A正解
ラベル付きのデータが必要である
正解。ファインチューニングは、ラベル付きのデータを使ってモデルの重みを追加学習します。ラベルなしで学ぶ継続的事前トレーニングと対照的です。
ある AI チームの勉強会で、RAG やプロンプトエンジニアリングと対比しながらカスタマイズ手法の特徴を整理しています。ファインチューニングに関する説明として正しいものを 2 つ選んでください。
1 / 1
複数選択してください
正解A, C
解説
ファインチューニングの正しい説明を 2 つ選ぶ問題。
- 1「ファインチューニングに関する説明」FT の 正しい特徴 を選ぶ
- 2「正しいものを 2 つ」ラベル付きが必要・特定タスクに適応 が正しい
B不正解
モデルの重みは変更せずに動作を変える手法である
ファインチューニングはモデルの重みを追加学習で更新します。
重みを一切変更しないのはプロンプトエンジニアリングや RAG であり、説明として誤りのため不正解です。
C正解
特定のタスクや分野にモデルを適応させられる
正解。ファインチューニングは、追加学習によってモデルを特定のタスクや分野に適応させられます。
D不正解
外部ナレッジを都度検索して回答に使う仕組みである
外部ナレッジを都度検索して回答に使うのはRAG の仕組みです。
ファインチューニングは重みを学習する手法であり、外部検索の仕組みではないため不正解です。
E不正解
学習データを用意しなくても実施できる
ファインチューニングは、ラベル付きの学習データを使って追加学習する手法です。
学習データがまったく不要というのは誤りのため不正解です。
ポイント
ファインチューニングの正しい特徴は『ラベル付きデータが必要』『重みを追加学習して特定タスク/分野に適応』。一方、『重みを変えない』はプロンプト/RAG、『外部を都度検索』は RAG、『学習データ不要』は誤りで、これらが定番のひっかけです。FT＝ラベル付き＋重み更新＋タスク適応、と覚えます。