AIF-C01#52(foundation-models)
ラベル付きデータセット（labeled datasets）を使用してAIモデルを学習させ、特定の業界用語や要件にモデルを適応させる手法はどれですか？
正解：B
正解の根拠
ファインチューニングは、ラベル付きデータセット (入力と望ましい出力のペア) を用いて事前学習済みモデルの重みを更新し、特定の業界用語やタスクへ適応させる手法です。Bedrock Custom Models や SageMaker JumpStart Fine-tuning ジョブで実行でき、少量の業務データでドメイン特化を実現します。
カスタマイズ手法の比較
| 手法 | 使い分け |
|---|---|
| ファインチューニング | ラベル付き、タスク適応 |
| 継続的事前学習 | ラベルなしコーパス |
| データ拡張 | 学習データ増強 |
| モデル量子化 | 推論軽量化 |
不正解の理由
- A: データ拡張は既存データを変形・合成して量を増やす前処理であり、モデル自体を業界用語へ適応させる学習手法ではありません。
- C: モデル量子化は重みの精度を落として推論を軽量化する手法で、業界用語の学習や精度向上を目的としません。
- D: 継続的事前学習はラベルなしコーパスで知識を更新する手法で、ラベル付きデータでタスク適応を行う FT とは目的が異なります。
コメント