ファインチューニング

ファインチューニングとは、すでに大量のデータで学習を終えた「事前学習済みモデル」に対し、特定のタスクや特定のデータセットを用いて追加学習を行い、モデルを最適化する手法です。ゼロから人工知能（AI）モデルを構築するには膨大な計算リソースと時間が必要ですが、ファインチューニングを活用すれば、既存のモデルの知識をベースにしつつ、効率的に精度を向上させることができます。AI活用の主流となっている技術です。

仕組みとしては、ベースとなるモデルの重み（パラメータ）を、特定のデータに適合するように微調整します。例えば、一般的な言語モデルに対し、法律文書のデータセットでファインチューニングを行えば、法律分野に特化した専門的な回答ができるモデルが完成します。転移学習の一種であり、汎用的な知識を持つモデルを特定の目的に特化させることで、高いパフォーマンスを実現するのが目的です。再学習のコストを低く抑えられるため、ビジネス現場でのAI導入に頻繁に用いられます。

試験では、機械学習のプロセスやAI活用における位置づけが問われます。学習済みモデルを再利用するという点から、ゼロからの学習とのコスト・期間の比較や、特定の目的に最適化するための手段として理解しておく必要があります。また、過学習（特定のデータに適合しすぎて汎用性が失われること）への注意や、目的に合わせたデータ選定の重要性についても、応用的な出題として関連付けられることがあります。