RAGだけじゃない！自社専用AIの賢い育て方「PEFT」でカスタマイズを効率化する仕組み

「社内の業務にAIを使いたいけれど、なかなか自社の仕事に合った答えを返してくれない」と感じたことはないでしょうか。多くの企業がAI導入で同じ壁にぶつかっています。

最近ではRAG（検索拡張生成）という仕組みが注目され、社内文書を参照させる方法が広まりました。ただ、RAGだけでは解決しきれない場面も少なくありません。

この記事では、RAGとは別の角度から自社専用AIを育てるPEFTという方法を紹介します。読み終わるころには、コストを抑えながらAIをカスタマイズする全体像がつかめるはずです。

要約

• RAGは社内文書を参照させる仕組みですが、AIの文体や判断のクセまでは変えられません。
• PEFTはAIの一部だけを効率よく調整する技術で、フルの作り替えより少ないコストと時間で自社仕様に近づけられます。
• 最新情報の参照はRAG、言葉づかいや判断のクセはPEFTと役割を分けると、お互いの弱点を補い合えます。

「うちの会社専用AI」が思ったほど賢くならない

AIを導入したのに、出てくる答えがどこか他人事のようで、自社の事情に合っていないと感じることがあります。専門用語の使い方や、社内独自のルールがうまく反映されないケースです。

社内文書を読ませても「うちらしくない」回答になり、あと一歩がもどかしい場面

RAGを使って社内マニュアルを読ませても、文章の書き方や判断のクセまでは変わりません。結果として、「情報は正しいけれど、うちらしくない」という中途半端な状態になりがちです。

この「あと一歩」のもどかしさが、多くの担当者を悩ませています。

関連: 非エンジニア向けAI「省エネ学習」PEFTとは？低コストで自社向けAIを育てる方法 で詳しく解説しています。

なぜ社内文書を読ませても「自社らしく」ならないのか

原因を理解するには、AIの仕組みを大きく2つに分けて考えると分かりやすいです。1つはもともと持っている知識や言葉づかい、もう1つは答えるときに参照する外部の情報です。

RAGは後者にあたり、答える瞬間に社内文書を渡して参照させる方法です。便利な一方で、AI自身の「考え方」や「文体」そのものは元のままという弱点があります。

では、AIの中身そのものを自社仕様に作り替えればよいのですが、ここに大きな壁があります。AI全体を一から鍛え直すフルファインチューニングには、膨大な計算資源と費用、専門知識が必要になるからです。

中小規模の企業にとって、この負担は現実的とは言えません。だからこそ「RAGだけでは物足りないが、フルの作り替えは難しい」という板挟みが起きています。

少ない負担でAIを自社仕様に育てる「PEFT」

そこで登場するのがPEFT（パラメータ効率的ファインチューニング）です。これは、AIの巨大な中身すべてではなく、ごく一部だけを効率よく調整する技術の総称です。

AI全体ではなく一部だけを調整するPEFTは、コストと時間を抑えて自社仕様に育てられる

イメージとしては、車のエンジンを丸ごと載せ替えるのではなく、必要な部品だけを付け足して性能を引き出す感覚に近いです。代表的な方法にLoRA（ローラ）があり、少ない追加部分だけを学習させることで、自社らしい受け答えへと近づけます。

PEFTの大きな魅力は、コストと時間を大幅に抑えられる点です。フルの作り替えに比べて必要な計算資源が少なく済むため、限られた予算でもAIのカスタマイズに挑戦しやすくなります。

私自身、2000年代に日本でSEOやASP運営をしていた頃、広く使われている汎用ツールは導入こそ簡単でしたが、自社特有の細かい処理にはどうしても対応できませんでした。思い切って自社向けに作り直したところ、作業速度が3〜5倍になり、データの精度も処理速度も目に見えて上がったのを覚えています。汎用のままでは届かなかったところに手が届く、という意味で、PEFTで自社仕様に育てる発想はこのときの感覚とよく似ています。

さらに、調整した部分だけを差し替えられるため、用途ごとに「営業用」「サポート用」と複数のバージョンを管理しやすいという利点もあります。

関連: 巨額のAI開発費を劇的に抑える「PEFT」がビジネスに必要な理由 で詳しく解説しています。

PEFTで自社AIを育てる5つのステップ

実際にPEFTを進めるときは、次のような流れで考えると整理しやすいです。

目的を決め、お手本データを集め、学習させて評価する5つのステップで自社AIを育てる

まず最初に、目的をはっきりさせることが大切です。たとえば「問い合わせ対応を自社の言葉づかいでそろえたい」のように、ゴールを具体的に決めます。

次に、お手本となるデータを集めます。過去の問い合わせ対応の記録や模範的な回答例など、「こう答えてほしい」という質問と回答のペアを用意します。

3つ目に、調整方法を選びます。多くの場合、手軽に始められるLoRAから試すのが現実的です。

4つ目に、用意したデータで追加部分だけを学習させます。このとき調整するのはAIのごく一部なので、フルの作り替えよりずっと短時間で終わります。

最後に、できあがったAIをテストして評価します。実際の業務に近い質問を投げてみて、期待どおりの受け答えになっているかを確認します。

例として、社内ヘルプデスクをイメージしてみます。「パスワードを忘れた」という質問に対し、ただ手順を返すだけでなく、自社のシステム名や社内ルールを踏まえた案内ができるように育てる、といった使い方です。

IT・Web・AIの仕事を36年以上続けてきた経験から言うと、最初から完璧を目指さないことも大切です。私はいつも最初は70%くらいの状態で運用を始め、実際に使ってみたデータをもとに少しずつ改善していくようにしています。PEFTも同じで、一度で仕上げようとせず、育てながら直していく進め方が結局は近道になります。

関連: RAG時代の終焉とエージェント型AI基盤 — フィリピン拠点で活きる知識コンパイル層の実務 で詳しく解説しています。

つまずきやすいポイントとよくある失敗

便利なPEFTですが、いくつか気をつけたい点があります。最初の落とし穴は、学習データの質です。お手本がばらばらだったり間違いを含んでいたりすると、AIもその通りにクセを覚えてしまいます。

2つ目は、学習させすぎることです。特定のデータに合わせすぎると応用がきかなくなり、少し違う質問に弱くなる場合があります。

3つ目に多いのが、RAGとPEFTの役割を混同することです。最新情報や頻繁に変わる事実はRAGで参照させ、言葉づかいや判断のクセはPEFTで育てる、と分けて考えると失敗が減ります。

もう一つ、私が痛い目を見たのが、目的をあいまいにしたまま外部に任せてしまうことです。必要な条件をはっきり決めずにシステム導入を丸投げした結果、「動くけれど使えない」ものができあがった経験があります。逆にうまくいったときは、最初の設計と判断基準だけは自分で決め、実装や日々の運用は委託先に任せました。PEFTでも、「どんな受け答えにしたいか」という軸だけは自分で握っておくことが、失敗を防ぐコツです。

また、情報の取り扱いにも注意が必要です。学習に使うデータには社内の機密が含まれることが多いため、誰がどこで管理するのか、安全な環境を整えてから進めることが欠かせません。

よく来る質問

Q: RAGとPEFTは、どちらか一方を選ぶものですか？

A: いいえ、両方を組み合わせるのが効果的です。最新情報の参照はRAG、言葉づかいや判断のクセはPEFTと役割を分けることで、お互いの弱点を補い合えます。

Q: PEFTを始めるには、どのくらいのデータが必要ですか？

A: フルの作り替えほど大量には必要ありません。目的にもよりますが、質の高いお手本データが数百件ほどあれば効果を実感できる場合があります。量よりも質を重視することが大切です。

Q: 専門の技術者がいなくても導入できますか？

A: 基本的な考え方は理解できても、実際の学習や運用には専門的な知識が必要になります。社内に担当者がいない場合は、導入を支援してくれる外部のパートナーと一緒に進める方法が現実的です。

Q: 一度育てたら、それで終わりですか？

A: いいえ、業務や言葉づかいは少しずつ変化します。定期的にデータを見直して育て直すことで、AIを長く自社仕様に保てます。

自社AIは「育てる」時代へ

RAGだけでは、自社らしい言葉づかいや判断のクセまでは再現しきれません。そこを補うのが、ごく一部だけを効率よく調整するPEFTという考え方です。

PEFTを使えば、コストを抑えながら自社仕様のAIを育てられるようになります。RAGで最新情報を参照させ、PEFTで受け答えを整える、という組み合わせが現実的な近道です。

まずは「どんな受け答えにしたいか」という目的を一つ決め、お手本となるデータを少しずつ集めることから始めてみてください。自社だけのAIを育てる第一歩は、その小さな準備から始まります。