AIF-C01#44(foundation-models)
基盤モデル（FM）をファインチューニング（微調整）することの利点は何ですか？
正解：D
正解の根拠
ファインチューニングは、事前学習済みの基盤モデルに対して、特定タスク向けの少量のラベル付きデータで追加学習を行う手法です。重みを微調整することで、汎用 FM を特定ドメインや業務要件に適応させ、ゼロから学習し直すよりはるかに低コストで高い性能を得られます。Bedrock Custom Models や SageMaker JumpStart で実装できます。
カスタマイズ手法の比較
| 手法 | 特徴 |
|---|---|
| ファインチューニング | ラベル付きデータでタスク適応 |
| 継続的事前学習 | ラベルなしデータでドメイン適応 |
| RAG | 外部知識を検索参照 |
| プロンプト工学 | 入力指示の最適化 |
不正解の理由
- A: ファインチューニングはモデル構造を縮小せず推論を遅くする手法でもなく、サイズ削減は量子化や蒸留が担当する別技法です。
- B: ファインチューニングはゼロから再学習するのではなく、既存重みを起点に少量データで追加学習する効率的な手法です。
- C: 知識のアップデートは継続的事前学習が担う領域で、ファインチューニングはタスク適応が主目的であり対象が異なります。
コメント