機械学習モデルの精度を維持・向上させるため、新しいデータを用いてモデルを再び訓練するプロセスのこと。時間の経過とともにデータの傾向が変化する「概念ドリフト」や「データドリフト」によって、運用中のモデルの予測精度が低下する現象を防ぐために不可欠であり、MLOps（機械学習オペレーション）における重要なライフサイクル管理の一環として位置づけられています。
モデルの再学習とは
モデルの再学習とは、すでに本番環境などで稼働している機械学習モデルに対して、新しく収集した追加データや最新のデータを用いて再度訓練を行い、予測精度を回復・向上させるプロセスのことです。
詳しく解説
機械学習モデルは訓練時のデータに基づいてパターンを学習しますが、現実世界の環境やユーザーの行動、社会情勢は絶えず変化します。この変化により、過去のデータで学習したモデルが現在の状況に適合しなくなる現象を「概念ドリフト」や「データドリフト」と呼びます。モデルの再学習は、こうした精度低下（劣化）を防ぎ、常に最新の状況に即した正確な予測を維持するために実施されます。再学習の運用には、定期的に実行するスケジュール型、精度が一定基準を下回ったトリガー検知型、新しいデータが一定量蓄積されたタイミングで実行するデータ量依存型などがあります。これは持続的なシステム運用を支える「MLOps」の基盤技術です。
具体例・使われ方
例えば、ECサイトの推薦システム（レコメンデーション）において、ユーザーの最新の購買トレンドや季節商品の変化を反映させるために、毎週深夜に「モデルの再学習」を自動実行するケースが挙げられます。また、クレジットカードの不正利用検知システムにおいて、日々巧妙化する新しい詐欺の手口（不正パターン）を学習させるために、定期的に最新の取引データを学習させてモデルを更新することも、典型的な再学習の適用例です。
似た用語との違い
「モデルの再学習」と混同されやすい概念に「転移学習」や「微調整（ファインチューニング）」があります。転移学習や微調整（ファインチューニング）は、あるタスクで学習した既存のモデルをベースに、別の新しいタスクや特定ドメインに適応させる手法を指します。一方、モデルの再学習は、基本的に同じタスクにおいて、データの陳腐化を防ぐために最新の同一ドメインのデータを用いてモデルをアップデートする行為を指します。また、ゼロからモデルを作り直す「フルスクラッチの再学習」と、既存の重みをベースに追加データのみを学習させる「インクリメンタル学習」に細分化されます。
注意点
モデルの再学習を行う際は、新しく収集したデータ自体の品質管理が極めて重要です。ノイズの多いデータやバイアスのかかったデータで再学習を行うと、かえって予測精度が著しく低下するリスクがあります。また、過去に正しく予測できていたパターンを忘れてしまう「破滅的忘却」や、過学習の発生にも注意が必要です。さらに、再学習後のモデルを自動で本番環境にデプロイする前に、厳密な評価用データセットを用いて性能テストを実施する検証プロセスが欠かせません。