ファインチューニング

ファインチューニング（Fine-tuning）とは

ファインチューニングとは、機械学習（特にディープラーニング）において、既存の学習済みモデル（Pre-trained Model）の一部を再利用し、新しいデータセットで再学習させることで、特定の目的に特化したモデルを作る手法のことです。 直訳すると「微調整」です。

仕組み：巨人の肩に乗る

AIを一から育てるには、膨大なデータと計算パワー（GPU）、そして時間がかかります。 例えば、GPT-4のようなモデルを個人で作るのは不可能です。

しかし、公開されている高性能な「事前学習済みモデル」を持ってきて、それに「自分のやりたいこと（例：法律相談、医療診断、社内マニュアルの回答）」のデータを少しだけ食わせて調整すれば、少ないデータとコストで、高性能な専用AIを作ることができます。

転移学習との違い

よく似た言葉に**「転移学習（Transfer Learning）」**があります。

• 転移学習: 学習済みモデルの「特徴抽出部分（知識の根幹）」は**固定（フリーズ）**して動かさず、最後の「出力部分（分類器など）」だけをすげ替えて学習させること。
  • データが極端に少ない場合に有効。
• ファインチューニング: 学習済みモデルのパラメータ（重み）全体、あるいは一部を、**新しいデータに合わせて少し変化（微調整）**させること。
  • より高い精度が出やすいが、データが少なすぎると過学習（Overfitting）するリスクがある。

最近の生成AIブームでは、BERTやLlamaなどの大規模言語モデル（LLM）をベースに、自社専用のモデルを作る際によく使われる手法です。

由来・語源

(記述募集中)

使用例

(記述募集中)

関連用語

• 関連: