変更要約: in-scope サービス網羅: 第3章3節に応用を支える AI/ML の in-scope サービス節を追加（Amazon SageMaker AI/Amazon Personalize/Amazon Augmented AI=A2I）
3.2RAG とファインチューニング
基盤モデルを自社の用途に合わせる2つの主要なアプローチ——RAG（検索拡張生成）とファインチューニング——の違いと使い分けを理解します。
汎用の基盤モデルを自社の知識や用途に合わせるには、主に RAG と ファインチューニング の2つの方法があります。目的に応じて使い分けます。
3.2.12つのアプローチ
- RAG（検索拡張生成）：質問時に自社データを検索して関連情報をプロンプトに添え、モデル自体は変えない。最新・非公開の事実に強く、出典提示でハルシネーション低減に役立つ。
- ファインチューニング：自社のラベル付きデータでモデルを追加学習し、振る舞いや文体・専門知識を内在化させる。手間・コスト・データ準備の負担は大きい。
両者の本質的な違いは「知識をどこに置くか」です。RAG は知識をモデルの外（検索される文書）に置き、回答のたびに参照します。だから文書を更新すればすぐ最新情報に反映され、どの文書を根拠にしたか出典も示せます。一方ファインチューニングは知識や振る舞いをモデルの中（重み）に取り込みます。特定の文体・形式・専門タスクへの深い適応に向きますが、新しい事実が出るたびに再学習が必要で、コストもかかります。AIF-C01 では「事実の鮮度・出典が重要なら RAG／振る舞いの深い適応が必要ならファインチューニング」、そして「まず RAG を検討し、足りなければファインチューニング」という順序を押さえます。両者は併用も可能です。
| 観点 | RAG | ファインチューニング |
|---|---|---|
| 知識の置き場所 | モデルの外（検索文書） | モデルの中（重み） |
| モデル自体 | 変えない | 追加学習で変える |
| 最新情報 | 文書更新で即反映 | 再学習が必要 |
| 向く目的 | 最新/社内の事実・出典提示 | 文体・形式・専門タスクの適応 |
| 手間・コスト | 比較的小 | 大 |
シナリオ：社内ヘルプデスク。 規程やマニュアルは頻繁に更新されるので、回答はRAGで最新文書を検索して根拠付け（出典付き・ハルシネーション低減）。一方、回答を常に自社のフォーマットや丁寧な口調に揃えたい場合はファインチューニングでその文体を内在化。まず RAG で運用し、文体の一貫性が課題になったらファインチューニングを足す、という順序が実務的です。
混同に注意：
①RAG はモデルを変えない（外部知識を参照）／ファインチューニングはモデルを変える（重みに取り込む）。
②「最新情報を反映」は RAG が得意（ファインチューニングは再学習が必要）。
③どちらも「学習データの偏り」や「出力の正しさ」の責任は利用者側に残る。
④RAG とプロンプト工夫（前節）も別概念。
Q. RAG とファインチューニングは併用できる？ はい。文体はファインチューニング、最新事実は RAG、と役割分担できます。Q. ハルシネーション低減に効くのは？ 主に RAG（根拠文書と出典を与える）。Q. AWS で RAG を実現するには？ Amazon Bedrock のナレッジベースなどを使います（前章）。
「最新/社内の事実を参照させたい＝RAG（モデルは変えない・外部知識）」「振る舞いや文体そのものを変えたい＝ファインチューニング（追加学習・重みに内在化）」の使い分けが頻出です。RAG はハルシネーション低減にも有効。順序は「まず RAG、足りなければファインチューニング」。
3.2.2この節のまとめ
- RAG＝知識をモデルの外に置き検索で参照（モデルは不変・最新情報/出典に強い）
- ファインチューニング＝知識/振る舞いをモデルの重みに内在化（深い適応・手間大）
- 順序は「まず RAG、足りなければファインチューニング」。併用も可
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 最新の社内ドキュメントを参照して回答の正確性を高めたいが、モデル自体は変えたくない場合に適すのはどれですか？
Q2. 自社のラベル付きデータでモデルを追加学習し、振る舞いや文体そのものを変えたい場合に適すのはどれですか？
Q3. RAG が特に役立つ効果として適切なものはどれですか？