生成AI・LLM — 06 / 30
すでに学習済みのAIに、追加のデータを学ばせて、特定の用途や書き方に合わせて調整することです。「微調整」とも呼ばれます。
ファインチューニングでは、「この質問にはこう答える」という見本の組み合わせを大量に用意して、AIに追加で学ばせます。見本の質と量が結果を大きく左右するため、どんなデータを用意できるかが、検討の出発点になります。
近いことができる方法として、指示文の工夫(プロンプトエンジニアリング)、社内資料を参照させる仕組み(RAG)、AIサービスの「カスタム指示」や「専用のAIを作る」機能などがあります。これらは追加学習をせずに使えるため、手軽に試せます。
ファインチューニングが向いているのは、決まった形式の出力を大量に、安定して作りたい場合です。たとえば、決まった書式の報告書の作成や、社内独特の分類作業などです。反対に、情報がよく変わる内容を答えさせる用途には向いていません。
たとえば、自社の問い合わせ対応の言い回しや、業界特有の書式に合わせたい場合に使われます。ただし、データの準備や費用、更新の手間がかかるため、中小企業ではまずプロンプトの工夫やRAG(社内資料を参照させる仕組み)で足りないかを先に試すのが一般的です。
多くの商品を扱う部品卸が、取引先から届く表記ゆれの多い注文書の品名を、自社の商品コードに当てはめる作業を自動化したい場合に、過去の対応記録を見本として使う、という例が考えられます。まずはRAGや指示文で足りないかを試してから検討します。
コールセンター業務を請け負う会社が、自社の応対の言い回しや敬語の基準に合わせた返答案を安定して作りたい場合に、過去の良い応対例を見本として学ばせる、といった使い方が考えられます。個人情報は事前に取り除いておきます。
検査記録を多く持つ食品工場が、記録の文章から不具合の種類を決まった区分に分ける作業を効率化するために使う、という例が考えられます。分類の基準が変わったら学ばせ直す手間がかかる点も含めて判断します。
※ 特定の企業の事例ではなく、よくある場面をもとにした想定例です。
社内資料の「内容」を答えさせたいなら、RAGのほうが向いていることが多いです。ファインチューニングは「書き方・振る舞い」の調整に向いています。
社内の情報や商品が変わるたびに、作り直しが必要になることがあります。運用の手間も含めて考えます。
多くの中小企業では、まずは必要ありません。指示文の工夫や、社内資料を参照させる仕組みで、たいていの用途はまかなえます。それらを試しても、書き方や形式がどうしてもそろわない場合に、はじめて検討すれば十分です。
用途やサービスによって目安が大きく異なるため、一概には言えません。一般に、質のそろった見本が一定数以上必要になります。検討する場合は、利用するサービスの公式の説明を確認し、まず少ないデータで試して効果を測るのがおすすめです。
学ばせたデータやできあがったAIの権利が誰のものになるか、データの保管や削除の方法、作り直しの費用と頻度、効果をどう測るかを確認してください。あわせて、RAGなどほかの方法と比べてなぜこの方法がよいのか、説明を求めると判断しやすくなります。
「まずは指示文の工夫と、社内資料を参照させる方法で試してみて、それでも足りなければ検討しましょう」