教師ありファインチューニング（SFT）とは、大量のデータで事前学習された基盤モデルに対し、入力と正しい出力のペア（教師データ）を用いて特定タスクに最適化する調整手法です。対話型AIや特定分野向けモデルの開発において、人間の意図に沿った応答を生成させるために不可欠なプロセスとして広く活用されています。
教師ありファインチューニングとは
教師ありファインチューニング（SFT）を一言でいうと、事前学習済みのモデルに「入力と正解の組」を学習させ、特定の指示に従えるよう微調整する手法です。
詳しく解説
大規模言語モデルなどのAI開発では、まずインターネット上の膨大なテキストデータを用いて言葉のつながりを学ぶ「事前学習」が行われます。しかし、事前学習のみのモデルは文章の続きを予測するだけで、ユーザーの質問に適切に答える対話能力は不十分です。そこで、質問と望ましい回答のペアで構成された「教師データ」を与えて追加学習させる教師ありファインチューニング（SFT）を実施します。これにより、指示文（プロンプト）の意味を理解し、安全で人間にとって有用な回答を出力する能力が飛躍的に向上します。
具体例・使われ方
具体的な例として、カスタマーサポートの自動応答システム構築があります。企業が持つ問い合わせ履歴と模範解答のデータセットを用いて教師ありファインチューニング（SFT）を行うことで、自社製品に関する質問に正確に答えられるチャットボットを作成できます。また、医療や法律などの専門分野に特化した文書作成アシスタントの構築にも利用されます。
似た用語との違い
事前学習との違いは、学習データの形式と目的にあります。事前学習はラベルのない大量のテキストから一般的な言語理解力を獲得させるのに対し、教師ありファインチューニング（SFT）は正解ラベル付きのデータを用いて特定のタスクへ適応させます。また、人数の好みに合わせてモデルを微調整する「RLHF」（強化学習）の前段階として、基礎的な対話能力を身につけさせるためにSFTが実行される点も異なります。
注意点
教師ありファインチューニング（SFT）には、高品質な教師データを大量に準備するコストがかかるという課題があります。データ内に偏りや誤りが含まれていると、誤った情報（ハルシネーション）を堂々と出力する原因になります。また、特定タスクに過剰に最適化しすぎると、事前学習で得た汎用的な知識が失われる現象（破滅的忘却）が起きる可能性があるため注意が必要です。