ファインチューニングの位置づけ
ファインチューニングは、事前学習済みモデルを特定のタスクやドメインのデータで追加学習し、振る舞いを調整する方法です。汎用モデルを、特定の文体、分類基準、業務フォーマット、専門領域に適応させるために使われます。
正解の理由
選択肢1は、事前学習済みモデルを特定タスクやドメインのデータで追加学習すると説明しています。これはファインチューニングの定義に合っています。モデルの重みを更新する点が、プロンプト設計やRAGとの大きな違いです。
他の選択肢の評価
- 選択肢2はRAGに近い説明です。推論時に外部文書を検索して渡すだけなら、通常はモデル重みを更新しません。
- 選択肢3は空白削除のような文字列処理で、ファインチューニングではありません。
- 選択肢4は人間が出力を手書きで置き換える説明であり、モデル学習ではありません。
RAGとの比較
- RAG: 外部知識を推論時に参照する。最新情報や社内文書に向く。
- ファインチューニング: モデルの振る舞いや形式を学習で調整する。定型出力や専門的な判断基準に向く。
- プロンプト: 最も手軽だが、複雑な一貫性には限界がある場合があります。
実務では、最新情報を覚えさせる目的だけでファインチューニングを選ぶのは不適切なことがあります。知識更新にはRAG、出力様式や判断の安定化にはファインチューニング、という使い分けが重要です。
試験対策の確認
生成AI・LLMの論点では、便利さだけでなく、制約とリスクを同時に押さえることが重要です。プロンプト、RAG、ファインチューニング、トークン、コンテキスト、権利・機密情報の各用語は相互に関連します。実務では、モデルの出力をそのまま正解とみなさず、根拠確認、アクセス制御、ログ管理、人間によるレビューを組み合わせて安全に運用します。
追加の確認観点
生成AI・LLMの問題では、技術用語を単独で覚えるより、入力、検索、生成、検証、運用管理の流れに置いて理解することが重要です。トークンやコンテキストは制約、プロンプトは制御、RAGは外部知識の参照、ファインチューニングは振る舞いの調整、ガバナンスは安全な利用のための仕組みです。実務では、出力が自然でも根拠が正しいとは限らず、機密情報や著作権のリスクも残ります。G検定では、便利な応用例と同時に、限界、確認手順、人間のレビューが必要な場面を押さえてください。