- 公開日
Fine-tuningを文体の調整に使うのは、求める語調や構成が明確で、プロンプトや見本だけでは業務上必要な一貫性が得られず、利用を許可された質のよい学習例を管理できる場合です。採用は、学習に使っていない入力で元の構成と比較して判断します。丁寧に書けるようになったことと、正しい内容を書けることは別々に確かめます。
Fine-tuningは、既存モデルを追加のデータで学習して調整する方法です。ここでは入力と望ましい応答の組を使う教師あり追加学習を扱います。語調を揃えることを目的とし、最新の在庫や発送日まで自動的に正しくなるとは仮定しません。後述のAWSの実務ガイドも、教師あり追加学習は新しい知識を注入するものではないと説明しています。プロンプト・RAG・Fine-tuning・Agentを目的から使い分ける考え方は「普通のプロンプト・RAG・Fine-tuning・Agentをどう使い分けるか」で扱っています。
「そろえる文体」と「変えてはいけない内容」を分ける
文体の指定は「自然に」「丁寧に」だけでは採点しにくいため、業務で必要な形へ具体化します。例えば、です・ます調で、確認できた事実から述べ、不明点を明示し、次の確認先を簡潔に添える返信です。定型句の順番だけでなく、問い合わせへの答えが分かるかも確認します。
以下は架空の交換部品の問い合わせ業務です。入力は、利用を許可された確認情報と顧客の質問をひと組にし、その範囲で返信を作る想定です。返信案の作成までを対象とし、メール送信や在庫確認の操作は含めません。
学習例の候補となる入力を「質問：部品Aはいつ発送されますか。確認情報：部品Aは在庫あり。発送日は未定。担当部署へ照会済みで回答待ち」とします。望ましい返信は「部品Aの在庫は確認できています。発送日はまだ決まっていません。発送日については担当部署へ照会しており、回答を待っています」です。
この例で揃えるのは、簡潔な語調と、事実・未定事項・確認状況を順に説明する構成です。「明日発送します」「必ず今週届きます」と書けば、文体が整っていても入力にない約束を加えています。逆に、入力に確定日があるのに一律に「未定」と返す学習例も、慎重な文章の見本としては採用できません。
学習例を集める前に、利用できる範囲を確かめる
過去の返信が手元にあることと、学習へ再利用できることは別です。担当者は、文章の出所、利用目的、権利や契約上の条件、含まれる個人情報、送信先の学習サービスを照合します。社内保管されている、公開されている、名前を削除したという一つの事情だけで、再利用可能と決めません。
これは特定の法域での適法性を判定するチェックではなく、学習を始める前の実務上の確認案です。許諾や利用条件が不明な資料は候補から保留し、資料の管理者や契約を扱う担当者へ確認します。利用条件を確認するための試行でも、許可が分からないデータは学習サービスへ送りません。
| 確認する対象 | 照合する材料 | 不明・不適合の場合 |
|---|---|---|
| 文章を学習に使える範囲 | 作成元、利用許諾、契約、利用目的の記録 | 許可範囲が分かるまで候補を保留する |
| 個人や取引先に関する情報 | 本文、件名、署名、履歴、添付と管理基準 | 不要な情報を除き、残す必要性と利用可否を確認する |
| 外部サービスへの送信・保存 | 対象サービス、契約、設定、保存先とログの経路 | 条件が合う構成に変えるか、送信を保留する |
| 訂正・削除への対応 | 学習用データとモデル版の対応記録 | 影響する版を追える管理方法を先に決める |
氏名を置換しても、詳細な問い合わせ内容から個人や案件が分かる場合があります。形式的なマスキングの完了と、利用を許可されたデータになったことを同一視しない運用が必要です。検討初期には本例のような架空文で手順を整理できますが、架空例だけで実業務の入力を十分に代表できるかは別途評価します。
正しい返信例を、同じ基準でそろえる
AWSのPreparing data for supervised fine-tuning Part 1: Formatting and qualityは、学習例の正しさ、一貫性、多様性、重複の確認や、学習用と評価用の分離を扱っています。2026年8月公開の実務ガイドであり、追加学習がプロンプト調整より必ず優れることを示す資料ではありません。
この返信業務では、同じ意味の状況には同じ説明方針を当てます。一方で、発送日が確定している、未定、担当部署への照会前、回答待ちなど、判断が変わる入力は分けて用意します。語尾だけをそろえ、こうした違いを消してしまうと、丁寧な誤答の見本を作ることになります。
入力と返信の組は、返信担当者が元の確認情報へ照合します。日付や部品名、確認状況に誤りがあれば修正し、正しい答えを決められなければ除外または確認待ちにします。同じ問い合わせの言い換えを大量に複製しても、未知の入力に対応できる根拠にはなりません。件数だけで品質を判断せず、実業務で必要な状況を含むかを点検します。
学習時と実際の利用時で、質問、確認情報、指示の渡し方も対応させます。モデルごとの会話形式を扱うHugging FaceのChat templatesが説明するように、会話は所定の形式へ変換されます。返信本文の正しさに加え、どこが質問でどこが回答かを示す境界が、学習時と利用時でずれていないかを確かめます。
採用するサービスの入力形式や制限も、そのモデルと方式の公式資料で確認します。例えばAWSのPrepare data for fine-tuning your modelsは、モデルや方法に応じたデータ形式を示しています。どのサービスでも同じ項目名のファイルが使えるとは考えず、受理されたことと応答品質が合格したことを分けます。
プロンプトで調整した構成を比較相手に置く
比較相手を何も工夫していないモデルにすると、追加学習が必要だったかを判断しにくくなります。元モデルに明確な指示と少数の良い見本を与えた構成を基準にします。既に運用中のプロンプトがある場合は、その実用的な構成も比較に残します。入力内の見本で振る舞いを示す方法はFew-shotと呼ばれ、追加学習なしで試せる調整です。
比較では、元モデルの版、確認情報の取得方法、業務上の指示、評価する質問、合格基準を固定し、追加学習の有無を主な変更条件にします。学習例とプロンプトの見本には、利用条件を満たす同じ例の集合を出発点として使えます。すべての学習例を毎回プロンプトへ入れる必要はありませんが、選ぶ例や入力長が違うなら、その差を記録します。
追加学習側で指示も短くするなど、複数の条件を変えた比較は、構成全体の比較として扱います。「Fine-tuningだけの効果」とは断定しません。生成設定、出力上限、形式検査、修正の方法も記録し、片方だけ人が手直しした結果をそのまま比較しないようにします。
評価用入力は、学習やプロンプト調整から独立させて確保します。同一の問い合わせを少し言い換えて別枠に置くと、覚えた内容を返すだけで良く見える可能性があるため、重複や同じ案件の混入を確認します。調整中に何度も見た評価例は改善用に移し、最終判断には別に保っておいた入力を使う方法が考えられます。
文体と事実性を別々に採点する
独立した架空の評価入力を「部品Bの発送時期の問い合わせ。部品Bの在庫は確認中。発送日は未定。担当部署への照会は未実施」とします。学習例の部品Aとは、在庫の確認状態と照会の状態を変えています。期待する返信は、その二点を保ったまま、です・ます調で発送日が未定であることと、担当部署への確認が必要なことを説明するものです。
仮に「部品Bの在庫はございます。発送日は担当部署へ確認中です」と返ったら、語調の項目は満たしても、未確認の在庫と未実施の照会を事実として書いた点で不合格です。「在庫確認中。発送日未定。照会必要」という返信なら、内容は入力と一致していても、この業務で指定したです・ます調には合いません。いずれも仮の出力で、モデルで得た実測結果ではありません。
文体では語調、構成、長さ、質問への答えやすさを、事実性では部品名、状態、日付、約束の追加、必要条件の欠落を確認します。例えば指定された項目の順番や文字数の違反は、事実の誤りと混ぜず記録します。原資料だけで正否が決められない項目は未確認として分け、合格に含めません。
採用の判断では、文体の改善で事実性の悪化を相殺しない基準を置きます。どの程度の改善を必要とし、どの誤りで見送るかは、実際の返信が与える影響を踏まえて比較前に決めます。今回の例には実測値がないため、どちらが優れているという順位は付けません。
運用できる改善かどうかで採否を決める
プロンプトと見本で要件を満たすなら、学習用データとモデル版を新たに維持する理由は小さくなります。追加学習が独立評価で必要な改善を示した場合も、学習費用だけでなく、例の訂正、評価、モデル更新、問い合わせ対応の負担を含めて判断します。文体と事実性の合格は、情報漏えいや権限に関する安全性の確認を代替しないため、導入先で必要な評価も別に行います。費用や速度が改善することは、ここでは仮定しません。
採用後も、現在の在庫や発送日は、許可された業務資料から別に与えます。文体が安定したという評価を最新事実の確認へ流用せず、モデルや返信方針を変えたら同じ種類の独立評価をやり直します。許諾が確認できない、事実の追加が増える、運用負担に見合わない場合は導入を保留し、プロンプトの見直しや既存構成の継続を選べます。
ロール指定で変わる口調・観点・正確さの確かめ方は「ロール指定で変わる口調・観点・正確さを分けて確かめる」、量子化したモデルを速度と品質・安全性で比べる方法は「量子化の速度・メモリ効果と品質・安全性をどう比べるか」で解説しています。
