ファインチューニング

解説

ファインチューニングは、大量のデータで事前に学習させたAIモデルに、特定の用途向けのデータを追加で学習させ、モデル内部のパラメーターを更新する手法です。たとえば、回答の口調や形式、問い合わせの分類の傾向を、自社向けに寄せる目的で使われます。

実務での使われ方

回答の口調や形式をそろえたいときはファインチューニング、最新の情報を正確に答えたいときはRAG（検索拡張生成）が向いています。目的別の使い分けは次のとおりです。

目的	適した手段
最新の仕様や価格を正確に答えたい	RAG
回答の口調や形式をそろえたい	ファインチューニング
最新情報と口調の両方が必要	併用

ファインチューニングを行うには、学習させる素材として、望ましい回答の例をまとまった量用意する必要があります。

注意点

学習データの質が、そのまま結果に表れます。誤りを含んだ過去の応対をそのまま学習させると、誤りの傾向までモデルが覚えます。そのため、学習に使う応対を選ぶ段階で人が確認します。

さらに、内容が頻繁に変わる情報をファインチューニングで覚えさせると、更新のたびに再学習が必要になり、運用コストが負担になります。また、Microsoftは、計算資源のコスト、データが少ない場合の過学習、特定の用途に特化することによる汎用的な性能の低下も注意点に挙げています。