AIの学習（Training）とは、データを使ってAIモデルの内部にある数値（パラメータ）を調整し、予測や回答のしかたを身につけさせる工程です。 一方、学習済みのAIに質問して答えを受け取る処理は、推論（Inference）と呼びます。

ChatGPTやGeminiに資料を渡したり、会話中に「違います」と教えたりしても、それだけでモデル本体が学習し直すわけではありません。ここを区別できると、「AIに覚えさせる」「社内資料を学習させる」といった言葉の意味が分かりやすくなります。

この記事では、「料理人の修行」という例えを使いながら、学習の仕組み、事前学習・追加学習、推論・メモリ・RAGとの違い、実際に仕事で使うときの判断方法を説明します。

ざっくり言うと

用語・操作何をしている？モデルのパラメータは変わる？
学習（Training）データを使ってモデルの内部の数値を調整する変わる
推論（Inference）調整済みのモデルで質問に答える通常は変わらない
会話の続き・文脈の参照直前までの会話を踏まえて答える通常は変わらない
メモリなどの保存機能保存した情報を、後の会話で参照する通常は変わらない
RAG（検索拡張生成）関係する文書を検索し、回答時に参照する通常は変わらない
ファインチューニング学習済みモデルに、特定用途の追加学習を行う学習対象のパラメータが変わる

見分けるポイントは、AIが情報を「今、読んでいる」のか、モデルの内部の数値を「学習で更新している」のかです。 ただし、将来のモデル改善に会話データが利用されるかどうかは、サービスの設定・契約で決まる別の話です。

イメージ

1. 学習と推論の違いを、料理人で考える

学習と推論を料理人に例えてみましょう。

  • 学習は、料理人の修行。 いろいろなレシピや調理結果を参考にし、何度も試して腕を磨く段階です。
  • 推論は、店で注文を受けて料理すること。 修行で身につけた技術を使い、その場のお客さんの注文に対応します。

AIでも、まずデータを使ってモデルを調整します。学習が終わったモデルに「この文章を要約して」と頼み、答えが返ってくるのは推論です。

料理人がお客さんから「今日は塩を控えて」と言われれば、その一皿は薄味にできます。しかし、その注文を受けただけで、修行時代に身につけた技術そのものが変わったわけではありません。AIへの追加指示も、これに近いものです。

この例えは仕組みをつかむためのもので、AIが料理人のように経験や意識を持つという意味ではありません。また、学習が必ず推論より計算量が大きいとは限らず、モデルの規模や処理方法によって変わります。

正確には

2. AIは、学習中に何を変えるの？

Googleの機械学習用語集では、学習をモデルを構成するパラメータ（重みやバイアス）を決める工程と説明しています。

データとパラメータは別

  • 学習データ
    モデルを調整するために使う文章・画像・数値などの例。
  • パラメータ
    例を使った計算を通じて調整される、モデル内部の数値。
  • 損失（Loss）
    学習の目標に対して、予測がどのくらいずれているかを表す指標。

たとえば迷惑メールを見分けるAIでは、過去のメールと分類結果を参考に、「どんな特徴があるメールを迷惑メールと判断するか」に関係する数値を調整します。生成AIの場合は、文章の続きを予測する学習など、目的に合った方法が使われます。

代表的なニューラルネットワークの学習では、次のような流れを繰り返します。

  1. 例を読み込む。 学習用のデータをモデルに渡す。
  2. 予測・出力を計算する。 現在のパラメータで結果を出す。
  3. ずれを評価する。 目的に対してどのくらい誤差があるかを計算する。
  4. パラメータを調整する。 誤差を減らす方向へ内部の数値を更新する。

これは分かりやすくした代表例で、すべてのAIが必ず同じ手順で学習するわけではありません。

また、学習データがそのまま「ファイル一覧」としてモデルの中に保存されるわけでもありません。ただし、特定の学習内容を再現してしまうリスクはあり、データの権利・個人情報・安全性の確認は重要です。

3. 事前学習・ファインチューニング・RLHFとは？

大規模言語モデル（LLM）では、幅広いデータで基礎的な能力を学び、必要に応じて追加の調整を行います。ただし、学習工程がすべてのモデルで「決まった3段階」になっているわけではありません。

工程・手法何をする？覚えておきたいこと
事前学習（Pre-training）広いデータから言葉や情報のパターンなどを学ぶ基盤となるモデルを作る
教師ありファインチューニング入力と望ましい回答の例で、特定の答え方や作業へ寄せる追加学習の一種
選好に基づく調整・RLHF人が好む回答や評価などを利用して振る舞いを調整する追加調整の手法。すべてのモデルで同じ方法とは限らない

ファインチューニング（Fine-tuning）も学習です。 すでに作られたモデルを、指定した用途に合わせて追加調整します。モデルによっては全パラメータではなく、一部のパラメータや追加の調整部分だけを学習します。

また、RLHFは「人間のフィードバックによる強化学習」です。OpenAIのInstructGPTの研究では、人が作った回答例と回答への評価を利用してモデルを調整しました。これは学習方法の実例であり、現在のすべてのAIが同じ工程を採用しているという意味ではありません。

4. 「会話で教えた」「資料を渡した」は学習とは限らない

ここが、普段AIを使う人にとって最も大切な違いです。

たとえば、AIに「当社の営業時間は平日の10時から18時です」と伝えたとします。その後の同じ会話で「土曜日は営業していますか？」と尋ねれば、先ほどの情報をもとに回答できる場合があります。

しかし、それは会話の中の情報を参照しているのであって、モデルの内部のパラメータを更新した証拠ではありません。別のチャットで同じ情報を使えるかどうかも、サービスのメモリ・履歴・プロジェクト等の機能と設定によります。

「覚えさせる」という言葉は、次のように言い換えると誤解しにくくなります。

本当にしたいことまず考える方法理由
今だけ、資料を読んで答えてほしいファイル添付・長文入力今回の回答に資料を使わせる
後の会話でも好みや前提を使ってほしい対応サービスのメモリ・設定・プロジェクト保存情報を後で参照させる
社内マニュアルから正しい箇所を探してほしいRAGや文書検索・連携必要な文書を回答時に取り出す
毎回同じ文体や分類の形式にしたいまずは指示文や回答例を工夫する学習なしで改善できる場合がある
指示だけでは安定しない定型業務に対応させたい対応モデルのファインチューニングを検討特定用途に向けて追加学習する

RAGは、モデルを再学習しなくても資料を使える

RAG（検索拡張生成）は、質問に関係する資料を検索し、その内容を回答時にAIへ渡す方法です。Google Cloudも、モデルを再学習・ファインチューニングせずに外部の資料を使える方法として説明しています。

たとえば、会社の就業規則から「休暇の申請期限は？」と答えてもらう場合、規則を探して該当部分を参照する仕組みが候補です。社内規則が変わったときも、モデルの再学習ではなく、参照する文書を更新できる構成があります。

ただし、RAGでも誤った文書を見つけたり、資料の意味を読み違えたりすることがあります。 回答に使われた文書名と、実際の条文・更新日を確認する必要があります。

5. 学習したら、何でも正しく答えられる？

学習したことと、正しい答えが保証されることは別です。 学習データに間違いがあったり、偏りがあったりすると、望ましくない回答につながる場合があります。

さらに、学習に使った問題だけ上手に解けても、初めて見る問題で失敗することがあります。これが過学習（Overfitting）と呼ばれる問題です。

モデルの開発では、通常、次のように学習と評価のデータを分けて確認します。

  • 学習用データ
    モデルのパラメータを調整する。
  • 検証用データ
    開発途中で性能を確かめ、調整方法を見直す。
  • テスト用データ
    最終的に、まだ見ていない例でも使えるかを確認する。

Googleの機械学習教材も、学習用と評価用のデータを分け、新しい例で性能を確認する重要性を説明しています。

実際にAIの回答を仕事で使うときも、学習済みのモデルだからと過信せず、日時・金額・制度・出典を一次資料で照合しましょう。

6. 会話データが「AIの学習に使われる」とはどういう意味？

ここまでの「学習」は、モデルのパラメータを調整する技術上の工程でした。一方、AIサービスの設定にある「会話をモデル学習に利用する」は、利用者の入力などを将来のモデル改善に使うかどうかに関する説明です。

つまり、次の2つは両立します。

  • いま会話しているAIのパラメータは、通常、その会話だけでは更新されない。
  • サービスの提供者が、規約や設定に従い、その会話を将来のモデルの学習に利用する場合がある。

この2つを混同しないでください。 たとえばOpenAIの個人向けChatGPTでは、モデル改善への利用を止めるためのデータコントロールが案内されています。一方、法人向けの一部サービスやAPIは、標準では学習に利用しないという説明です。実際の扱いは利用するサービス・プラン・設定・契約によって異なります。

また、学習への利用をオフにすることと、会話をサービス側で処理すること、履歴や保存データを削除すること、機密情報を送信してよいことは、それぞれ別です。顧客情報や契約書を渡す前に、組織のルールと提供元の最新案内を確認してください。

詳しくは「学習に使わない」設定の重要性も参照してください。

よくある質問

やってみよう

判断クイズ

第1問

AIに「来月の営業時間は平日10時から18時」と伝えました。同じチャットで正しく答えるようになりました。何が起きたと考えるのが適切でしょうか？

  • A. 基盤モデルの重みが、その会話だけで恒久的に書き換わった。
  • B. 直前の会話の情報を参照して答えている可能性が高い。
  • C. その情報が、すべての利用者のAIにも即座に学習された。

第2問

会社の就業規則をAIに見せ、毎回「この規則の何ページに書いてあるか」を示して回答してほしいと考えています。まず検討しやすい方法は？

  • A. 最新の規則を検索・参照させるRAGや文書連携を検討する。
  • B. モデルに一度「覚えて」と言えば、どの規則の改訂も自動反映されると考える。
  • C. 全社員の会話を学習データに入れ、出典確認を不要にする。

第3問

「このモデルは大量のデータで学習済み」と書かれています。実務に使う前の判断として適切なのは？

  • A. 学習済みなので、最新の制度や料金も必ず正確だと考える。
  • B. 学習に使った例で正答率が高ければ、初めての案件も完全に正しいと考える。
  • C. 未見のデータでの性能や、実際の回答の根拠を確認する。

あわせて読みたい

締めに

まとめ

学習（Training）はモデルのパラメータを調整する工程、推論（Inference）は学習済みモデルから答えを得る工程です。会話の続きで情報を参照したり、PDFを読み込ませたりしても、それだけでモデル本体を学習し直したことにはなりません。

自分の仕事の情報を「覚えさせたい」ときは、一時的に読ませたいのか、後で参照させたいのか、答え方そのものを調整したいのかを分けて考えましょう。まずは入力方法・保存機能・RAGで対応できるかを確かめ、必要に応じてファインチューニングを検討するのが現実的です。