生成AIパスポート 第2章「転移学習」|学んだことを別の仕事に使う仕組みとファインチューニングとの見分け方
ゼロから学習し直さなくても、前に学んだことを新しい仕事に活かせないか。生成AIパスポート第2章で問われる転移学習は、あるタスクで学習したモデルの知識を、別のタスクに転用する手法です。ファインチューニングとの違いを整理します。なお、この記事の問題例は主催団体の公式問題ではなく、シラバスに沿って作ったオリジナルの練習問題です。
【転移学習は「学んだ土台」を持ち運ぶ】
転移学習の考え方は、大量のデータで学習して得た特徴の捉え方を土台として残し、その土台の上に新しいタスク向けの学習を少量だけ重ねる、というものです。たとえば大量の画像で「形や模様の見分け方」を学んだモデルは、別の種類の画像を見分ける仕事でも、その見分け方の土台をそのまま使えます。土台があるため、新しいタスクでは少ないデータと短い学習でも実用的な精度に届きやすくなります。
ゼロから学習する場合と比べた利点は、必要なデータ量と計算量を抑えられる点です。逆に、元のタスクと新しいタスクがあまりにもかけ離れていると、土台が役に立たず、転移の効果が出ないこともあります。「どんなタスクにも必ず効果がある」と言い切る選択肢は誤りです。
【ファインチューニングとの線引き】
転移学習と混同しやすいのがファインチューニングです。ファインチューニングは、学習済みモデルに対して追加のデータで再学習を行い、モデル全体または一部のパラメータを調整して特定のタスクに合わせ込む手法を指します。転移学習は「知識を別のタスクへ転用する」という考え方そのものを指す広い概念で、ファインチューニングはその転用を実現する代表的なやり方の一つ、と整理すると見分けやすくなります。
試験では「転移学習はモデルのパラメータを一切変更しない手法である」という説明が出ることがありますが、ファインチューニングのようにパラメータを調整する転用も転移学習に含まれるため、この言い切りは誤りです。また「転移学習では元のタスクのデータが必ず大量に必要である」という説明も、必要になるのは新しいタスク側ではなく学習済みモデル側の話であり、主語のすり替えに注意が必要です。
【どんな場面で使われるか】
転移学習が力を発揮するのは、新しいタスクのデータが少ない場面です。専門分野の画像や文書のように、集められるデータに限りがある場合でも、大規模なデータで学習した汎用的なモデルの土台を使えば、少量の追加学習で対応できます。大規模言語モデルを土台にして、特定の業界向けに調整する使い方も、この考え方の延長にあります。
注意したいのは、土台のモデルに含まれていた偏りも一緒に持ち運ばれる点です。元の学習データにバイアスがあれば、新しいタスクでもその影響を受ける可能性があります。転移は便利な反面、土台の性質を引き継ぐ、という点まで押さえておきましょう。
【確認問題】
問1.転移学習の説明として正しいものはどれか。
答え:あるタスクで学習したモデルの知識を、別のタスクに転用する手法です。ゼロから学習し直す手法ではありません。
問2.転移学習とファインチューニングの関係として正しいものはどれか。
答え:ファインチューニングは、学習済みモデルを追加学習で調整する、転移学習を実現する代表的なやり方の一つです。両者は対立する手法ではありません。
【まとめ】
転移学習は「学んだ土台を持ち運ぶ」「少ないデータでも届きやすい」「かけ離れたタスクでは効果が出ないこともある」の3点が柱です。ファインチューニングとの包含関係とあわせて押さえると、第2章の学習手法の問題が安定します。
※この記事は生成AIパスポートのシラバスに沿って作成した解説で、公式問題ではありません。対策にはココナラで販売中の『生成AIパスポート 直前7日ドリル』もご活用ください。