AI・開発トレンド

ファインチューニング

（ふぁいんちゅーにんぐ／Fine-tuning）

一言でいうと

すでに学習済みのモデルへ自社のデータで追加の学習をかけ、特定の用途に振る舞いを寄せる手法です。

大量のデータで事前学習したモデルを、少量のデータで用途に合わせるという進め方が定着したのは2018年前後です。当時は課題ごとに追加学習するのが標準で、分類でも要約でも専用のモデルを作っていました。

2020年以降、指示文だけで複数の課題に対応できるようになり、追加学習の必要性は下がりました。国内で2023年に生成AIの導入が始まった際も、まず指示文の工夫と RAG で試し、それでも足りない場合にファインチューニングを検討する順序が定着しています。

実施のハードルは近年下がりました。モデル全体を学習し直す方法に加えて、一部のパラメータだけを更新する省コストな手法（LoRA など）が広く使われています。候補者が「LoRA で調整しました」と説明した場合、大規模な設備を要する作業とは限りません。

用途に特化した振る舞いをさせることが目的です。出力の形式を厳密に揃えたい、独特の言い回しに合わせたい、短い指示文で安定して動かしたいといった場合に効果があります。

一方で、知識を足す目的には向きません。追加学習で覚えさせた内容は更新のたびに学習をやり直す必要があり、出典も示せません。知識を扱うなら RAG のほうが適しています。

出力の形式が厳密に決まっている業務、専門用語の多い領域、短い指示文で大量に処理したい場面で使われます。分類や抽出のように答えの形が定まっている作業とも相性が良い手法です。

社内文書への質問応答のように、知識の鮮度が問われる用途では選ばれません。

学習データの設計と評価を自分で回せる人材は限られます。求人票にこの語を入れると要件が上がり、母集団が狭くなります。

多くの案件では、指示文の設計と RAG で目的を達成できます。ファインチューニングを要件に入れる前に、それが本当に必要かを社内で確認してください。

探す場合は「機械学習エンジニア」の職種カテゴリで引き、フリーワードに「PyTorch」「LoRA」「学習データ」を重ねます。媒体によって件数の桁が変わるため、自社の検索結果で当たってください。

用語	指すもの	ファインチューニングとの違い
RAG	検索して根拠を渡す方式	知識を扱うのに適する。ファインチューニングは振る舞いを変える
プロンプトエンジニアリング	指示文の設計	モデルを変えない。まず試すのはこちら
事前学習	大量データでモデルを一から作る工程	規模と費用の桁が違う。ファインチューニングは既存モデルの調整
蒸留	大きなモデルの挙動を小さなモデルに移す手法	目的が軽量化。ファインチューニングは用途への適合