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。