RAG とファインチューニングの違い
外の情報を渡すか、モデルを再学習するか

更新日 2026年10月27日読む時間の目安約4分

この記事の要点

RAG とファインチューニングは、大規模言語モデル（LLM）を特定の分野や自社の情報に合わせる方法です。
RAG は、外部のデータベースの情報を回答のときに質問と一緒に渡す方式、ファインチューニングは、追加の学習データでモデル全体を再学習する手法です。
選択肢に並ぶ知識蒸留は、小さなモデルを作る手法で、この2つとは目的が違います。

この記事の目次

RAG とは

RAG は、検索・拡張・生成を意味する方式です。自社などの独自の情報を外部のデータベースに蓄えておき、回答のときに、その情報を質問と一緒に LLM へ渡します。LLM に独自のデータを使った回答をさせたいときの方法です。モデルそのものは作り直しません。

ファインチューニングは、学習済みの基盤モデルに追加の学習データを与え、モデル全体を再学習する手法です。再学習によって、モデルを特定の分野に特化させます。

RAG とファインチューニングの情報の使い方（もちこ道場のまとめ）

比べること	RAG	ファインチューニング
独自の情報の使い方	外部のデータベースに蓄え、回答のときに質問とともに渡す	追加の学習データで再学習する
モデルそのもの	変えない	全体を再学習して特定分野に特化させる
情報を使うタイミング	回答のとき	学習のとき

IoTシステム技術検定基礎では、第6章「IoTでデータを活用する」で出ます。もちこ道場の第6章の問題では、次のような問われ方をしています。

穴埋め: 「独自データを外部データベースに蓄え、回答のときに質問とともに LLM へ渡す方式」「基盤モデルに追加の学習データを与えて再学習し、特定分野に特化させる手法」の空欄に、RAG かファインチューニングかを選ぶ。
選択肢の並び: 知識蒸留、自己教師あり学習、MCP、RLHF などが一緒に並びます。小型のモデルを作る知識蒸留を、ファインチューニングと取り違えないようにします。

第6章のほかの用語は「第6章 IoTでデータを活用するの要点」にまとめています。

もちこ道場の第6章の問題です。演習画面と同じ解説（図解・選択肢ごとの解説）を付けています。

問1

超大量のデータで事前学習された汎用性の高い基盤モデルに対して、特定の分野に特化させるため、追加の学習データを用いてモデル全体を再学習する手法を1という。

答えと解説を見る

正解は 3（ファインチューニング）です。

【概要】

ファインチューニングは、学習済みの基盤モデルに追加の学習データを与えてモデル全体を再学習し、特定分野に特化させる手法である。

【図解】実験的機能

図解は実験的機能です。内容を簡略化しているため、公式テキストの記載と異なることがあります。

【各選択肢の解説】

問2

既存の大規模な学習モデル（教師モデル）の入出力データを用いて、それと同等の知識や精度を持つ新たな小型のモデル（生徒モデル）を作成し、モデルを軽量化する学習手法を1という。

答えと解説を見る

正解は 3（知識蒸留）です。

【概要】

知識蒸留は、既存の教師モデルの入出力データを用いて同等の知識を持つ小型の生徒モデルを作る手法で、一般に教師モデルの小型化に用いられる。

【図解】実験的機能

図解は実験的機能です。内容を簡略化しているため、公式テキストの記載と異なることがあります。

【各選択肢の解説】

1. 自己教師あり学習あなたの解答自己教師あり学習は、正解ラベルのないデータから疑似的なラベルを作って学ぶ手法であり、小型モデルを作る手法ではない。
2. ファインチューニングあなたの解答ファインチューニングは、学習済みモデルに追加データを与えてモデル全体を再学習する手法であり、軽量化が目的ではない。
3. 知識蒸留正解あなたの解答知識蒸留は、教師モデルと同じ入力を生徒モデルに与えて両者の出力を近づけ、同程度の精度を持つ小さなモデルを得る。
4. RLHFあなたの解答 RLHFは、人間からのフィードバックを報酬の基準に組み込む強化学習であり、小型の生徒モデルを作る手法ではない。