読み：ふぁいんちゅーにんぐ ／ 分野：AI・生成AI
すでに学習済みのAIに、自社のデータを追加で学習させて、特定の用途に合わせて調整することです。
ファインチューニングとは、すでに学習済みのAI（LLMなど）に自社のデータを追加で学習させ、特定の業務や用途に合わせて調整することです。ゼロからAIを作るのではなく、既存の優秀なモデルを土台にして、その中身を書き換える手法です。
意味
一般的なLLM（大規模言語モデル）は、幅広い分野の知識や文章表現を学習しています。ただし、専門用語が多い業界の言い回しや、自社特有のルール・口調には対応しきれないことがあります。ファインチューニングは、こうした課題に対して、自社で用意した質問と回答の組み合わせなどの学習データを追加で学ばせる技術です。この作業により、AIの内部にある応答の傾向そのものが調整され、特定の分野や業務に適した受け答えができるようになります。似た目的で使われる手法にRAG（検索拡張生成）がありますが、こちらはAI自体を学習し直さず、外部の文書を都度参照させる方法である点が異なります。
使われる場面と具体例
- カスタマーサポート担当者が、自社の口調やルールに沿った受け答えをAIにさせたい場合に、過去の問い合わせ対応データを学習させて調整します。
- 専門用語が多い業界（医療・法律・製造業など）で、担当部門がAIの回答精度を高めるために、専門文書や用語集を追加学習させます。
- 総務・DX担当者が、社内文書の分類や要約といった特定業務に特化させたい場合に、自社の文書形式に合わせて調整します。
中小企業が押さえたい点
- ファインチューニングには、まとまった量の学習データと、それを整える専門知識、計算資源（サーバーやクラウドの利用料）が必要です。
- 多くの場合、まずはプロンプト（AIへの指示文）の工夫やRAGの活用で十分な効果が得られることがあり、必ずしもファインチューニングが最初の選択肢になるとは限りません。
- 学習データに誤りや偏りがあると、その傾向がAIの回答にそのまま反映されるため、データの質を事前に確認することが重要です。
- 外部の事業者に依頼する場合は、学習に使うデータの取り扱い（機密情報の扱いや著作権）について契約内容を確認しておく必要があります。
よくある誤解
- ファインチューニングをすれば、あらゆる用途に対応できるAIになると思われがちですが、実際には特定の業務に特化させる代わりに、他の分野での柔軟性が下がる場合があります。
- 手軽に試せる機能だと誤解されることがありますが、実際にはデータ準備や検証に相応の手間と時間がかかります。
よくある質問
Q. ファインチューニングとRAGはどちらを選べばよいですか。
A. 外部の最新情報を参照させたいだけならRAGで対応できることが多く、AIの応答の仕方や口調そのものを変えたい場合にファインチューニングが検討されます。
Q. 自社にAIの専門知識がなくても導入できますか。
A. 社内に専門人材がいない場合は、外部の事業者に依頼するのが一般的で、その際はデータの取り扱いに関する契約内容の確認が欠かせません。
Q. 一度ファインチューニングしたAIは、そのままずっと使えますか。
A. 業務内容や扱う情報が変化した場合は、データを更新して再度学習させる必要が生じることがあります。
関連する用語
ほかの用語を探す
