はじめに

前回の記事、
「RAGだけで詰んだ人へ：LLMファインチューニングの“適用判断”を設計図にした」
では、ファインチューニングをやるべきかどうかの判断基準を整理しました。

今回はその続編です。
ファインチューニングを「やる」と決めたなら、次は構築です。

GPUは何枚必要なのか。
データはどの形式を選ぶべきか。
トレーナーは何を使うべきか。

本記事では、FPT AI FACTORYを使い、
オープンモデルのファインチューニングを
ノーコード・4ステップで実行する手順を解説します。

まずは 小さく回す。
それから 大きく育てる。
そのための具体的な手順をまとめました。

この記事を読むとできるようになること

GPU1枚でファインチューニングを実行できる
オープンモデルを自分仕様に調整できる
「小さく試して大きく育てる」運用の流れが理解できる

この記事はこんな人向け

RAGだけでは出力が安定しなかった
プロンプト調整に限界を感じている
環境構築せずにファインチューニングを試したい

なぜノーコードでやる価値があるのか？

通常のファインチューニングでは、

GPUサーバーの準備
CUDAや依存ライブラリの調整
学習スクリプトの修正
ログの可視化
実行管理

といった 環境構築の壁 があります。

FPT AI FACTORYではこれらを抽象化し、

「モデル」「データ」「GPU」

の3つに集中できます。

つまり、本質にだけ向き合える環境です。
インフラ構築ではなく、モデル設計やデータ品質の改善に時間を使えることが重要です。

前提

FPT ID を取得済みで、FPT AI FACTORYにログインできること
クレジットカードを持っていること（無償バウチャーの範囲内であれば不要）

スタータープラン等で「カード登録」が必要なケースがあります。
※利用条件・キャンペーン条件は変更される可能性があるため、必ず公式ページをご確認ください。

全体フロー（4ステップ）

基本モデル＆トレーナーを選ぶ
データセットを選び、学習データをアップロードする
トレーニング設定（ハイパーパラメータ・インフラ）を決める
完了（パイプライン名などを設定して保存）→ 実行

事前準備：ファインチューニングのパイプライン画面操作

FPT AI FACTORY にログインします
サイドバーから FPT AI Studio ＞モデルファインチューニング＞パイプラインの微調整 を開きます
「＋パイプラインを作成」 ボタンを押下します

① 基本モデル＆トレーナー（ノーコードでファインチューニングができる！）

1. ベースにするオープンモデルを選択

モデルカタログから、ベースとなる オープンモデル を選択します。

最初は 小さいモデル で試す
期待通りの回答品質が出たら 大きいモデル に移行する
→ コストと試行回数のバランスが良いです

本手順では例として Gemma の小さいモデル を選択します。

2. トレーナーを選択

トレーナーは下表の3種類から選べます。

トレーナーの種類	説明	具体例
SFT（Supervised Fine-Tuning）	教師ありファインチューニング。人が「正しい答え」を示したデータ（質問と模範解答のペアなど）を使って、モデルにより具体的な振る舞いを学習させる。	ユーザーの質問に対して望ましい返答をするよう学習する。
DPO（Direct Preference Optimization）	直接選好最適化。人間が「どちらの回答がより良いか」と判断したデータを使い、モデルに「より好ましい応答」を直接学ばせる方法である。	2つのAIの返答のうち、どちらが良いかを人が選び、その選択を元にモデルを調整する。
Pre-training	事前学習。 AIモデルが大量のデータから「言葉の使い方」や「知識」を学ぶ最初の学習ステップである。	Wikipediaや本、Web記事などから膨大な情報を学習する。

SFT と DPO は既存モデルを調整するファインチューニング手法であり、
Pre-training はモデルの基礎能力を獲得するための事前学習フェーズです。

本手順では SFT を選択します。
トレーナーとデータセット形式の詳細は、以下の公式ドキュメントをご確認ください。
Select dataset format（Trainer / Dataset形式）

3. ボリュームを選択

マネージドボリューム
専用ネットワークボリューム

本手順では マネージドボリューム を選択します。
目安として、データセット容量が 20GB未満ならマネージド、20GB以上なら専用ネットワークを検討すると分かりやすいです。

4. 「次のステップ」を押下

設定できたら 「次のステップ」 ボタンを押下します。

② データセット

1. データセット形式を選択

利用できるデータセット形式は以下の通りです。

形式	説明
Alpaca	指示（Instruction）と応答（Response）のペアからなる単一ターン形式。主に指示応答タスクのファインチューニングに用いられる。
ShareGPT	ユーザーとAIのマルチターン（複数往復）の対話ログをまとめた形式。会話の流れや文脈を学習させる場合に適している。
ShareGPT-Image	画像を含む対話データセット。画像入力に対する応答を学習させるマルチモーダル形式。
Corpus	膨大な文章・テキストの集まり。小説、ニュース、ネット記事など幅広い内容を含み、主に事前学習に用いられる。

本記事ではファインチューニングを前提とするため、Alpaca形式を使用します。
データセットの詳細は以下の公式ドキュメントをご確認ください。
Select dataset（Dataset形式の選び方）

2. トレーニングデータをアップロード

トレーニングデータは以下の2種類で設定できます。

ファイルをアップロード（ローカルから）
データハブ（事前登録された保管場所から）

本手順では ファイルをアップロードを選択します。

ブラウザからアップロードできる容量は 最大100MB
100MB以上の場合は、別途 Object Storage の利用を検討してください

3. （任意）評価データをアップロード

評価データ（学習結果のチェック用データ）も、トレーニングデータと同様に

ファイルをアップロード
データハブ

から選択できます。
こちらも 100MBを境にアップロード方法を切り分けるのが分かりやすいです。

③ トレーニング設定

1. ハイパーパラメータを設定

ハイパーパラメータは「学習の回し方」を決める設定です。
デフォルトでは 「一般」 と 「LoRA」 が選択されています。

LoRA：モデル全体を更新せず、一部のパラメータのみを学習する軽量なファインチューニング手法

本手順では デフォルト設定のまま進めます。
ハイパーパラメータの詳細はこちら（公式）。
Set up hyperparameters（ハイパーパラメータ設定）

2. インフラストラクチャを選択

シングルノード：1台のサーバーで学習（１～８基までGPU数を選択可能）
マルチノード：複数台のサーバーで学習（1ノードあたりGPU8基を基準にノード数選択）

本手順では シングルノード：1ノード GPU 1基 を選択します。
まず小さく試してコストと時間を把握し、必要に応じて増やすのが安全です。

④ 完了（保存して実行できる状態にする）

パイプライン名を設定します（任意の名前でOK）
（任意）パイプラインの説明も設定できます
（任意）メール通知でパイプライン状況を受け取れます（必要に応じて設定）
最後に 「保存」 ボタンを押下します

これでファインチューニングの パイプライン設定は完了です。
あとは 実行するだけです。

パイプラインを開始する（実行）

作成したパイプラインの 三点リーダーを押下し、開始を押下します。（下図赤枠箇所を押下）

これでファインチューニングが実行されます。

おまけ：ファインチューニングデータの作り方（Alpaca形式）

ファインチューニングの元ネタが無い場合に、以下のプロンプトを参考にデータセットを生成してみて試してみてください。
ChatGPTやGeminiなどに、以下のプロンプトで指示してみてください。

# システムプロンプト
あなたは、業界別のファインチューニング用データを作成するプロフェッショナルです。
トレーニングデータと評価用データをJson形式で作ることが得意です。
データセット形式：Alpaca

# 指示
業界を指定するから、ファインチューニング用のトレーニングデータと評価用データをJsonファイルで出力してください。

※新規チャットで前述のプロンプトを一発実行したうえで、以下の例のように追加指示を実行すると良いです。

例）半導体業界向けのファインチューニングのデータセットを作る場合
業界：半導体

まとめ

まずは小さく回し、効果を確認してから拡張するのが現実的なアプローチです。

ノーコードで、オープンモデルをベースにしたファインチューニング環境を構築できます
4ステップで「モデル選択 → データ投入 → 学習設定 → 保存・実行」まで完了します
最初は 小さいモデル・小さいデータ・単一GPUで試すと、失敗コストが低く安全です

次回予告

ファインチューニングは「回したら終わり」ではありません。

大事なのは、
✔ 本当に出力が改善したのか
✔ 期待通りの振る舞いになっているか
✔ プロンプト依存から脱却できているか
を確認することです。

次回は、今回作成したモデルを FPT AI FACTORY の「モデルテスト＞対話型セッション」 で検証します。
学習前と学習後を並べて比較し、改善を可視化します。

FPT AI FACTORY（リンク集）

ファインチューニングの実行環境へ、いってらっしゃい！

日本リージョン：https://ai.fptcloud.jp/
ベトナムリージョン：https://ai.fptcloud.com/

無料バウチャー（期間限定）

※新規ユーザー向けに100ドル分のクレジットが提供されています。
詳細は公式ページをご確認ください。