基本情報 令和7年度 科目A 問1：テクノロジ系に関する問題

答えは d「特定のデータを用いて追加で学習を行い，目的とするタスクに適用できるようにする」 です。

ファインチューニングは英語で「微調整」という意味。たとえば、すでに料理の基本ができるシェフ（事前学習済みモデル）に、あなたのお店のメニューだけを練習してもらって、その店の専門料理人にする…そんなイメージです。

ゼロから料理を教え直すのではなく、「あなたの目的（特定タスク）」に合わせて少しだけ追加で学んでもらうのがポイント。

👉 覚え方：ファイン＝細かく、チューニング＝調整。「最後の仕上げ調整」と覚えればOK。

ほかの選択肢：a 強化学習は「ゲームで勝ち方を試行錯誤して学ぶ」やり方／b 同じデータを繰り返すのは「単なる再学習」でファインとは別／c 大量データで学ぶのは「事前学習」そのもの。

なぜこれが正解か

正解は d。ファインチューニング（fine-tuning）は、汎用的に事前学習（pre-training）された大規模言語モデルに対し、特定ドメイン・特定タスク用の比較的少量のデータを追加学習させて、目的のタスクに最適化する手法。モデル全体または一部の層の重みを更新する。

各選択肢の解説

• a：強化学習は報酬最大化で学ぶ枠組み。RLHF はファインチューニングの一形態だが、選択肢の文は「強化学習を行う」だけで定義として不十分。
• b：事前学習と同じデータの反復は精度向上の本質ではなく、過学習リスクが高い。
• c：大量データでの学習は「事前学習」の説明。ファインチューニングは少量・特化データが特徴。
• d：「特定データで追加学習し目的タスクに適用」が定義通り。

覚え方・ひっかけ注意

事前学習＝広く浅く（大量・汎用）／ファインチューニング＝狭く深く（少量・特化） という対比で覚える。近年は LoRA など軽量ファインチューニング手法も頻出。c は「大量＝事前学習」と紐づけてひっかからない。

理論的背景

ファインチューニングは転移学習（transfer learning）の代表的手法。事前学習で獲得した汎用的言語表現（埋め込み・注意重み）を初期値として、タスク固有データで損失を再最小化する。全層更新（full fine-tuning）はパラメータ数が膨大なLLMでは計算・メモリコストが高いため、PEFT（Parameter-Efficient Fine-Tuning） が主流化：LoRA（低ランク行列の追加学習）、Prefix-Tuning、Adapter等が該当する。

実務での使われ方

企業独自のFAQ応答、医療・法務など専門ドメインの文書生成、コーディング支援の社内コードベース適応などに利用。RAG（Retrieval-Augmented Generation）との使い分けが論点で、知識追加はRAG、振る舞い・スタイル変更はファインチューニングが原則。OpenAI/Anthropic等のAPIでもファインチューニングサービスが提供されている。

試験での位置づけ

生成AI・LLM分野は基本情報・応用情報ともに近年急増領域。「事前学習／ファインチューニング／プロンプトエンジニアリング／RAG」の4語の使い分けが頻出。応用情報・高度試験ではRLHF（人間フィードバックによる強化学習）、DPO、Instruction Tuningといった発展手法、過学習対策（早期打ち切り・学習率スケジューリング）まで問われる。

選択肢の発展補足

• a 強化学習：ChatGPT等で使われるRLHFは「教師ありファインチューニング→報酬モデル学習→PPO等で強化学習」の3段階。広義のファインチューニングに含むことも。
• c 大量データ学習：自己教師あり学習（次トークン予測）が現代LLM事前学習の中核。データセット規模はT（兆）トークン級。
• 派生概念：継続的事前学習（continual pre-training）はドメイン適応の中間手法で、ファインチューニングと事前学習の中間に位置する。