AI・PMOの進化
ファインチューニング
Fine-tuning
読み：ふぁいんちゅーにんぐ
事前に学習したモデルへ追加のデータなどを使い、特定の課題や出力傾向に合うよう調整する方法です。
01初心者向け
まず意味をつかむ
毎回の指示を変えるだけでなく、モデル側の振舞いを追加学習で調整します。社内情報をその都度検索して渡すRAGとは、働きかける場所が異なります。
02実務者向け
仕事でどう使うか
目的と評価基準を定め、利用権限のある学習データを整えます。学習に使わない評価例を用意し、調整前後の性能、偏り、費用、情報漏えいのリスクを確認します。
03専門家向け
判断を一段深める
調整で特定の課題が良くなっても、別の課題の能力が変わる場合があります。知識の更新や機密管理をすべて解決する手段ではありません。プロンプト改善や検索方式との比較から、追加学習が必要かを判断します。
IN PRACTICE
具体例で考える
架空の問い合わせ分類で、確認済みの例から分類傾向を調整し、別に保管した評価例で誤分類と対象外の扱いを比較します。
理解を助けるための架空の例です。追加学習に使う例
モデル側の調整
未使用の例で比較
一般的な調整の流れです。全てのモデルや利用形態で同じ方法が使える意味ではありません。
ここは誤解しやすい
追加データを学習させれば、内容を必ず正確に覚え、必要時に再現するとは考えないようにします。
PROXIA INSIGHTS
考え方を、実務へつなぐ
AIを「使う」から、PMの判断に「活かす」へ ↗この知識を、組織の力へ。