生成AIの中核にある基盤モデル（Foundation Model, FM）。AWS認定AIプラクティショナー（AIF-C01）のドメイン2では、FMがどう作られ、どう自社の用途に合わせて使われるかという「ライフサイクル」が問われます。各工程の役割と、AWS（Amazon Bedrock / SageMaker）でどう関わるかを順に押さえましょう。用語が不安な方は 生成AIの基礎用語 から。
基盤モデルのライフサイクル（全体像）
FMのライフサイクルは、大きく次の6工程＋継続的なフィードバックで進みます。多くの企業は事前学習済みのFMを「選んで・適応させて・使う」のが基本です。
① データ選定（data selection）
学習や適応に使うデータを選ぶ工程です。質・量・多様性が性能を左右し、偏ったデータはバイアスにつながります。著作権・個人情報などライセンス／コンプライアンスの確認も必須です。例：社内チャットボット用に、最新の社内FAQと製品マニュアルを整備する。
② モデル選定（model selection）
ゼロから作るのではなく、既存の事前学習済みFMを選ぶのが一般的です。用途・サイズ・コスト・対応モダリティ（テキスト/画像）・対応言語で比較します。AWSではAmazon Bedrockで複数ベンダーのFMをAPIで選べ、SageMaker JumpStartで公開モデルを手早く試せます。
③ 事前学習（pre-training）
大量の汎用データでモデルに幅広い基礎能力を身につけさせる工程。膨大な計算資源とコストがかかるため、多くの企業は自前では行わず、提供済みのFMを利用します。「FMはここまで出来上がっている」と理解すればOKです。
④ ファインチューニング（fine-tuning）
事前学習済みFMを、自社のタスクやドメインに適応させる工程。少量の専用データで、口調・形式・専門用語を学ばせます（指示チューニング、ドメイン適応など）。「知識を足す」ならRAG、「振る舞いを変える」ならファインチューニングが使い分けの基本です。例：自社の問い合わせ対応の文体に合わせて回答させる。
⑤ 評価（evaluation）
適応したモデルが期待どおりかを検証します。人手評価・ベンチマークデータ・各種指標を組み合わせ、精度や安全性を確認。AWSではAmazon Bedrock のモデル評価機能などが使えます。ビジネス目標（効率・満足度など）に沿っているかも見ます。
⑥ デプロイと継続的なフィードバック
本番に出す工程。マネージドAPI（Amazon Bedrock）で手軽に提供するか、自前ホスティング（SageMaker）で運用します。公開後は利用データやユーザー反応をフィードバックとして集め、④適応・⑤評価に戻って継続的に改善します（RLHF＝人間のフィードバックによる強化学習もこの一種）。
- 流れ＝データ選定→モデル選定→事前学習→ファインチューニング→評価→デプロイ→フィードバック
- 事前学習は高コスト → 多くは既存FMを選んで適応して使う
- 知識追加＝RAG／振る舞い変更＝ファインチューニング
- AWS：選定/利用＝Bedrock・JumpStart、評価＝Bedrockモデル評価、運用＝Bedrock/SageMaker
確認クイズ
Q1. 多くの企業が「自前ではほとんど行わない」工程はどれ？
Q2. FMを「自社の文体・専門用語」に適応させる工程は？
よくある質問（FAQ）
Q. ファインチューニングとRAGはどう使い分ける？
A. 最新・社内の「知識」を与えたいならRAG、口調・形式・専門スタイルなど「振る舞い」を変えたいならファインチューニングが基本です（併用も可）。
Q. 事前学習とファインチューニングの違いは？
A. 事前学習は大量データで“汎用能力”を作る重い工程、ファインチューニングは少量データで“特定用途”に寄せる軽い工程です。
Q. AWSではどのサービスが関わる？
A. モデル選定・利用はAmazon Bedrock／SageMaker JumpStart、評価はBedrockのモデル評価、運用はBedrock（API）やSageMaker（自前ホスティング）が代表例です。
まとめ
- FMライフサイクル＝データ選定→モデル選定→事前学習→FT→評価→デプロイ→フィードバック
- 事前学習は高コスト、企業は“既存FMを選んで適応して使う”が基本
- 知識追加＝RAG／振る舞い変更＝ファインチューニング
- ➡ RAG（知識を足す）の仕組み
- ➡ 生成AIの長所と限界
- ➡ 無料模試で力試し
※本記事はAWS公式試験ガイド(AIF-C01)に基づき、エンジニアKが作成しています。
コメント