転移学習
Transfer Learning
転移学習とは、ある領域で学習済みのモデルの知識を、別の領域のタスクに転用する機械学習手法。少ないデータや計算資源で高精度なモデルを構築でき、AIの実用化を加速させた重要技術。
転移学習の定義と原理
転移学習（Transfer Learning）とは、大規模データで事前学習（Pre-training）されたモデルが獲得した汎用的な特徴表現を、より小規模な対象タスクに転用する機械学習の手法である。例えば、数億枚の画像で学習したImageNetモデルの特徴抽出能力を、医療画像の診断に転用する。LLMの文脈では、大量のテキストで事前学習されたGPT・BERT・Llamaなどのモデルを、特定ドメインの質問応答や文書分類に適応させることが転移学習に該当する。「ゼロから学習する」必要がなくなるため、AI開発のコストと時間を大幅に短縮できる。
あなたの構造転写・応用力は偏差値いくつ？
AI偏差値テストで6つの能力を10分で無料診断できます。
転移学習の主要手法
転移学習の実装方法は主に3つある。第一に「特徴抽出（Feature Extraction）」。事前学習モデルの中間層の出力を特徴量として取り出し、別のモデル（分類器等）の入力にする。事前学習モデル自体のパラメータは更新しない。第二に「ファインチューニング（Fine-tuning）」。事前学習モデルのパラメータを対象タスクのデータで追加学習する。全パラメータを更新するフルファインチューニングと、一部のみ更新するパラメータ効率的ファインチューニング（LoRA等）がある。第三に「プロンプトチューニング」。LLMに対してタスク固有のプロンプトを最適化し、モデル自体は変更しない手法。
この用語を知っているあなたは、AI活用力が高いかもしれません
10分の無料テストで、あなたのAI偏差値を測定しませんか？
ビジネスにおける転移学習の価値
転移学習はAIのビジネス活用を現実的にした最大の技術革新の一つである。企業が保有するデータは大規模AIモデルの学習に必要な量に比べて圧倒的に少ない。転移学習により、数百件程度のラベル付きデータでも実用的な精度のモデルを構築できる。カスタマーサポートのチケット分類、契約書のリスク条項検出、製品レビューの感情分析など、ドメイン固有のタスクで広く活用されている。HuggingFace等のモデルハブにより、事前学習済みモデルへのアクセスが容易になり、転移学習の実装障壁は大幅に下がっている。
AI偏差値テストとの関連
この概念は、AI偏差値テストの以下の測定次元と関連しています。
この知識が特に重要な職種
よくある質問
Q.転移学習とファインチューニングの関係は？
ファインチューニングは転移学習の一手法です。転移学習は「事前学習済みモデルの知識を転用する」という広い概念を指し、ファインチューニング（追加学習でパラメータ調整）と特徴抽出（パラメータを固定して特徴量を利用）がその主な実装方法です。
Q.転移学習で失敗するケースは？
事前学習データと対象タスクのドメインが大きく異なる場合、転移がうまくいかない（負の転移）ことがあります。例えば、自然画像で学習したモデルを衛星画像に適用する場合、画像の特性が大きく異なるため期待した精度が出ない場合があります。
SalesNow で働く
データとAIで「働く」を変える仲間を募集中
1,400万件の企業データベース × AI。データAIカンパニーで新しいキャリアを。
あなたのAI偏差値を測ってみませんか？
OECD/WEF準拠の6次元フレームワークで、あなたのAI活用力を10分で診断。