AI の解説記事で「ファインチューニング」という言葉を見かけても、RAG やプロンプトとの違いが分からないまま読み飛ばしてしまう人は少なくありません。ファインチューニングとは何かを一言で言えば、すでに学習を終えたモデルに追加で学習させ、特定の仕事に強くする方法です。ただし日々の困りごとに対して、最初に選ぶ手段がこれになるとは限りません。この記事では Google Cloud と OpenAI の公式解説をもとに、意味と仕組み、RAG やプロンプトとの使い分けを個人の目線で整理します。
この記事で分かること
- ファインチューニングの意味と、モデルの中で何が変わるのか
- ファインチューニングと RAG・プロンプトの違いと使い分けの考え方
- 公式に書かれた手順とファインチューニングの種類
- 個人がまず試せることと、よくある失敗の避け方
要点
- ファインチューニングとは、事前トレーニング済みの LLM をタスク固有のデータセットでさらにトレーニングすることです。Google Cloud は転移学習プロセスとも説明しています
- ファインチューニングはモデルのパラメータを変更する手法で、外部のナレッジでプロンプトを拡張する RAG とは手を入れる場所が違います
- 専門用語の理解、特定タスクの精度、特定のスタイルやトーンへの対応を求めるときに検討する手段です
- OpenAI は、プロンプトエンジニアリングの工程だけで用途に十分な結果が得られる場合もあると説明しています
- 手順は、データの準備・アプローチの選択・モデルのトレーニング・評価とデプロイの 4 ステップに分けて説明されています
ファインチューニングとは何か
事前トレーニング済みモデルを特定の分野に特化させる
Google Cloud の解説では、ファインチューニングは「事前トレーニング済みの LLM をタスク固有のデータセットでさらにトレーニングします(転移学習プロセス)」と説明されています。同じページでは、LLM(大規模言語モデル)はメールの作成から複雑な質問への回答までさまざまなタスクに役立つ強力なツールである一方、プロジェクトで必要としている作業内容を理解しきれない場合があると書かれています。そこで必要になるのがモデルのファインチューニングで、同ページはこれを、優秀な生徒にさらに特別なスキルを教えるようなものだとたとえています。
仕組みに踏み込むと、ファインチューニングではモデルがより小規模でタスク固有のデータセットにさらされ、モデルの内部パラメータが新しいデータセットの例によりよく一致するように調整されます。Google Cloud はこの内部パラメータを、知識を制御する何百万もの小さなノブのようなものだと表現しています。つまりファインチューニングは、モデルの中身そのものを少しずつ書き換える手法だと考えると理解しやすくなります。
「LLM の追加学習」という言葉で検索している人が探しているのは、たいていこの作業です。Google Cloud は、事前トレーニング済みモデルはすでに多くの一般的な情報を学習しており、ファインチューニングはモデルが特定の分野に特化するのに役立つと説明しています。
どんなときに検討するか
Google Cloud は、LLM に次のことを求める場合にファインチューニングを検討するよう挙げています。
- 特定の言語や専門用語を理解する(業界固有の用語を多く使う場合)
- 特定のタスクの精度を向上させる(顧客レビューの分類や製品説明の生成など)
- 特定のスタイルやトーンに合わせる(特定のブランドボイスや文章スタイル)
- 限られたデータで作業する(ゼロからのトレーニングより効率的なため)
- 費用とレイテンシの削減(大規模なユースケースで小規模なモデルを使う場合)
- エッジケースの処理
6 番目について Google Cloud は、ファインチューニングによってプロンプトエンジニアリングだけでは対処が難しいエッジケースや、複雑なプロンプトを処理するモデルの能力を向上させることができると書いています。プロンプトで届く範囲の課題はプロンプトで解く、という順番が考えやすくなります。
ファインチューニングの種類
Google Cloud は、目標やリソースに応じて方法を使い分けられるとして複数の型を挙げています。
| 型 | 説明 | ユースケース |
|---|---|---|
| 教師ありファインチューニング | 入出力ペアのラベル付きデータセットでトレーニングされる | テキスト分類、固有表現抽出、感情分析 |
| 指示のファインチューニング | 指示と望ましい回答のデータセットでトレーニングされる | chatbot、質問応答システム、コード生成 |
| 少数ショット学習 | 目的とするタスクの例がプロンプト内に用意されている | 限られたデータで新しいタスクに適応する |
| ドメイン固有のファインチューニング | 特定のドメインや業界に合わせて調整される | 法的文書の分析、医療レポートの作成、財務予測 |
| マルチタスク学習 | 複数のタスクで同時にトレーニングされる | 関連するタスク全体でパフォーマンスを向上させる |
表のうち少数ショット学習は、例をプロンプトの中に置く方法として挙げられています。お手本をいくつかプロンプトに入れて出力の形をそろえる使い方は、個人でもすぐ試せる例です。
ファインチューニングと RAG・プロンプトの違い
公式が示す 2 つの手法の比較
Google Cloud は、LLM を特定の用途に合わせて調整する方法としてファインチューニングと検索拡張生成(RAG)の 2 つを挙げ、タスクの種類、十分なデータがあるかどうか、達成したい目標などの要素を考慮して適切な方法を選ぶよう説明しています。次の表は同ページの記載を並べたものです。
| 手法 | 主な違い | メリット | 課題 |
|---|---|---|---|
| ファインチューニング | モデルのパラメータを変更します | 精度向上、特異性強化、ハルシネーションの軽減、カスタマイズされたインタラクション、費用対効果、バイアスの低減 | 「壊滅的忘却」のリスク、リソースコストの増加、データ需要の増加、「過学習」の可能性 |
| RAG | 外部のナレッジでプロンプトを拡張します | 動的な知識統合、コンテキストの関連性、汎用性、大規模なトレーニングの必要性の低減 | 精度が限られる、RAG システムの保守が複雑、ハルシネーションの可能性 |
ここが違いの中心です。ファインチューニングはモデルのパラメータ側を変え、RAG はプロンプト側に外部の知識を足します。RAG の課題として挙げられている「精度が限られる」については、RAG が参照できるのはアクセスできるデータのみであり、トレーニングに基づく推論はできないという例が示されています。
プロンプトについては OpenAI の解説が参考になります。OpenAI はモデル出力の最適化には評価(evals)、プロンプトエンジニアリング、ファインチューニングの組み合わせが必要だとし、よりよいプロンプトとよりよいトレーニングデータにつながるフィードバックのはずみ車ができると説明しています。3 つは対立する選択肢ではなく、回していく輪として描かれています。
使い分けの考え方(目安)
ここからは公式の事実をもとにした考え方の整理です。困りごとがどこにあるかで、先に試す手段を決めると迷いにくくなります。
| やりたいこと | 先に考えたい手段 | 理由の目安 |
|---|---|---|
| 出力の形や文体をそろえたい | プロンプトの改善 | OpenAI はプロンプトの工程だけで用途に十分な結果が得られる場合もあると説明している |
| 社内資料や最新情報に沿って答えさせたい | RAG | RAG のメリットとして動的な知識統合とコンテキストの関連性が挙げられている |
| 専門用語や特定タスクの精度を上げたい | ファインチューニング | 専門用語の理解や特定タスクの精度向上が検討理由に挙げられている |
| 大量のリクエストで費用を抑えたい | ファインチューニング | 小規模なモデルをファインチューニングする方が費用対効果が高くなる場合があるとされている |
| そもそも良し悪しが測れていない | 評価の仕組みづくり | OpenAI は、まず出力を測る評価を書いて基準を作る流れを示している |
迷ったときは、評価の基準を決める、プロンプトを整える、必要なら外部の知識を参照させる、それでも届かない部分にファインチューニングを検討する、という順番が考えやすいです。
ファインチューニングの手順
Google Cloud が示す 4 つのステップ
Google Cloud はファインチューニングのプロセスを実用的なステップに分けて説明しています。公式ページに書かれている範囲は次のとおりです。
- データの準備:使うデータを収集し、エラー・不整合・無関係な情報を削除してクリーンアップし、モデルが理解できる形式に整えます。そのうえでデータを 3 つのセットに分割します。トレーニング(モデルのトレーニングに使用)、検証(パフォーマンスをモニタリングし設定を調整するために使用)、テスト(最終的なパフォーマンスを評価するために使用)です
- アプローチの選択:主なアプローチはフルファインチューニングとパラメータエフィシエントファインチューニング(PEFT)で、選択はデータセットのサイズ、利用可能なコンピューティングリソース、希望する精度などの要因によって変わります
- モデルのトレーニング:学習率、バッチサイズ、エポック数などのハイパーパラメータを設定し、トレーニングデータをモデルにフィードして学習させ、検証セットでパフォーマンスをモニタリングします。結果が良くない場合はハイパーパラメータを調整するか別の手法を試します
- 評価とデプロイ:テストセットで最終的なパフォーマンスを評価し、精度・適合率・再現率などタスクに関連する指標を確認します。問題がなければアプリケーションやシステムにデプロイし、実際の環境で監視して必要に応じて再トレーニングします
ステップ 2 の 2 つのアプローチは性格が異なります。フルファインチューニングではトレーニング中にモデルのすべてのパラメータが更新され、タスク固有のデータセットが大きく事前トレーニングデータと大きく異なる場合に適しているとされています。一方 PEFT は、モデル全体を再トレーニングする代わりに元の LLM を固定し、トレーニング可能な小さな新しいレイヤを追加する手法です。Google Cloud はこれを、1,000 ページもある教科書をすべて書き直すのではなく専門情報の付箋を数枚追加するようなものだとたとえ、プロセスが大幅に高速化され費用も削減できると説明しています。一般的な PEFT 手法としては LoRA(Low-Rank Adaptation)と QLoRA(Quantized Low-Rank Adaptation)が挙げられています。
OpenAI のプラットフォームでの流れ
OpenAI の解説では、ファインチューニングはダッシュボードでも API でも作成でき、一般的な流れは次のように示されています。
- トレーニングデータとして使う例のデータセットを集める
- そのデータセットを JSONL 形式にして OpenAI にアップロードする
- 目的に応じた手法でファインチューニングのジョブを作成し、トレーニングを開始する
- 結果を評価する
同ページには、現在サポートされている手法も整理されています。
| 手法 | 仕組み | 向いている用途 | 利用できるモデル |
|---|---|---|---|
| Supervised fine-tuning (SFT) | プロンプトに対する正しい応答の例を与えて振る舞いを導く | 分類、ニュアンスのある翻訳、特定の形式での生成、指示追従の失敗の修正 | gpt-4.1-2025-04-14 / gpt-4.1-mini-2025-04-14 / gpt-4.1-nano-2025-04-14 |
| Vision fine-tuning | 画像入力を与えて教師ありファインチューニングを行う | 画像分類、複雑なプロンプトでの指示追従の失敗の修正 | gpt-4o-2024-08-06 |
| Direct preference optimization (DPO) | 正しい応答と誤った応答の両方を与え、どちらが正しいかを示す | 要約で焦点を適切に当てる、適切なトーンとスタイルのチャット生成 | gpt-4.1-2025-04-14 / gpt-4.1-mini-2025-04-14 / gpt-4.1-nano-2025-04-14 |
OpenAI はプロンプトのみの場合と比べた利点として、1 回のリクエストのコンテキストウィンドウに収まらないほど多くの入出力例を与えられること、短いプロンプトで済むため大規模運用ではトークン費用が節約でき低レイテンシになり得ること、独自のデータや機微なデータをリクエストごとに例として含めずに学習させられること、大きなモデルでは費用対効果が合わないタスクに小さく安く速いモデルを特化させられることを挙げています。
前提も書かれています。OpenAI のページには、同社がファインチューニングのプラットフォームを段階的に終了させている(winding down)とあり、プラットフォームは新しいユーザーには開かれておらず、既存の利用者は今後数か月はトレーニングジョブを作成できるとされています。ファインチューニング済みモデルは、そのベースモデルが廃止されるまで推論に使えるままだとも書かれています。この記事は 2026年11月時点の公式ページの記載に基づくものなので、使う前に公式ページで最新の状況を確かめてください。料金についても、OpenAI はトレーニングと利用の課金について料金ページを参照するよう案内しています。
個人がまず試すのはプロンプトの改善
Google Cloud は課題として、大規模なモデルのファインチューニングは計算コストが高くなり大量のメモリが必要になることがあると挙げています。OpenAI もファインチューニングは時間のかかるプロセスになり得るとしつつ、プロンプトエンジニアリングの工程だけで用途に十分な結果が得られる場合もあると明記しています。
OpenAI が挙げるプロンプトのコツは 3 つです。モデルが学習データの外から回答を組み立てるために必要な文章や画像を指示に含めること、どんな出力が欲しいかという明確なゴールを書くこと、正しい出力の例をいくつか与えること(few-shot learning と呼ばれる方法)です。これを踏まえたプロンプト例を 3 つ挙げます。
場面:自分の困りごとをどの手段で解くか整理したい
あなたは業務改善の相談役です。以下の前提をもとに、私の困りごとが
「プロンプトの改善」「外部資料を参照させる仕組み(RAG)」「追加学習(ファインチューニング)」
のどれで解決しそうか、理由つきで整理してください。
前提
- 職種:法人営業のアシスタント
- 困りごと:提案書の文体が毎回ばらつく/社内規程を取り違えて答える
- 手元にあるもの:過去の提案書30件、社内規程のPDF5本
- 使える時間:週2時間
出力の形:1.結論(どれを先に試すか)2.理由(3行以内)3.今週やる3ステップ
場面:文体をそろえたい(お手本を例として渡す)
あなたは当社の文章の書き手です。以下の「お手本」3本と同じ語彙・文の長さ・敬体で、
新しい商品説明を書いてください。お手本に出てこない表現は使わないでください。
お手本1〜3:(過去の説明文をそのまま貼る)
書く対象:(商品名と仕様を箇条書きで)
出力の形:見出し1行+本文200字+注意書き1行
守ること:数値はこちらが渡したものだけを使い、推測で補わない
場面:出力の良し悪しを測る基準を先に作る
これから私はAIに「問い合わせメールの下書き」を作らせます。
出力が良いか悪いかを判定するチェック項目を10個作り、
各項目を「満たす/満たさない」で判定できる文にしてください。
前提
- 読み手:既存の取引先
- 外してはいけない点:納期と金額の数値、担当者名、次の行動の依頼
- 避けたい失敗:丁寧すぎて要点が埋もれる/事実を補って書いてしまう
出力の形:番号つきリスト(各項目20字以内)+最後に「不合格の例」を1つ
3 つ目は、OpenAI が示す「まずモデル出力を測る評価を書き、パフォーマンスと精度の基準を作る」という流れを個人の作業に落としたものです。基準がないままプロンプトをいじると、良くなったのかが分からなくなります。
よくある失敗と対策
1. 評価の基準を作らずに手を動かす
OpenAI は、プロンプトを書き始める前に評価を書くことを検討してもよいとし、振る舞い駆動開発(BDD)に近いアプローチだと説明しています。評価は本番で想定される入力に対して実行するよう書かれています。望ましい出力の条件を先に 5 個から 10 個の判定文にしておくとよいでしょう。
2. 課題の切り分けをせずにファインチューニングへ飛ぶ
Google Cloud は、ファインチューニングはプロンプトエンジニアリングだけでは対処が難しいエッジケースに効くと位置づけています。文体の統一や出力形式の指定で解決する課題なら、プロンプトの段階で止まることもあります。困りごとが「知識の不足」か「振る舞いの不足」かを分けて書き出すと判断しやすくなります。
3. データの質を軽く見る
Google Cloud は、ファインチューニングではデータ品質が最も重要だとし、関連性が高く多様で十分な量の高品質なデータセットを使うよう勧めています。ラベルにノイズが含まれているデータセットや形式に一貫性がないデータセットは、モデルの学習能力を著しく低下させる可能性があるとも書かれています。量を増やす前に表記ゆれとラベルの誤りを潰す進め方が考えられます。
4. 学習データに寄りすぎる(過学習)
過学習は、モデルがトレーニングデータを学習しすぎて新しいデータに対して一般化できない状態だと説明されています。Google Cloud は、早期停止や正則化などの手法でトレーニングデータへの過学習を防ぐこと、正則化やデータ拡張などの手法で軽減できることを挙げています。
5. 特化させすぎて一般的な力を失う(壊滅的忘却)
Google Cloud は、モデルをあまりにも狭い範囲に特化させると一般的な知識を忘れてしまうことがあるとし、専門医が超専門領域の外科医になったものの基本的な応急処置を忘れてしまったようなものだとたとえています。軽減手法としては正則化やリプレイバッファが挙げられています。特化と汎用のどちらを取るかを最初に決めておく発想が役立ちます。
職種別の使い方の例
ここからは考え方の例です。公式ページのユースケースを身近な仕事に置き換えてみます。
営業
Google Cloud は、ファインチューニングされたモデルを使って特定のスタイルでブログ投稿、記事、商品説明を作成するユースケースを挙げています。営業担当なら、過去の提案書や受注メールを数本お手本としてプロンプトに添え、文体をそろえる使い方から試すとよいでしょう。自社用語の言い換え表を一緒に渡すと表記のばらつきが減りやすくなります。
事務
同ページには、ソーシャルメディアの投稿やカスタマーレビューなどのテキストデータを分類・分析するデータ分析のユースケースも挙げられています。問い合わせメールの振り分けやアンケートの自由記述の仕分けはこの考え方に近い作業です。分類のルールと判定しにくい例を書き出し、プロンプトで分類させて精度を測る進め方が考えられます。
企画
要約のユースケースとして、特定のドメインや文体で簡潔かつ正確な要約を生成する能力を向上させられると書かれています。企画職なら、会議の記録や調査資料を「背景・論点・決めること」の型で要約させる使い方が考えられます。型を固定し、出力の良し悪しを判定する項目を用意しておくと使い回しやすくなります。
よくある質問
ファインチューニングと追加学習は同じ意味ですか
Google Cloud はファインチューニングを、事前トレーニング済みの LLM をタスク固有のデータセットでさらにトレーニングする転移学習プロセスと説明しており、既存のモデルに学習を重ねる作業を指しています。日本語の記事で「追加学習」と書かれているときも、多くはこの作業を指しています。
RAG とファインチューニングはどちらを先に考えるべきですか
Google Cloud は、タスクの種類、十分なデータがあるかどうか、達成したい目標などの要素を考慮して適切な方法を選ぶとしています。考え方の目安としては、答えに必要な情報が外部の資料にあるなら RAG、振る舞いや精度そのものを変えたいならファインチューニングという整理が立てやすいです。RAG のメリットとして動的な知識統合が挙げられている点も手がかりになります。
個人でもファインチューニングはできますか
Google Cloud は課題として、大規模なモデルのファインチューニングは計算コストが高くなり大量のメモリが必要になることがあるとし、コンピューティング要件を軽減するために PEFT、量子化、分散トレーニングなどの手法を検討するよう挙げています。提供条件や料金は変わることがあるため、使う前に各社の公式ページで最新の内容を確認してください。
費用はどれくらいかかりますか
2026年11月時点の公式ページでは、OpenAI はファインチューニング済みモデルのトレーニングと利用の課金について料金ページを参照するよう案内しています。Google Cloud のページでは、$300 分の無料クレジットと 20 以上の無料枠プロダクトを活用して構築を開始できると案内されています。条件は変わり得るので、申し込む前に公式ページで確かめてください。
ハルシネーションは減りますか
Google Cloud はファインチューニングのメリットとして、特定のユースケースにおけるモデル出力の精度と関連性を大幅に向上させ、AI ハルシネーションを軽減できる可能性もあると書いています。ただし同ページは RAG の課題にもハルシネーションの可能性を挙げており、どちらの手法でも出力の確認は欠かせません。重要な数値や固有名詞は人が元資料と照らす運用にしておくと安心です。
会社やチームで使うなら
手段の選択はチームで共有しておくと迷いが減ります。評価の基準を先に決めておけば、プロンプトで足りるのか外部資料の参照が必要なのか、追加学習まで踏み込むべきなのかを同じ土台で議論できます。扱うデータに個人情報や機微な情報が含まれる場合は、社内規程や契約の範囲を所属先の担当部署に確認してから進めてください。法人としての導入や社員研修を検討する段階なら、法人向けAIリスキリングサービスで導入社数No.1(東京商工リサーチ・2026年3月末時点)の株式会社デジライズに相談できます。
あわせて読みたい
まとめ
ファインチューニングとは、事前トレーニング済みの LLM をタスク固有のデータセットでさらにトレーニングし、特定の分野に特化させる方法です。モデルのパラメータを変更するファインチューニングと、外部のナレッジでプロンプトを拡張する RAG は変える場所が違い、プロンプトの改善や評価と組み合わせて回していく関係にあります。個人としては、評価の基準を作ってプロンプトを整えるところから始め、そこで届かない課題が残ったときにファインチューニングを検討する順番が現実的です。職種に合わせて体系的に学びたい場合は、デジライズAIスクールのコース一覧や料金プランから、「営業・企画・提案職のAI活用全体図(職種別|営業・企画・提案職)」のような講座をのぞいてみてください。
出典
この記事は、各社の公式のヘルプ・ドキュメントや公的機関の資料をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。料金や機能は変わることがあるため、使う前に公式ページで最新の情報を確かめてください(2026年11月8日時点)。
