ファインチューニングって何?
この記事は約7分で読めます
ざっくり言うと
ファインチューニング（fine-tuning）とは、学習を終えたAIに追加のお手本を見せて、特定の仕事で望む答え方をしやすくする工程です。
必要なデータの量も、AIの中身にある数値を全部書き換えるのか一部だけにとどめるのかも、やり方とサービスによって変わります。
似た言葉に事前学習（pre-training）があります。こちらはAIをゼロから育てる、とても大がかりな取り組みです。ファインチューニングは、そのあとに行う仕上げの追加学習にあたります。
イメージ
いっぽうの事前学習は、生まれてから大学を出るまでを丸ごと引き受けるような話です。お金も時間もデータも桁違いに必要で、OpenAIやGoogleなどのAI企業が自社で行う領域にあたります。
個人や中小企業が関わるのは、基本的にファインチューニングから先だと思って大丈夫です。
正確には
ファインチューニングでは、学習済みの重み（答えを左右する内部の数値）を出発点にします。そこへ追加の入出力例や評価の信号を与えて、モデルを調整していきます。
全部を更新する
学習済みの重みを、モデル全体にわたって書き換えるやり方です。
アダプターだけ更新する
アダプターと呼ばれる小さな追加部品だけを更新するやり方です。
主要サービスの案内も、勧める順番はそろっています。
- OpenAIの現行ガイドは、まず評価方法を作ってプロンプトで基準となる性能を測り、そのうえで用途に応じてファインチューニングを検討する流れを案内しています
- Google Cloud（Gemini Enterprise Agent Platform）は、まず最適なプロンプトを探し、必要な場合に調整へ進むよう勧めています
どんな仕事に向いている？
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。
| やりたいこと | 具体例 |
|---|---|
| 答え方の形をそろえる | 常に丁寧語にする、常に箇条書きにする、自社の口調に寄せる |
| 独自の言い回しに対応させる | 社内用語や決まった構文を、指定した形で扱わせる |
| 決まった作業の精度を上げる | 分類・タグ付け・要約など、形の決まった作業を安定させる |
| 毎回の指示を短くする | 長い指示を書かなくても、覚えさせたルールで動かす |
事前学習・ファインチューニング・プロンプトの違い
この3つは混ざりやすいので、表にすると次のようになります。
| 工程 | 誰がやる？ | 何をする？ | 費用の感じ |
|---|---|---|---|
| 事前学習（pre-training） | AI企業（OpenAI・Google・Anthropicなど） | 巨大な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を使う企業や開発者 | 既存モデルに追加データで特化学習させる | 相対的に中。学習料・推論料・API料金が発生し得る |
| プロンプトの工夫・RAG | 使う人みんな | 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・検索基盤の費用が発生し得る |
目的に合わせて、手をつける順番を選んでください。
- まず評価用のデータを用意し、プロンプトの工夫で基準を測る
- 新しい資料を根拠に答えさせたいなら、RAGや検索連携を検討する
- 繰り返し出てくる振る舞いの失敗を直したい場合に、ファインチューニングを候補にする
いきなり追加学習へ進むのではなく、この順で目的に合う手段を比べてみてください。
いま、どのサービスで使える？
ファインチューニングを試す方法は、自分でモデルを動かすか、クラウドサービスが対応モデル向けに用意する学習ジョブ（追加学習の作業）を使うかのどちらかです。
ただし、同じ会社でも製品によって提供範囲が違うので注意してください。2026年7月27日時点の公式情報は、次のとおりです。
- OpenAI API
ファインチューニング基盤を段階的に終了中で、新規ユーザーは利用できません。すでに調整済みのモデルは、元のモデルが廃止されるまで回答の生成に使えると案内されています - Gemini API・Google AI Studio：対応するモデルがなく、ファインチューニングは利用できません
- Google Cloud
Gemini Enterprise Agent Platformで、対応するGeminiモデルの教師あり調整などが案内されています - Amazon Bedrock
対応モデルに対する教師あり・強化学習型の調整や蒸留を提供しています
対象のモデル、地域、契約条件、料金は更新されます。導入するときは、下の参考ソースにある各サービスの現行ページで確かめてください。
注意点
関連用語
ファインチューニングは幅の広い言葉で、中にいくつかのやり方があります。関係だけつかんでおくと、話がこんがらがりません。
- 学習（トレーニング） — データを読ませて覚えさせる工程全体の呼び名です。ファインチューニングもその一種にあたります
- LoRA — モデル全体ではなく、一部の数値だけを効率よく追加学習するやり方です。費用を抑えられます
- RLHF — 人のフィードバックを使う、代表的なポストトレーニング（事前学習のあとの調整）の手法です。実装によってファインチューニングとの関係は異なります
- パラメータ — モデルの重み、つまり答えを左右する内部の数値のことです。ファインチューニングは、この数値を少し調整する作業にあたります
やってみよう
具体的なAPIの使い方や費用は、各社の公式ドキュメントで確かめるのが確実です。下の参考ソースから、公式の説明にあたってください。
よくある質問
- Q. ファインチューニングとは何ですか?
- A. 学習を終えたAIに追加のお手本を見せて、特定の仕事で望む答え方をしやすくする工程です。AIをゼロから育てる事前学習のあとに行う、仕上げの追加学習にあたります。
- Q. ファインチューニングは、どんな仕事に向いていますか?
- A. 答え方の形をそろえる、社内用語や独自の言い回しに対応させる、分類やタグ付けなど形の決まった作業を安定させる用途です。毎回の長い指示を短くする効果もあります。
- Q. 社内資料を覚えさせて、正確に引用させられますか?
- A. 細かな事実を探して取り出す用途には向きません。手元の資料をそのつど参照させたいときは、答えるときに資料を検索して読ませるRAGや検索連携を先に検討してください。
- Q. 始める前に確かめることは何ですか?
- A. 学習データの質と権利です。質の悪いデータはクセの悪い答え方を覚えさせ、機密情報を入れると意図しない記憶や出力につながりかねません。個人情報や著作権、各社の利用条件も先に整理します。
公開: 更新: ✓ 公式情報と照合:
参考ソース
判断クイズ
「ファインチューニングしましょう」と言われて、本当に要るか判断できますか？
3問です。答えるとその場で解説が出ます。全問終えたら、「回答を記録する」で学習の記録に残せます。
全問に答えると、回答を記録できます。
残るのは「答えたかどうか」だけで、正解数は保存されません。この端末の中だけに残り、別の端末には引き継がれません。
この教科書は無料で全文公開しています。仕事で使えるところまで進みたい方は、実習と資料がそろった生徒プランをどうぞ。