ファインチューニング

ファインチューニングとは、汎用的な能力を持つ学習済みのAIモデルに対して、特定の分野やタスク向けの追加データを使ってさらに学習させ、その用途に特化させる手法です。ゼロからモデルを作り直すのではなく、既にある土台を微調整（ファインチューン）することから、この名前がついています。

例えば、一般的な文章生成が得意なモデルに、ある企業のカスタマーサポート事例を大量に追加学習させることで、その企業の話し方やルールに沿った受け答えができるモデルに調整する、といった使い方があります。ゼロから大規模モデルを学習させるには膨大な計算資源が必要ですが、ファインチューニングであれば比較的少ないデータと計算量で、特定用途への適応が可能です。

個人開発やスモールビジネスの文脈では、ファインチューニングを自前で行う機会は多くありませんが、プロンプトの工夫だけでは対応しきれない専門領域の精度を上げたい場合の選択肢として名前が挙がることがあります。多くの場合、まずはプロンプトエンジニアリングやRAGで対応できないかを検討し、それでも不十分な場合の次の手段として位置づけられます。

特定業界の専門用語や独自の言い回しに対応させたいチャットボット、特定のコーディング規約に沿ったコードを出力させたい社内ツールなどで検討されます。

• 大規模言語モデル（LLM）
• 学習データ
• RAG（検索拡張生成）
• ファインチューニングとRAGの使い分け
• パラメータ