ファインチューニングとは?
一言でいうと: 学習済みのAIに追加学習を行い、特定用途向けに調整すること
ファインチューニングの基本
ファインチューニングとは、すでに学習済みのAIモデルに対して、特定の目的に合わせた追加の学習を行う調整方法です。たとえば、自社の問い合わせ対応例を学習させて、会社の口調や専門用語に沿った回答ができるようにしたり、特定の形式で出力する癖をつけたりします。ゼロからモデルを作るには膨大なデータと費用が必要ですが、既存のモデルを土台にするため、比較的少ないデータとコストで用途に特化させることができます。一方で、知識そのものを新しく覚えさせるというより、振る舞いや形式を整える効果が中心とされます。最新の事実を扱いたい場合は、検索と組み合わせるRAGのような手法が向いています。一般の利用者が触れる機会は少ないものの、企業のAI導入ではよく登場する言葉です。仕組みを知っておくと、製品の説明やニュースの理解が深まります。
ここがポイント
向いている用途
決まった文体で文章を作る、専門分野の言い回しに合わせる、分類や定型処理の精度を上げるなど、「答え方の型」を固定したい場面で効果を発揮します。企業の専用AIを作る際の代表的な手法の一つです。逆に、最新知識の追加には向きません。その点はRAGと対照的です。
RAGとの違い
RAGは外部の資料を検索して知識を補う方法で、情報の差し替えや更新が容易です。ファインチューニングはモデル自体の振る舞いを変える方法で、両者は目的がまったく異なります。現場では、両方を組み合わせて使うこともあります。どちらか一方ではなく、役割分担で考えるのがポイントです。
必要なもの
学習させる事例データの質と量が、結果を大きく左右します。誤った例や偏った例で学習させると、その癖がそのまま反映されてしまいます。そのため、データの準備と、学習後に十分検証することに、多くの手間がかけられます。専門家の支援を受けて進める企業も多くあります。