転移学習

AI概念
約1分で読めます

特定のタスク（ソースタスク）で学習したモデルの知識を、類似したまたは新しいタスク（ターゲットタスク）に再利用する手法です。データが不足している環境でも高性能なモデルを迅速に構築できるようにする、現代のAI開発における中核的なパラダイムです。

別名
Transfer Learning

詳しい説明

転移学習は、大規模なデータセットであらかじめ学習された「事前学習モデル（Pre-trained Model）」の重みを取り込み、新しい目的に合わせて調整する機械学習の手法です。モデルを一から学習させる代わりに、すでに学習済みの特徴（Feature）抽出能力を活用するため、学習時間と演算リソースを画期的に削減できます。特に、今日の巨大言語モデル（LLM）や高度な画像認識AIを、特定のビジネスドメインに最適化（ファインチューニング）する際に不可欠な技術となっています。

ツール選定において重要な理由

AIツールを導入する際、転移学習に対応しているかどうかは費用対効果に直結します。すべてのデータを独自に収集して学習させるのには膨大なコストがかかるため、検証済みのオープンソースモデルをベースに、自社データに合わせていかに容易かつ効率的に最適化できるかがツール選定の重要な基準となります。

確認事項

  • ベースとなる事前学習モデル（バックボーン）の性能と汎用性
  • 特定のドメインデータに対するファインチューニングの対応有無と難易度
  • PEFT（LoRAなど）手法のサポートによるハードウェアリソース削減の可能性
  • 解決しようとする課題と事前学習モデルとのドメインの類似性

実際の事例

医療用AIの開発時に、数百万枚 of 一般物体の画像を学習したモデル（例：ResNet）を利用し、少量のX線データで追加学習させてがん診断モデルを作成する手法が代表的です。一から学習させるよりも、はるかに少ないデータで高い精度を確保できます。

混同しやすい用語

ファインチューニング (Fine-tuning)

転移学習を実現する最も一般的な方法であり、事前学習された重みを微調整する具体的なプロセスを指します。

ゼロショット学習 (Zero-shot)

追加の学習（転移）プロセスを行うことなく、モデルが学習中に見なかったタスクを指示内容（プロンプト）のみでその場で実行する方式です。

関連用語

ファインチューニングZero-shot