解説

ファインチューニング（Fine-tuning：微調整）は、大規模言語モデル（LLM）の活用における重要な技術です。事前学習（Pre-training）では、インターネット上の膨大なテキストを使ってモデルの基礎的な言語能力を獲得させます。しかしこのままでは「汎用的な言語モデル」にすぎず、特定業務（医療診断支援・法律文書要約・カスタマーサポート対応など）に特化した回答をするためには不十分な場合があります。ファインチューニングは、その特定タスクに関連する少量の高品質データを使って追加学習を行い、特定目的に最適化するプロセスです。「事前学習済みモデル＋特定データで追加学習＝目的タスクに特化」という構造を理解することが重要です。ChatGPTのようなモデルも、事前学習の後にRLHF（人間のフィードバックによる強化学習）を使ったファインチューニングで「対話に適した回答」ができるよう調整されています。

なぜ他の選択肢は違うのか

選択肢 ア

「強化学習を行い最適な結果が得られるようにする」は、ファインチューニングの一手法（RLHF）で使われることがありますが、ファインチューニング全体の説明としては不正確です。ファインチューニングの本質は「特定データで追加学習して特定タスクに適用できるようにする」ことであり、強化学習はその一実装方法に過ぎません。ファインチューニング＝強化学習という誤った等号化が罠です。

選択肢 イ

「事前学習と同じデータを繰り返し用いて学習を行いモデルの精度を高める」は、ファインチューニングではなく単なる継続学習（または過学習）の説明に近いです。ファインチューニングは事前学習とは異なるタスク固有のデータを使う点が本質であり、同じデータを繰り返すことは目的に反します。

選択肢 ウ

「大量のテキストデータを用いて学習を行いモデルの精度を高める」は、事前学習（Pre-training）の説明です。事前学習はWikipedia・書籍・Webページなど大量の汎用テキストで基礎能力を獲得するフェーズです。ファインチューニングはその後の「少量・高品質な特定データによる追加学習」であり、「大量データ」という記述が事前学習との区別点となります。

解くときのポイント

ファインチューニング＝「事前学習済みモデルに特定タスク向けデータで追加学習を行い、目的に特化させる手法」。事前学習（大量の汎用データ）→ファインチューニング（少量のタスク固有データ）という二段階構造を整理しておきましょう。