ファインチューニングと転移学習の違い
特定のタスクに特化させるか、既存のモデルを活かすか

ファインチューニングとは

ファインチューニング（Fine-tuning）は、生成AI の学習で、事前学習の後に、教師ありデータを使って追加学習をすることです。事前学習で得た知識を「どのように使って振る舞うか」を学ばせる段階で、チャットボットとしての振る舞いや、翻訳、長い文章の要約といった、特定のタスクでの振る舞いを身につけさせます。

追加学習とは、既存の学習済みモデルに新しいデータを与えて、特定のタスクに適応させるための再学習です。モデルを特定の用途に特化させ、高い精度を目指せる一方、高品質な教師ありデータを大量に用意する必要があるうえ、ICL や RAG と比べて費用がかかります。

転移学習とは

転移学習は、機械学習のモデルを作るときに、自分で一から学習済みモデルを作る代わりに、すでに作られている学習済みモデルに、既知のデータだけを追加で学習させる手法です。

ゼロから作ると、高い計算能力と学習時間が必要ですが、転移学習なら時間をかけずに効率よくモデルを作れます。ただし、既存のモデルは自分のデータで作られたものではないので、自分の課題を精度よく解けないことがあります。そのときは、自分のデータを増やして追加学習するなど、再チューニングで対応します。

違いを表で比べる

試験での問われ方

モバイルシステム技術検定2級では、第10章「生成AIとAI活用」で出ます。もちこ道場の第10章の問題（全130問）のうち、ファインチューニング・転移学習を扱う問題は28問あります。

• 穴埋め: 「事前学習の後に教師ありデータで追加学習し、特定のタスクでの振る舞いを身につけさせるプロセス」にファインチューニング、「既存の学習済みモデルに既知のデータだけを追加で学習させて効率的に作る手法」に転移学習を選ぶ。選択肢には強化学習・事前学習・ディープラーニングなどが並びます。
• 組み合わせ: LLM の学習の段階として、「教師なし学習で行う段階」に事前学習、「教師あり学習で特定のタスクに合わせる段階」にファインチューニングを入れる。順を入れ替えた選択肢が並びます。
• 記述を選ぶ: 「ファインチューニングは ICL より費用がかからない」「転移学習は既存のモデルを一切使わず一から作る」のように、性質を取り違えた記述を見抜く。

覚え方

• 名前で覚えます。ファイン（細かく）チューニング（調整）は、細かく調整して特定のタスクに合わせること。転移（移す）学習は、すでにある学習済みモデルを活かして作ること。
• 出てくる場面で見分けます。生成AI の学習の段階（事前学習の次）なら、ファインチューニング。機械学習のモデルを効率よく作る話なら、転移学習。

第10章のほかの用語は「第10章 生成AIとAI活用の要点」にまとめています。