国または地域と言語

    国または地域と、言語を選んでください。

    おすすめ

      すべての国と地域

        キャラクターを選ぶ

        上部のバーとプロフィールに表示されます。いつでも変更できます。

        RAGとファインチューニング:どちらの変更が必要か

        最新の資料を渡すか、例で学習させるかを選んでください。どちらを選ぶ前にも、直したい失敗をテストします。

        2026年11月14日に確認

        ファインチューニング(fine tuning)とは、学習済みのモデルに追加の例を学習させ、モデルの振る舞いそのものを変える方法です。RAG(検索拡張生成)は、モデルを変えずに、リクエストのたびに関係する資料を検索して渡します。LLMのアプリでどちらを使うかは、直したい失敗の種類で決まります。

        違う種類の変更

        RAGは、リクエストのための資料を取り出します。ファインチューニングは、学習の例を通じてモデルの振る舞いを変えます。引用が必要な新しい方針と、変わらない分類のスタイルは、別の要件です。どちらの方法を使っても、出力の評価と、だれがデータにアクセスできるかの管理は必要です。

        架空の修理部品の会社で、保証の文書は変わるのに、返答の形式は変わらないとします。まず承認された版を取り出し、引用が対象の資料に含まれるかを確かめてください。学習の例だけでは、返答が現在の方針を使ったことは確認できません。明確な指示と代表的な例があっても、くり返しの振り分けの判断が間違い続けるなら、学習を考える前に、その別の振る舞いの問題を評価します。

        選ぶ前の根拠

        開発用と取り分けたテスト用のケースを、固定して持っておいてください。資料の新しさ、根拠のない答え、アクセスの境界は、形式とは別に確かめます。ある方法で1つの面が良くなっても、別の面は変わらないことがあります。検索と学習は組み合わせられますが、そのコストと失敗のしかたは入れ替えられません。

        2026年11月14日に確認したOpenAIの最適化のガイドは、ファインチューニングの作業の流れをレガシーとし、ファインチューニングの基盤は新しいユーザーには提供していないと書いています。これは提供の状況についての事実で、手法がなくなったという意味ではありません。学習の作業を計画する前に、現在の提供元の手段を確かめてください。

        練習の範囲

        プロジェクト:方針についての回答と、その評価の分け方の取り分けたデータのIDの境界を作ってください。ノートブックは、オリジナルの文書と用意した返答を使います。重みを学習したり、データセットをアップロードしたり、本物のモデルを呼んだりはしません。この練習でアプリのロジックを確かめ、本物のアーキテクチャは承認された環境で評価してください。言語モデルを使った開発のコースで続けられます。

        出典

        Your Work Gym account

        Save your progress and pick up on another device. Your browser's progress comes with you.

        or

        You can keep practicing without an account.

        ヘルプとフィードバック

        質問、うまく動かない点、アイデアなどをお寄せください。メールで返信します。

        どのような内容ですか?

        返信のためだけに使用します。