用語比較
RAGとファインチューニングの違い
RAGとファインチューニングは、どちらも生成AIの回答を改善する文脈で出ますが、やっていることは違います。RAGは外部情報を検索・参照して回答に使う方法で、ファインチューニングは学習済みモデルに追加学習を行ってモデル側を調整する方法です。
試験では、モデルの重みを更新する話か、外部文書やデータベースを参照する話かを先に見ます。最新情報や社内文書を参照させるならRAG、特定タスクの出力傾向を調整するならファインチューニング、と切り分けます。
結論
RAG
外部情報を検索して、回答生成時の根拠として使う。モデル自体を再学習するとは限らない。
ファインチューニング
既存モデルに追加学習を行い、特定タスクや表現へモデルを調整する。
違いを表で確認
| 比較軸 | 左側の概念 | 右側の概念 |
|---|---|---|
| 変える対象 | 参照する情報や検索結果 | モデルのパラメータや出力傾向 |
| 向いている場面 | 最新情報、社内文書、根拠参照 | 専門タスク、文体、分類・応答パターンの調整 |
| 試験で見る語 | 検索、外部知識、文書DB、根拠 | 追加学習、再学習、重み、調整 |
試験での見分け方
- 外部文書を検索して回答に使うならRAG。
- 学習済みモデルを追加データで調整するならファインチューニング。
- 最新情報への対応を問うなら、まずRAGを疑う。
- RAGでも回答の正確性は保証されないため、参照元の品質確認が必要。
誤答しやすい選択肢
RAGをモデル再学習と覚える
修正: RAGは検索・参照の仕組みとして捉え、モデル自体を更新するとは限らないと押さえます。
ファインチューニングで最新情報を常に解決できると思う
修正: 追加学習後も情報は古くなります。最新文書の参照はRAGの文脈で考えます。
関連ページで確認する
よくある質問
RAGとファインチューニングはどちらがよい？
目的次第です。外部情報の参照や最新情報ならRAG、出力傾向や特定タスクへの調整ならファインチューニングを検討します。
RAGならハルシネーションはなくなる？
なくなりません。根拠を参照しやすくなりますが、検索結果や回答生成の誤りは残るため確認が必要です。