ファインチューニングとは【図解でわかりやすく】

最終更新日：2026年7月15日

30秒でわかる結論

ファインチューニング（Fine-tuning）は「大規模な事前学習済みモデルに、特定タスクのデータを追加学習させてモデル自体を微調整する」手法。プロンプトエンジニアリングが「モデルはそのまま、指示文を工夫する」のに対し、ファインチューニングは「モデル自体を再学習する」アプローチです。医療診断・法律文書・特定業界用語など、汎用LLMでは精度が足りない専門タスクに威力を発揮します。

ファインチューニング＝追加データでモデル自体を微調整する手法。プロンプトエンジニアリングとは対照的。

ファインチューニングはG検定・生成AIパスポートで転移学習・プロンプトエンジニアリングとの対比で問われます。「モデルを変えるかどうか」を軸に整理しましょう。

図解

解説

プロンプトエンジニアリングが「モデルはそのまま、指示文を工夫する」のに対し、ファインチューニングは「モデル自体を追加の学習データで作り直す」アプローチです。手元のデータで専門特化させたい場合に有効ですが、データ収集や計算コストがかかります。まずはプロンプトエンジニアリングで工夫し、それでも足りない場合にファインチューニングを検討する、という使い分けが実務では一般的です。

具体例

法律AIアシスタントの構築例：GPT-4のような汎用LLMは法律知識を持つが、「日本の会社法の観点から判断して」という専門タスクには不十分な場合があります。数千件の法律相談事例でファインチューニングすることで、専門的な回答の精度が向上します。コスト面では、プロンプトエンジニアリングの試行（数時間・無料〜低コスト）→効果不十分ならファインチューニング（数日・クラウドGPU費用）という段階的アプローチが実務標準です。

間違えやすい類似用語

プロンプトエンジニアリング：「まずプロンプトで試し、それでも足りなければファインチューニング」が実務の黄金ルール。プロンプトエンジニアリングは手軽・即試せる・コストほぼゼロ。ファインチューニングは専用データが必要・計算コスト大・モデルを変更する。決定的違いは「モデル自体を変えるかどうか」。
転移学習：転移学習は「事前学習済みの知識を別タスクに流用する」大きな戦略の名前。ファインチューニングはその代表的な実装方法（パラメータを微調整する具体的な操作）。「戦略（転移学習）→手段（ファインチューニング）」という階層関係。

覚え方

モデルそのまま＝プロンプト工夫／モデルを再調整＝ファインチューニング

試験での問われ方

G検定・生成AIパスポートでは「ファインチューニングの定義（追加データでモデル自体を微調整）」「プロンプトエンジニアリングとの違い（モデルを変えるかどうか）」「転移学習との関係（転移学習の代表的な実装手段）」「LLM開発フロー（事前学習→ファインチューニング）」が頻出です。「専門研修（ファインチューニング）は一般教養（事前学習）の後にやる」という流れで覚えましょう。