ファインチューニングは、既に学習したAIに追加のデータで学習させ、特定の仕事へ合わせる方法です。文章の分類や出力の形式など、繰り返し行う仕事の傾向を調整するために使われます。
「専用AIを作る」と聞くと、会社の資料を全部入れればよさそうに思えるかもしれません。けれど、最新情報を渡したいのか、回答の仕方を合わせたいのかで、必要な方法は変わります。
ファインチューニングは、学習済みのモデルを追加で調整する

言語モデルは、学習によって内部の数値を調整しています。この数値をパラメーターと呼びます。ファインチューニングでは、学習済みのモデルを出発点に、追加の例を使って調整を行います。調整する範囲は方法によって異なります。
Google Cloudの解説は、特定の仕事への追加学習として説明し、データの準備から評価までを分けています。使う前の検査も含めて、一つの工程だと考えると分かりやすくなります。
たとえば架空の問い合わせ窓口で、文章を「配送」「返品」「それ以外」に分けたいとします。問い合わせ文と、窓口が望む分類の組を見本にできます。ただし、この例だけで特定のモデルが十分に働くと保証できるわけではありません。
指示文・RAG・追加学習は、変える場所が違う
同じ困りごとに見えても、直したい場所が異なる場合があります。
| 方法 | 主に何を変えるか | 問い合わせ窓口での例 |
|---|---|---|
| 指示文を直す | 今回渡す目的や条件 | 分類名を三つに限定し、迷う場合の扱いを書く |
| RAGを使う | 回答時に参照する資料 | 現在の返品案内を検索して渡す |
| ファインチューニング | 見本を通じてモデルの応答の傾向を調整する | 窓口固有の分類例を学習に使う |
この表は選択の考え方です。どれか一つしか使えないという意味ではなく、組み合わせる構成もあります。
「返品期限を古い日数で答える」という問題なら、まず最新の案内を渡せているかを確認できます。「内容は合っているが、決まった分類名を使わない」という問題とは、直す場所が違うからです。
検索する資料を更新した後の確認は、RAGの更新反映を確かめる順序で具体例から読めます。
学習に使った見本だけで、うまくなったと決めない
見本とよく似た問い合わせを正しく分類できても、言い方の違う問い合わせでは失敗するかもしれません。そこで、学習用の例と、結果を確かめるための例を分けます。
架空の窓口なら、短い「荷物が来ない」だけでなく、複数の相談が混ざる文章や、分類を決められない文章も確かめたいところです。「それ以外」と答えた方がよい場合まで、無理に配送か返品へ押し込んでいないかも見ます。
データを増やすことだけが改善ではありません。担当者によって正解の分類が食い違うなら、先に分類のルールをそろえる必要があります。ばらばらの見本を学習しても、望む判断基準が伝わりにくいためです。
学習前のモデルや、指示文だけを直した場合とも、同じ確認用の例で比べます。うまくいった例だけを選ぶと、改善した範囲を見誤ります。
導入を考える前に、何を改善したいか一つに絞る
最初に、望む答えと実際の答えを並べます。その違いを、次のように書き分けられます。
- 必要な情報を知らない、または古い情報で答える。
- 指定した形式や分類に従わない。
- 曖昧な入力で、確認すべきことを確認しない。
これらは原因を断定する診断表ではありません。改善したい箇所を、開発担当者と具体的に話すための整理です。
追加学習には、使ってよいデータの準備、評価、その後の管理も必要です。社内資料や顧客の情報を、権限や利用条件を確かめずに学習用サービスへ渡さないようにします。
まず、直したい回答を一つ選び、「何が分かればよかったか」「どう答えてほしかったか」を別々に書いてみてください。方法の名前から決めるより、取り組む仕事を絞れます。仕事全体のどの部分をAIへ渡すか迷う場合は、AIに置き換えやすい作業も手がかりになります。
