生成AIモデルのカスタマイズ手法

4-1. カスタマイズの必要性と応用事例

汎用モデルは社内の規程、製品仕様、最新の価格表などを知りません。また、返答の口調や形式を業務の標準に揃えたい場合もあります。こうした「知識の追加」と「振る舞いの調整」がカスタマイズの目的です。

事例としては、社内FAQに答えるチャットボット、契約書の条項チェック、自社の文体に沿ったマーケティング文の生成などがあります。

• 目的は「知識の追加」と「振る舞いの調整」の2つ
• まずはプロンプトで足りるかを試す

4-2. 基本的なカスタマイズ技術

最も軽いのはプロンプトの調整です。システムプロンプトに役割・ルール・用語集を置き、例を添えます。次にパラメータ（温度・最大トークン数など）の調整、さらに評価データを用意して出力を継続的に測る仕組みを作ります。評価データが無いとカスタマイズの効果を比較できません。

• 評価データ（質問と正解の組）を先に作る
• パラメータ調整は安定性と多様性のトレードオフ

4-3. 高度なカスタマイズ手法

RAG は、質問に関連する文書を検索してプロンプトに差し込み、それを根拠に答えさせる手法です。モデルを再学習しないため、文書を更新すれば答えも更新され、根拠を示せる利点があります。文書の分割（チャンキング）と検索の精度が品質を左右します。

ファインチューニングはモデルの重みを追加学習で変える手法で、口調や出力形式の固定、専門領域の言い回しに向きます。ただし新しい事実の追加には向かず、学習データの準備とコストが必要です。「知識ならRAG、振る舞いならファインチューニング」が目安です。

• 知識の更新＝RAG、振る舞いの固定＝ファインチューニング
• RAG の品質はチャンキングと検索で決まる