微調整（ファインチューニング）とは、事前学習済みの基盤モデルに対して、特定のタスクやドメインに適した少量のデータセットを用いて追加学習を行い、パラメーターを最適化する手法です。これにより、一からモデルを構築するよりも大幅に少ない計算資源と時間で、高い精度とカスタマイズ性を備えた専用モデルを構築できます。
微調整（ファインチューニング）とは
微調整（ファインチューニング）とは、すでに大量のデータで訓練された「事前学習済みモデル」に対し、特定の目的や業務に関連するデータを用いて追加の学習を行い、モデル全体のパラメーター（重み）を最適化して特定のタスクに特化させる手法です。
詳しく解説
ディープラーニングなどの大規模なモデルをゼロから構築するには、膨大なデータと莫大な計算資源、そして長い時間が必要です。これに対し、微調整はすでに一般知識やパターン認識能力を獲得している「基盤モデル」を出発点とします。基盤モデルの学習済みの重みを活かしつつ、ターゲットとなる特定のタスク（例えば、特定の業界用語の理解や、自社専用のカスタマーサポート対応など）のデータセットで追加学習を行います。このプロセスにより、モデルのパラメーターが目的のタスクに最適化されるため、少ないデータと短い時間で、高精度な専門モデルを効率的に作成することが可能になります。
具体例・使われ方
具体的な利用例として、汎用的な大規模言語モデル（LLM）に対して、医療分野の学術論文やカルテのデータを学習させて「医療専門の対話AI」へとカスタマイズするケースが挙げられます。また、画像認識モデルにおいて、一般的な物体認識モデルに特定の製品の欠陥画像を学習させて「製造ライン向けの目視検査AI」を構築する例もあります。
似た用語との違い
混同されやすい概念に「転移学習」や「RAG（検索拡張生成）」があります。転移学習は事前学習済みモデルの知識を別のタスクに応用する総称であり、微調整はその手法の一つとして、既存モデルのパラメーター自体を更新するプロセスを指します。一方、RAG（検索拡張生成）はモデルのパラメーターは一切更新せず、外部データベースから検索した情報をプロンプトに挿入して回答を生成させる手法です。
注意点
注意点として、微調整を行うには適切な品質のトレーニングデータが一定数必要であり、準備にコストがかかります。また、特定のタスクに過剰に適応することで、元々持っていた汎用的な能力や知識が失われてしまう「破滅的忘却」と呼ばれる現象が発生することがあります。さらに、モデルのパラメーターを更新するため、推論時の実行コスト削減には寄与しますが、追加学習自体には依然としてGPUなどの計算資源が必要となります。