ファインチューニングとは？
ファインチューニング（微調整）とは、すでに学習を終えたAIモデルに、追加のデータを学習させて、特定の用途向けに調整する手法です。ゼロからモデルを作るのではなく、優秀な既製品をベースに「専門教育」を施すイメージです。
なぜ追加学習をするの？
汎用のLLMは何でもそつなくこなせますが、特定の業界の専門用語や、会社独自の言い回し、決まったフォーマットへの対応は苦手なことがあります。そこで、たとえば自社の過去の問い合わせ対応データを追加学習させれば、自社流の受け答えができるサポートAIに育てられます。
ゼロから学習するのに比べて、必要なデータ量も計算コストも大幅に少なく済むのが利点です。
身近なところでは、コールセンターの自動応答が自社の商品名や過去のやり取りに詳しいのも、こうした調整の成果であることが多いです。
ちなみに、専門用語への対応くらいなら、プロンプトに用語集や例を含めるだけで解決することも多くあります。「まず指示の工夫で試し、それでも足りなければ追加学習」というのが実務での一般的な順番です。
この使い分けの感覚は、AI導入のニュースや自社での活用検討のときに、話の筋を理解する助けになってくれます。
RAGとの違い
AIに専門知識を持たせる方法としては、RAG（検索拡張生成）＝AIに資料を検索させて、それを参照しながら答えさせる方法もよく使われます。ファインチューニングが「知識や作法を体に覚え込ませる」のに対し、RAGは「手元の資料を見ながら答えさせる」方法です。知識の更新が頻繁ならRAG、話し方や形式を仕込みたいならファインチューニング、と使い分けられています。
個人には関係ない？
ファインチューニング自体は開発者向けの技術ですが、「AIをカスタマイズして専用アシスタントを作る」という流れ自体は、ChatGPTのGPTsのような形で個人にも身近になっています。ニュースで見かけたときに「既存モデルの追加学習のことだな」とわかれば十分です。