2026/11/08
今更聞けないAI知識
AIのファインチューニングとは？「追加で学習する」と「指示を書く」の違い
この記事の要点
ファインチューニングは、学習済みのAIモデルを追加の学習で特定の用途に合わせる方法です。既製服の仕立て直しと架空の問い合わせ対応を例に、プロンプトとの違いを説明します。用途に合う文章でも正確さの確認は必要です。導入を考える前に、望ましい回答を具体化する見方を紹介します。
目次
「自社向けのAIに調整する」とは何を変えるのでしょうか
問い合わせへの返信をAIに作ってもらうと、内容はそれらしくても、説明の順番や言葉遣いが自社の案内と合わないことがあります。そこで「ファインチューニングで調整する」という説明を見かけても、毎回「丁寧に答えてください」と書くことと何が違うのか、つかみにくいかもしれません。
一言で答えると、ファインチューニングは「学習済みのモデルを、追加の学習で特定の用途に合わせる方法」です。モデルとは、データから学んだパターンを使い、入力に応じた結果を出す仕組みです。Googleの公式用語集では、ファインチューニングを、事前に学習したモデルに対して特定の作業に向けた学習を行うことと説明しています。（出典: Google機械学習用語集）
身近なたとえなら、既製服の仕立て直しに近いでしょう。すでに服として形になっているものを使い、袖丈や身幅を着る人に合わせます。布から服を作る工程を最初から繰り返すわけではありません。AIでも、すでに学習したモデルを出発点にして、用途に合うように追加で調整するという関係があります。ただし、服とAIでは調整の仕組みが違うため、このたとえは出発点を理解するためのものです。
この記事では、架空の店舗の問い合わせ対応を例に、文章を作るAIのファインチューニングを考えます。押さえたいのは、追加学習によって「どのような回答を出すか」を用途に合わせても、「その回答が正しいか」は別に確認する必要があるという点です。専門的な設定を覚える前に、この区別が分かると、調整済みのAIに何を期待するかを判断しやすくなるでしょう。
学習済みのモデルに、用途を絞った例を加えます
ファインチューニングを理解するには、最初の学習と追加の学習を分けて考えると整理しやすくなります。IBMの解説では、生成AIについて、土台となるモデルを作る学習、そのモデルを用途に合わせる調整、生成した結果の評価という流れが示されています。生成AIとは、利用者の依頼に応じて文章や画像などを作るAIです。（出典: IBM）
土台を作る段階では、幅広いデータからパターンを学びます。その後、特定の作業に合わせるための例を使って学習を加える方法が、ファインチューニングです。Googleの公式用語集では、この追加学習によってモデルの「パラメータ」を調整すると説明しています。パラメータは、モデルの出力を左右する内部の数値です。初心者の段階では、回答の出方に関わる内部の数値を、例に基づいて調整すると捉えればよいでしょう。（出典: IBM、Google機械学習用語集）
文章を作るAIで使う学習例として、IBMは、実際に受けそうな質問や依頼と、望ましい形式の正しい回答との組み合わせを挙げています。単に「丁寧な文章がよい」と方針を示すだけでなく、どんな入力にどう答えてほしいかを具体化する考え方です。（出典: IBM）
たとえば、架空の店舗で「不足している情報を確認してから案内する」という応答を目指すなら、その方針が表れた入力と回答の組み合わせを用意する案が考えられます。これは仕組みを説明するための提案です。例文を一つ用意すれば調整が完了するという意味ではありません。追加学習の中心は、担当者の期待を抽象的な合言葉のままにせず、モデルに示せる具体例へ変えることにあります。
問い合わせと望ましい返信を組み合わせます
ここからは、架空の雑貨店を想定します。目標は、配送に関する問い合わせに対し、短く丁寧に答え、不足する情報があれば確認することです。以下は追加学習用の例を考えるための架空の組み合わせであり、実際の店舗の規約や、特定サービスに登録できるデータ形式を示すものではありません。
入力の例を「注文した商品はいつ届きますか」とします。それに対する望ましい回答の例は、「配送状況を確認するため、ご注文番号をお知らせいただけますか。確認できる情報をもとにご案内します」です。この組み合わせでは、届く日をその場で作って答えるのではなく、確認に必要な情報を尋ねる応答を示しています。IBMが説明する、受け取る質問と望ましい回答を組み合わせる方法を、身近な場面に置き換えた例です。（出典: IBM）
別の入力として、「注文番号が分かりません」も考えられるでしょう。望ましい回答を作るには、実際の運用で何を確認してよいか、どこへ案内するかを決める必要があります。ここで編集上の提案として勧めたいのは、文章のきれいさだけで例を選ばないことです。店の担当者が実際には実行できない確認方法や、認められていない約束が例に含まれていれば、目指す対応そのものが曖昧になってしまいます。
例を作る作業は、「自社らしい返信とは何か」を言葉にする機会にもなるはずです。丁寧さを重視するのか、説明の短さを重視するのか、情報が足りない場合にどう尋ねるのかを具体化できます。この段階で担当者同士の判断が分かれるなら、追加学習を検討する前に、望ましい対応をすり合わせる余地があります。AIへの調整を考えるためにも、人が見て納得できる回答例が必要でしょう。
プロンプトは回答時の手掛かり、追加学習はモデルの調整です
プロンプトとは、AIに渡す依頼文や入力です。たとえば「丁寧な言葉で、必要な確認事項を一つずつ尋ねてください」と伝えることが当てはまります。Googleの公式用語集では、プロンプトの中に複数の回答例を入れて、返答の仕方を示す方法も説明されています。つまり、回答例を使う行為がすべてファインチューニングになるわけではありません。（出典: Google機械学習用語集）
違いは、例をどの段階で使うかにあります。プロンプトに書いた指示や例は、その回答を作る際の手掛かりとして渡します。ファインチューニングでは、例を追加の学習に使い、モデルの内部を調整します。Googleの公式用語集でも、ファインチューニングと、プロンプトを通じた学習は区別されています。（出典: Google機械学習用語集）
| 比較する点 | プロンプトでの指示や例示 | ファインチューニング |
| --- | --- | --- |
| 指示や例の使い方 | 回答を作る際の入力として渡します | 追加の学習用データとして使います |
| 調整する対象 | 回答時に参照する依頼内容です | 学習済みモデルの内部です |
| 問い合わせ対応の例 | 丁寧に確認するよう依頼します | 問い合わせと望ましい返信の組を学習に使います |
たとえば、会話の中で「今の回答は長いので短くしてください」と伝え、返答が短くなったとします。それだけで、ファインチューニングを実施したとは判断できません。会話の指示に応じたことと、追加学習でモデルを調整したことは区別する必要があります。また、この区別だけでは、入力がサービス側でどう保存・利用されるかまでは分かりません。データの扱いを知りたい場合は、利用するサービスの案内を別に確認するのがよいでしょう。
用途に合う文章と、正しい回答は分けて確認します
「問い合わせ対応向けに追加学習したAIなら、店のことは正しく答えられるはず」と期待したくなるかもしれません。しかし、望ましい形式の回答を学習することと、個々の回答内容の正しさを確認することは同じ作業ではありません。IBMの解説でも、モデルの調整に続いて、生成した結果を評価し、必要に応じて調整を重ねる流れが示されています。追加学習を終えたことだけを、確認を省く理由にはできないでしょう。（出典: IBM）
架空の例として、回答が「お問い合わせありがとうございます」で始まり、読みやすい長さに整っていても、確認していない配達日を約束していれば、そのまま送る判断はできません。文体が整っているために、内容まで確かに見えてしまう点に注意が必要です。これは実際のAIの検証結果ではなく、回答を確認するときの着眼点を示す例です。
確認方法の提案として、評価を「形」と「中身」に分けてみてください。形では、言葉遣い、説明の順番、必要な確認を尋ねているかを見ます。中身では、店舗の案内と一致するか、分からない事項を断定していないか、対応できない約束を含んでいないかを確認します。形がよくても中身に問題があれば、修正が必要です。
入力の情報が不足する場合の回答も、見ておきたいところです。「注文した商品はいつ届きますか」と「昨日注文したので今日届きますよね」では、利用者の書き方が違います。どちらでも確認していない日付を断定しないかを比べる、という確認が考えられます。追加学習の評価を「丁寧になったか」だけで終えず、判断に必要な情報がない場面を含めると、実務で受け入れられる応答かどうかを検討しやすくなるでしょう。
導入を考える前に、変えたい回答を一つ選びます
ファインチューニングという言葉を知った後、すぐに専門的な作業へ進む必要はありません。明日からできる一歩として、AIの回答で困った箇所を一つ選び、「どのように直ってほしいか」を書いてみることを提案します。「もっと自社向けに」という希望を、誰でも確認できる形にするためです。
架空の問い合わせ対応なら、「言葉遣いを丁寧にしたい」「結論の後に確認事項を置きたい」「情報が足りないときは質問してほしい」といった希望が考えられます。これらを一度にまとめず、最も困っている点を一つ選ぶと、望ましい回答例を作りやすいでしょう。そのうえで、プロンプトに指示や例を入れた場合にどう答えるかを確認する、という進め方が考えられます。これは初心者向けの検討手順の提案であり、特定製品の操作手順ではありません。
追加学習の相談を受ける立場なら、「何をできるようにしたいか」に加え、「どの回答なら合格か」を尋ねてみてください。望ましい例と、避けたい例を並べると、調整の目的を共有しやすくなります。たとえば「丁寧な回答」という抽象的な要望を、「不足する情報を尋ね、確認していない日付は約束しない」という判断の基準へ置き換える案が考えられるでしょう。
プロンプトで指示を渡す方法と、学習済みのモデルを追加学習で調整する方法は異なります。そしてIBMの解説が示すとおり、調整後にも結果の評価が続きます。（出典: IBM） この二点が分かれば、「調整済み」という言葉だけで出来を判断せずに済みます。手元の依頼文を一つ選び、望ましい回答と確認すべき事実を書き分けてみてください。そのメモが、指示を工夫する場合にも、追加学習を相談する場合にも、目的を伝える出発点になるはずです。