インバウンド学習（In-Context Learning）とは、大規模言語モデルに対してモデル自体の重みを更新せず、入力プロンプト内に具体例や指示を与えるだけで新たなタスクを正確に実行させる手法です。ファインチューニングを行わずに応用的な処理ができる点が特徴です。
インバウンド学習とは
一言でいうと、大規模言語モデルに対し、追加の学習（パラメータ更新）を一切行わず、入力テキスト内で例題を示すだけで新しい作業をこなせるようにする学習手法です。
詳しく解説
大規模言語モデルの発展に伴い見出された能力であり、プロンプトの中に「問題と答えのセット（例）」をいくつか含めることで、モデルがそのパターンの規則性を推論し、未知の入力に対しても適切に出力できるようになります。モデルのパラメータを直接書き換えるファインチューニングとは異なり、事前の計算コストがほとんどかからないという利点があります。この能力はモデルのスケールが大きくなるほど顕著に現れることが知られており、プロンプトエンジニアリングの基礎技術としても極めて重要です。
具体例・使われ方
例えば、感情分析を行いたい場合に「この商品は最高です -> ポジティブ」「最悪の体験でした -> ネガティブ」というように、入力文の中に複数の具体例を並べた上で「このレストランは美味しかった -> 」と入力します。すると、モデルは文脈を理解して「ポジティブ」と続きを予測します。
似た用語との違い
パラメータを直接変更してモデルの構造を最適化する「ファインチューニング」とは大きく異なります。ファインチューニングはコストと時間がかかりますが、インバウンド学習は入力する文章を工夫するだけで済むため、手軽にモデルの挙動を調整できます。
注意点
入力できるテキストの長さ（コンテキスト長）には物理的な上限があるため、あまりに多くの具体例を提示することはできません。また、提示する例の選び方や順番によって出力の精度が大きく変動するため、適切なプロンプト設計が求められます。