl\/wp-json\/wp\/v2\/tags?post=51493"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}