ファインチューニングって何?

ざっくり言うと

似た言葉に「事前学習(pre-training)」がありますが、こちらは AI をゼロから育てる超巨大プロジェクト。ファインチューニングは、その後にやる 仕上げの追加学習 という位置づけです。

イメージ

正確には

IBM の解説では、ファインチューニングは 「事前学習済みモデルを、特定のタスクや小さめのデータセットに合わせて追加学習させる手法」 と説明されています。ゼロから学習し直すのではなく、すでに獲得した知識を土台に 重み(パラメータ)の一部を調整する やり方です。

OpenAI の公式ガイドでも、ファインチューニングは「プロンプトだけでは安定しない出力スタイル・フォーマット・専門タスクの精度を、追加データで底上げする手段」として位置づけられています。多くの用途は「プロンプトを工夫する」「文脈を与える(RAG など)」で足りる、と前置きしたうえで、それでも不足する場合の選択肢として案内されている点が重要です。

ファインチューニングが向いている用途

公式ドキュメント類で挙げられている代表例は次のようなものです。

用途	具体例
出力スタイルの固定	常に丁寧語/常に箇条書き/自社ブランドの口調
専門用語への対応	医療・法律・社内独自のジャーゴンに正しく反応させる
特定タスクの精度向上	分類・タグ付け・要約など、形が決まった作業の安定化
プロンプトの短縮	毎回長い指示を書かなくても、暗黙のルールで動かす

事前学習 / ファインチューニング / プロンプトの違い

ここはよく混乱するポイントなので、入れ子で整理します。

工程	誰がやる?	何をする?	コスト感
事前学習(pre-training)	AI 企業(OpenAI/Google/Anthropic 等)	巨大データから「言葉の使い方」をゼロから学ぶ	相対的に高い
ファインチューニング	API ユーザー(企業・開発者)	既存モデルに追加データで特化学習	相対的に中。学習料・推論料・API料金が発生し得る
プロンプト工夫 / RAG	エンドユーザー含む全員	モデルは変えず、入力の与え方で結果を寄せる	相対的に低い。ただし API料金・検索基盤費が発生し得る

個人事業主にとっての現実

ファインチューニングは、自分でモデルを動かすサーバを用意しなくても、各社の API やクラウド経由で選べる場合があります。

ただし、提供有無・対象モデル・契約条件・地域・料金は、会社や時期によって変わります。OpenAI / Google(Vertex AI) / Anthropic などで提供例はありますが、本記事では固定の提供状況として扱いません。特に OpenAI は、公式 docs で新規利用の可否、対象モデル、移行状況を確認してください。具体的なモデル名・価格も、後述の参考ソースから各社の公式ページにあたるのが安全です。

関連する仲間の用語

ファインチューニングは大きな概念で、中にいくつかの手法があります。それぞれ別記事で扱いますが、関係だけ覚えておくと混乱しません。

• 学習(トレーニング): AI に知識を覚え込ませる工程全体の総称。ファインチューニングはその一種
• LoRA: モデル全体ではなく一部のパラメータだけを効率よく追加学習する省コストな手法
• RLHF: 人間のフィードバックを使って、回答の好ましさを学ばせる特殊なファインチューニング
• パラメータ: モデルの「重み」のこと。ファインチューニングはこの数値を少しいじる作業

やってみよう

具体的な API の使い方や費用感は、各社の公式ドキュメントで確認するのが確実です。下の参考ソースから一次情報にあたってください。