ファインチューニング：既存モデルを追加学習で調整する

学習済みモデルを自分のデータで追加学習させる手法と、RAGとの使い分け

ファインチューニング（Fine-tuning）とは、すでに大量のデータで学習済みのAIモデルに、特定の目的に合わせたデータを追加で学習させ、振る舞いを調整する手法です。「ゼロから作る」のではなく「既製品を自社向けに仕立て直す」イメージです。ただし、多くの業務課題はファインチューニングをしなくても解決できるため、使いどころの見極めが重要です。

基本的な考え方

大規模言語モデル（LLM）は、まず大量の文章で「事前学習」を行い、その後アシスタントとして振る舞えるよう追加の調整を受けています。Anthropicの用語集でも、Claudeはすでに役立つアシスタントになるようファインチューニングされたモデルだと説明されています。

ユーザーや企業が行うファインチューニングは、その上にさらに自社のデータで追加学習をして、特定のタスク・文体・分野に寄せるものです。

何ができるか

文体・トーンの統一：自社ブランドらしい言い回しで書かせる
出力形式の安定：決まったフォーマットのJSONや帳票を毎回正確に出す
特定タスクの精度向上：問い合わせの分類、専門用語の抽出など
小さなモデルの底上げ：軽量モデルを特定用途に特化させ、コストや速度を改善する

何が苦手か

最新情報や頻繁に変わる情報を覚えさせる：データが変わるたびに学習し直す必要があり、非効率です。
事実を正確に暗記させる：学習させても、ハルシネーションがなくなるわけではありません。

社内文書や製品情報など「知識」を参照させたい場合は、RAGのほうが向いていることが多いです。

代表的な手法

フルファインチューニング：モデルのパラメータ全体を更新します。計算資源とデータが多く必要です。
LoRAなどの軽量手法（PEFT）：一部の追加パラメータだけを学習させ、少ない計算資源で調整します。オープンウェイトモデルで広く使われています。

取り組む前に確認すること

まずプロンプトで解決できないか：プロンプトの改善や例の提示で十分なケースは多いです。
評価の基準と方法があるか：調整前後を比べるテストデータがないと、効果を判断できません（AIの評価・ベンチマーク参照）。
学習データの質と権利：誤りや偏りのあるデータで学習すると、その癖も覚えます。個人情報や第三者の著作物を含むデータは、権利関係と社内ルールを必ず確認してください。
提供状況：ファインチューニングの可否はサービスやモデルによって異なります。たとえばAnthropicの用語集では、Claude APIは現時点でファインチューニングを一般提供していないと記載されています（2026年10月時点）。利用したいサービスの公式ドキュメントで確認しましょう。

使い分けの目安

「書き方・形式・癖」を変えたい → ファインチューニングを検討
「知識・資料」を参照させたい → RAG
まずは手軽に改善したい → プロンプトの工夫

参考リンク

編集: AI Play 編集部　最終更新: 2026-10-25