本文へ移動
(お問い合わせ)

ファインチューニングとは?

ファインチューニングとは、学習済みのAIのモデルにデータを追加で学習させ、特定の作業や文体に合わせて調整することです。

テーブルで、弁当とコーヒーを囲んで食事をする人たちの手元

ファインチューニングとは、すでに大量のデータで学習したAIのモデルに、目的に合ったデータを追加で学習させ、特定の作業に合うように調整することです。一からモデルをつくるのに比べて、少ないデータと費用で調整できます。ただ、社内の知識をAIに使わせたいという相談の多くは、ファインチューニングではなく、資料を検索して渡すRAGで解決できます。

ファインチューニングは、どんな仕組みか?

入力と、それに対する望ましい答えの組を学習用のデータとして用意し、学習済みのモデルに追加で学習させます。学習のあとは、評価用の例題で答えを確かめてから使います。

  1. 学習用のデータを用意する

    「この問い合わせには、この形で答える」のように、入力と望ましい答えの組を集めます。

  2. 追加で学習させる

    学習済みのモデルに、用意したデータを学習させ、答え方の傾向を調整します。

  3. 答えを確かめる

    学習に使っていない例題で答えを確かめ、調整の前より良くなったかを比べます。

  4. 業務で使う

    調整したモデルを業務の仕組みに組み込みます。業務やデータが変われば、学習し直します。

ファインチューニングは、どんな場面に向いているのか?

答えの形や文体、専門の言い回しをそろえたい場面や、決まった分類や項目の取り出しを、短い指示で安定して行わせたい場面に向いています。

  • 社内の文書の決まった書き方や、専門の用語の使い方にそろえる
  • 問い合わせの内容を、決まった種類に振り分ける
  • 書類から、決まった項目を決まった形で取り出す
  • 長い指示を毎回渡さずに、同じ形の答えを返させる

RAGやプロンプトの工夫とは、どう違うのか?

プロンプトの工夫は指示の文章を、RAGはAIに渡す資料を、ファインチューニングはモデルそのものを変える方法です。手軽なのはプロンプトの工夫とRAGで、まずはそれで足りるかを確かめます。

比べる点プロンプトの工夫RAGファインチューニング
変えるもの指示の文章AIに渡す資料モデルそのもの
向いていること答えの形や観点をそろえる社内の規程や最新の情報に沿って答える文体や形式、専門の言い回しをそろえる
情報の更新指示を書き換える資料を差し替えれば、すぐに反映できる学習し直す必要がある
準備の手間小さい資料の整理が必要学習用のデータづくりが必要

ファインチューニングの注意点は?

主な注意点は、学習用のデータづくりに手間がかかること、情報の更新に弱いこと、学習に使うデータの扱いに気をつける必要があることの3つです。

データづくりに手間がかかる
望ましい答えの例を、質をそろえて数多く用意する必要があります。例の質が低いと、答えの質も下がります。
情報の更新に弱い
規程や商品の情報が変わるたびに、学習し直す必要があります。変わりやすい情報は、RAGで渡すほうが向いています。
学習に使うデータの扱い
学習用のデータに個人情報や社外秘の情報が入っていないかを確かめます。どの環境で学習させるかも、社内の規程に合わせて決めます。

トラックファームでは、ファインチューニングをどう考えているか?

社内の知識をAIに使わせたいという相談には、まずプロンプトの工夫とRAGで足りるかを確かめます。ファインチューニングは、それでも答えの形や精度が足りない場合に、学習用のデータの準備と費用を含めて検討します。

よくある質問

社内の資料をAIに覚えさせるには、ファインチューニングが必要ですか?

多くの場合、必要ありません。社内の資料にもとづいて答えさせたいなら、資料を検索してAIに渡すRAGのほうが、資料の差し替えにすぐ対応でき、根拠の資料も示せます。

ファインチューニングには、どのくらいのデータが必要ですか?

作業の内容や使うモデルによって変わるため、一律には言えません。まずは少ない例で試し、答えがどのくらい良くなるかを確かめながら、データを増やすかどうかを決めます。

最終更新:監修:代表取締役 錦見 穣

まずは無料で、
どこから手をつけるべきかを見立てます。

オンライン面談60分+診断メモ。全国対応です。