DX化が求められる昨今において、さまざまな企業でデジタル化を推進する動きが増えています。**DXアドバイザー検定は、そのDX化を推進するのに必要な知識やスキルを判定する検定試験です。**

この資格を取得することで、DX推進に必要な基本知識を取得できます。さらにこの知識を活かして、企業内でDX推進のリーダーとして活動できる可能性も出てくるでしょう。

本記事では、DXアドバイザー検定の試験概要や勉強方法を紹介します。受験を検討している方はぜひ参考にしてください。

【参考】：[DXアドバイザー検定 公式](https://www.sp2.or.jp/dxadvisor/dxadvisor-kentei/)

DXとは？その意味と日本の現状、DX推進の障壁となる要因を分かりやすく解説！

DX推進ガイドラインとは？DX実現に向けた経済産業省の提言を徹底解説

## DXアドバイザー検定は就職に活かせる

DXアドバイザー検定を受験しようか悩んでいる方の中には、エンジニアへの転職を検討している方も少なくないでしょう。その中には、就職活動でDXアドバイザー検定の資格が本当に有利になるのか不安を抱く方もいるかもしれません。

**結論から言うと、DXアドバイザー検定は就職活動でアピールポイントとして活用できる可能性が高い資格です。**なぜなら、未経験から転職する場合、ITに関する実績がないため、資格を取得することで面接時にアピールしやすくなるからです。

そのため、エンジニアへの就職を検討している方はぜひ、DXアドバイザー検定を受験してみましょう。

<center>[エンジニア転職を成功させるため<br/>ぜひ*『マイナビIT エージェント』*をご活用ください！](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)</center>

## DXアドバイザー検定の試験概要

**ここからは、DXアドバイザー検定の試験概要を解説します。**実施時期や出題数など、試験に関わる情報を解説しますので、受験を検討している方は、ぜひ参考にしてください。

DXアドバイザー検定は、テストセンターで実施します。*また、実施時期は通年のため、テストセンターにて希望の日時で予約して受験します。ちなみに、受験予約は受験希望日の3日前まで可能のようです。*

ただし、テストセンターの都合によって情報が変わる可能性がありますので、実際に受験する場合は日時に余裕を持ってスケジュールを組みましょう。

*試験範囲は、大きく分けてITリテラシー、DXリテラシー、ビジネスアナリシス、情報マネジメントの4分野に分かれ、その中でも出題分野が細分化されています。*

どの分野も重要な分野ですので、DXアドバイザー検定に合格するためにも、取りこぼしがないように網羅的に勉強をしましょう。

*DXアドバイザー検定の試験時間は90分です。*また、出題数は出題範囲によって異なります。DXリテラシーでは24問、ビジネスアナリシスでは8問、ITリテラシーでは24問、情報マネジメントでは24問です。

*DXアドバイザー検定の合格基準は70%以上です。*この基準は、他のIT資格を取得していたとしても、DXアドバイザー検定に向けて試験対策をしないと合格できない基準と言えます。しっかり勉強した上で検定試験に臨みましょう。

## DXアドバイザー検定が活かせる仕事について

**ここからは、DXアドバイザー検定が活かせる仕事について解説します。**DXアドバイザー検定で学んだ知識は、エンジニアの職種では幅広く活用できますが、特にITコンサルタントの領域で知識を活かしやすいでしょう。

そこで、ここからはITコンサルタントの仕事内容や年収についても触れます。将来、IT企業への転職を検討している方は、ぜひ参考にしてください。

### ITコンサルタントの仕事内容

*ITコンサルタントは、クライアントのビジネスや経営問題を解決するために、ITに関する提案を行う職業です。*

具体的な提案の例としては、システム構築を提案したり、IT面での問題点を指摘して改善方法を提示したりします。業務の内容が幅広いため、IT技術はもちろんのこと、経営面などの知識が求められることもあるでしょう。

ITコンサルタントにおすすめの資格7選！年収や将来性も解説

ITコンサルタントの年収は「マイナビエージェント職種図鑑」での平均年収は512万円（※2023年9月執筆時点）、経済産業省2017年発表の「IT関連産業の給与等に関する実態調査結果」から近い職種のコンサルタントを参考にすると、平均年収928万円と分かりました。

国税庁2020年発表の「民間給与実態統計調査」における民間企業平均年収は433万円なので、ITコンサルタントは一般平均年収よりも、やや高めであることが分かります。

*ITコンサルタントはITの専門的な知識が求められる上、コミュニケーションスキルや営業のスキルなど、幅広いスキルが必要です。*それらの理由から、ITコンサルタントは一般平均年収よりも高めであると考えられるでしょう。

【参考】：[マイナビエージェント 職種図鑑](https://mynavi-agent.jp/it/jobindex/01.html?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)
※【平均年収 調査対象者】2020年1月～2020年12月末までの間にマイナビエージェントサービスにご登録頂いた方
【参考】：[IT関連産業における給与水準の実態① ~ 職種別（P7）](https://warp.da.ndl.go.jp/info:ndljp/pid/11623215/www.meti.go.jp/press/2017/08/20170821001/20170821001-1.pdf)
【参考】：[民間給与実態統計調査-国税庁](https://www.nta.go.jp/publication/statistics/kokuzeicho/minkan2020/pdf/002.pdf)

## DXアドバイザー検定の勉強方法

**ここからは、DXアドバイザー検定に合格するために必要な勉強方法を紹介します。**本記事で紹介する勉強方法はあくまで一例ですが、勉強方法が分からない方はぜひ参考にしてください。

まずは、DXアドバイザー検定の参考書を読みましょう。*参考書を読むことで出題範囲の知識を整理できます。*

また、参考書の中には練習問題を用意している本もあります。このような本で問題を解きながら学習すれば、実際の試験問題を意識しながら勉強できます。

### オンライン講座や研修を受講する

DXアドバイザーに関するオンライン講座や、研修を受講するのもおすすめです。*特にオンライン講座であれば、電車通勤や自宅で隙間時間で学習ができます。*本業が忙しい方や、まとまった時間を取りにくい方は、このような講座を活用して学習をしてみましょう。

また、企業の中には資格試験の取得を応援するために、研修を実施する会社もあります。さらに研修への参加費用を負担してくれる会社などもありますので、企業に就職してからIT知識を深めることも可能です。働きながらスキルを身につけたい方は、そのような制度も活用しましょう。

### 基本的なITに関する知識を身につける

*未経験からエンジニアを目指す場合、基本的なIT知識を身につける必要があります。*DXアドバイザーの受験問題は、基本的なIT知識が備わっていることが前提です。学習を進める際に、分からない単語や内容が出てきた場合、その都度、不明な点を調べる癖をつけましょう。

## DXアドバイザーの資格を取得してエンジニアとして活躍しよう

本記事では、DXアドバイザー検定の試験概要や、合格に必要な勉強方法を解説しました。今後エンジニアとして転職を検討している方は、DXアドバイザーとして資格を取得して、就職活動を有利に進めましょう。

**ただし、DXアドバイザー検定に合格するだけで、就職活動を行うのは難しいかもしれません。**なぜなら未経験や他の業界からエンジニアとして就職する場合、実績をアピールするのが難しいからです。自分のアピールポイントが分からないまま就職活動をすると、就職活動は難航する可能性が高いでしょう。

そこで利用を推奨するのが[マイナビIT エージェント](https://mynavi-agent.jp/it/?utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)です。 

マイナビIT エージェントは、IT・Webエンジニア向け、無料の転職⽀援サービスです。

IT・Webエンジニアの転職事情に詳しいキャリアアドバイザーが、あなたのご経験やスキルをお伺いし、転職活動のプランをご提案します。

アドバイザーは企業側と直接連携を取れるので、求人票に載っていない情報も確認することができます。こちらで、働き方などをしっかり確認の上、応募企業を選んでいくのが良いでしょう。

未経験からのキャリアチェンジは心身ともに本当に大変でしょう。少しでもご自身の負担を減らすべく、エージェントサービスを活用して、失敗のない転職活動に臨んでいただければ幸いです。

<center>[*『マイナビIT エージェント』*なら、<br/>IT業界に精通した専任アドバイザーと豊富な求人で、<br/>あなたの転職活動を丁寧にサポートします。](https://mynavi-agent.jp/entry/?genre=26&utm_source=and-engineer&utm_medium=content-text&utm_campaign=acv07_2)</center>

DXアドバイザー検定は比較的新しい検定試験のため、どんな試験かよく知らない方も多いでしょう。今回は、DXアドバイザー検定の概要について解説し、検定に合格するための勉強方法を紹介します。DXアドバイザー検定の受験を検討している方は、ぜひ参考にしてください。

DXアドバイザー検定は、デジタル化を推進するために必要な知識を判定する試験です

DXアドバイザー検定の試験概要と勉強方法が分かります

DXアドバイザー検定に合格し、エンジニアとして活躍するなら、転職エージェントを活用しましょう

DXアドバイザー検定とは？試験概要から勉強方法まで詳しく解説

生成AIが脚光を浴びており、自然言語処理が多方面で活用されています。**言語処理はプログラミングにも活用できるため、AIによるコーディング支援機能がいくつか発表されています。**ここでは、ソフトウェア開発環境を提供するメジャーなAIコーディング支援機能のリリース状況を整理し、解説していきます。

自然言語処理とは？注目される理由やできることをわかりやすく解説

### AIによるコーディング支援のメリット

従来からコーディングの自動化の取り組みが行われています。AIによるコーディング支援は、その取り組みを一気に加速させるものです。具体的には、開発工数の低減、開発期間の短縮、開発品質の向上に効果があります。また、自身が知らないプログラミング言語にも対応できるメリットもあります。

*分かりやすく言うとAIコーディング支援は、大変な開発の労力を減らして俊敏なビジネス利用を手助けする、アシスタントのような役割を担ってくれると考えると良いでしょう。*

### AIによるコーディング支援のデメリット

AIによるコーディング支援のデメリットは、ないわけではありません。具体的には、生成AIの種類によっては想定した動作を行わない架空のコードを生成する恐れもあります。同様に多くのコードから学習したコードでは、場合によってはコードライセンスに抵触するリスクもあります。

その他、作成したコードが要件定義に合致しているかはやはり人手での確認が求められます。場合によっては、コードデザイナーやプログラマーの評価に影響を及ぼす場合もありますので、デバッグやコード品質も厳密に行う必要も出てきます。

*このようなリスクを低減するためには、コードのチェックなどのスキルを持つエンジニアが行い、AIに丸投げせずに補助的に活用することも方法の1つです。*

## 代表的なAIコーディング支援ツール

プログラム開発環境は多くありますが、ここではAIコーディング支援機能を搭載する開発ツールやサイトを紹介していきます。*特にソフトウェアデベロッパーが良く活用する開発環境を中心に紹介し、動向を交えて解説していきます。*

*GitHub Copilotは、コード生成のモデルであるOpenAIのCodexをベースに開発された開発支援ツールです。*2021年には、GPT-3ベースのコード生成に対応しており、統合開発環境（IDE）でのコード補完機能の提供を開始しています。

2023年3月には、「GitHub Copilot X」を発表し、GPT-4をプログラミング用に採用することを公表しています。チャット形式でプログラムコードを生成することができます。「GitHub Copilot X」は、テクニカルプレビューとして提供が開始され、料金体系についてはまだ発表されていません。

【参考】：[GitHub ブログ GitHub Copilot X：AIを搭載した開発者体験](https://github.blog/jp/2023-03-23-github-copilot-x-the-ai-powered-developer-experience/)
【参考】：[GitHub Copilot](https://github.com/features/copilot)
【参考】：[GitHub Copilot X](https://github.com/features/preview/copilot-x)

AIペアプログラマー「GitHub Copilot」の使い方や導入メリットを徹底解説！

*Visual Studio IntelliCodeは、Visual StudioとVisual Studio Code（VSCode）で利用できるAIコード入力補完機能です。*補完する仕組みは、実装されているIntelliSenseを用います。「GitHub」の公開リポジトリを機械学習でトレーニングし、リコメンデーションは質の高いコード作成を支援します。

Visual Studioは統合開発環境（IDE）、VSCodeはコードエディタとして非常に人気があります。その環境でAIコーディング支援が実装されるため、試してみる機会が増えるでしょう。

【参考】：[Visual Studio IntelliCode](https://visualstudio.microsoft.com/ja/services/intellicode/)
【参考】：[Visual Studio IntelliCode の概要](https://learn.microsoft.com/ja-jp/visualstudio/intellicode/overview)
【参考】：[Visual Studio での IntelliSense](https://learn.microsoft.com/ja-jp/visualstudio/ide/using-intellisense?view=vs-2022)

IDEとは？詳細やメリット、おすすめのIDEを紹介します！

*Amazon CodeWhispererは、この4月から一般提供を開始したサービスで「AIコーディングコンパニオン」と呼ばれています。*従来はプレビュー版として限定公開していましたが、生成AIの進歩と活用方法を検討し、AWS利用者に一般提供を開始しました。

PythonやJava・JavaScript・TypeScript・C#など、15の言語に対応します。

VS CodeやIntelliJ IDEA・AWS Cloud9などから利用できるほか、AWS Toolkit IDE extensionsから多くのIDEに対応することができます。Lambdaコンソールからも利用可能です。同社は、Amazonのコードについても十分に学習しているため、Amazon EC2やAWS Lambda・Amazon S3などのコード生成が最も正確だとしています。

【参考】：[Amazon CodeWhisperer](https://aws.amazon.com/jp/codewhisperer/)
【参考】：[AWS Machine Learning Blog: Announcing New Tools for Building with Generative AI on AWS](https://aws.amazon.com/jp/blogs/machine-learning/announcing-new-tools-for-building-with-generative-ai-on-aws/)

Pythonのよく使うライブラリ一覧！一段上の開発を目指そう

JavaScriptとJavaの違いは？質問されたときの説明方法

TypeScript入門編として利用する際に覚えておくポイント

*2023年5月17日、Google Colaboratory（Google Colab）にAIコーディング支援機能の搭載が発表されました。*先日開催された「Google I/O 2023」で発表された、PaLM2をベースとするCodeyが用いられます。

CodeyはGoogle Colab向けにチューニングされており、得意とするPythonのコード補完やコード生成に役立てられます。AIコーディング支援機能は統合されており、チャットボットに相談しながら進めることも可能です。Pythonと機械学習は相性が良く、Google Colabはインターネットから誰でも無償で利用することができます。

機能のロールアウトは、今後数ヶ月の間に徐々に展開され米国から他の地域へ拡大を予定しています。

【参考】：[Colaboratory へようこそ](https://colab.research.google.com/?hl=ja)
【参考】：[Google DEVELOPERS: AI-powered coding, free of charge with Colab](https://blog.google/technology/developers/google-colab-ai-coding-features/)


## AIチャットシステムからコードを生成する

*生成AIをベースとするAIチャットシステムにおいても、コード生成の機能が備わっています。*ここでは、AIチャットシステムやAIベースの検索エンジンを活用して、コーディング支援機能を解説していきます。

*Microsoftの「新しいBing」は、Open AIのGPT-4を検索エンジンに採用したAIベースの検索システムです。*チャット エクスペリエンスが追加された検索が可能です。質問カテゴリーに掲載されている通り、コーディング支援にも対応します。

【参考】：[新しいBing](https://www.bing.com/new?scdexwlcs=1&setlang=ja)
【参考】：[新しいBing よくあるご質問](https://www.bing.com/new#faq)

新しいBingのリリース！AIを活用した検索サービスの登場

OpenAIのChatGPTは、2023年に入りAIチャットシステムとしてニュースや話題になっています。*特に2023年3月にGPT-4が発表されると、その自然な言語応対や認識・生成能力に注目が集まっています。*従来のGPT-3.5はどなたでも無料で利用できます。

GPT-4はChatGPT Plusという有料のサブスクリプションに登録するか、Microsoftの新しいBingを使用するなどで利用することができます。

【参考】：[OpenAI ChatGPT](https://openai.com/blog/chatgpt)
【参考】：[OpenAI Introducing ChatGPT Plus](https://openai.com/blog/chatgpt-plus)

OpenAIのGPT-4とは？ChatGPTの進化版について解説！

*GoogleのBardは、2023年3月に試験運用を開始した会話型AIシステムです。*5月には大規模言語モデルを従来のLaMDA・PaLMからPaLM2へと更新し、機能と性能向上により5月からは日本語に対応しています。

BardのFAQを見ると、コーディング支援に活用できることが明らかにされています。試験運用中のため、ある程度自己責任が求められます。コードを引用している場合やライセンス条項については、Bardから提供されることがあります。

【参考】：[Google Bard](https://bard.google.com/)
【参考】：[Google Bard に関するよくある質問](https://bard.google.com/faq)
【参考】：[Google Japan Blog: PaLM 2 のご紹介](https://japan.googleblog.com/2023/05/palm-2.html)

## AIコーディング支援は初心者にも役立ちます

AIコーディング支援では、開発の工数削減や期間短縮、品質向上に役立てられるために、評価段階から実際の利用段階に移りつつあると考えられます。コードの自動生成は簡単なものから複雑なものまで様々な用途で活用できます。

**初心者においても、学習用コードの生成やコードレビューを依頼することも可能ですので、学習ツールの活用の幅も広がるでしょう。**

コーディング規約とは？メリットやデメリット定めるべき内容を紹介

生成AIの登場は、急速に利用範囲を拡大しています。ソフトウェア開発においてもコーディング支援機能がAIによってもたらされています。ここでは、AIによるコーディング支援の概要からメリット・デメリット、そして実際の開発ツールまで解説していきます。

生成AIの自然言語処理はプログラミングにも活用でき、開発ツールに続々と実装されています

メリットは開発労力を低減し、ビジネスの創出や活用を手助けすることです

デメリットもありますが、成果物のヒューマンチェックなどでリスク低減することもできます

AIによるコーディング支援とは？概要とともに実際の開発ツールを紹介

ChatGPT開発元の米国OpenAI社は現地時間の8月22日に、同社の大規模言語モデル「GPT-3.5 Turbo」の微調整（Fine-tuning）機能を公開しました。この機能によって、*利用者は独自のデータを用いて、モデルの最適化やカスタマイズが可能になり、より高いパフォーマンスを得られるようになっています。*

また、特定のタスクではGPT-4以上の性能を発揮したとの報告も上がっており、2023年秋にGPT-4にも適用される予定です。

この記事では、ChatGPT3.5 Turboに新たに搭載された微調整機能によって何が変わるのか、メリットとデメリット、微調整の手順、今後の展望と可能性について解説をしていきます。

【参考】：[ChatGPT | OpenAI](https://chat.openai.com/)
【参考】：[GPT-3.5 Turbo fine-tuning and API updates| OpenAI](https://openai.com/chatgpt)

ChatGPTとは？今話題のAIチャットボットの概要や仕組みを解説！

大規模言語モデル（Large Language Models：通称LLM）は、大量のデータセット及びディープラーニング技術を駆使して構築された、自然言語処理モデルのことを指します。

**大規模言語モデルでは、一般的な自然言語モデルと比較して、計算量、データ量、パラメータ数（ディープラーニング特有の係数の集合体）の3つの要素が巨大化されている点が特徴です。**

ChatGPTは、このLLMに大量のテキストデータを学習させ、まるで人間が発したような自然な言葉や文章を生成できる自然言語処理機能を用いた仕組みです。

 GPTとは「Generative Pretrained Transformer」の略で、米OpenAI社が開発した自然言語AIシリーズの名称として使われています。

GPT-3.5はChatGPTで使われている言語モデルのバージョンです。GPT-3.5はGPT-3と最新のGPT-4の間に位置し、自動翻訳や文章作成、質問応答などの多様なタスクに対応できるよう設計されています。

GPT-3.5 Turboは、OpenAIのGPT-3.5モデルの最新バージョンである「gpt-3.5-turbo-0613」に由来しています。**このTurboバージョンは、従来のバージョンよりも高速化されており、新しい機能として関数呼び出しが追加されています。**

またGPTの最新バージョンであるGPT-4は、ChatGPT PlusやChatGPT Enterpriseなどの有償サービスでは利用できますが、無償提供されているChatGPTではGPT-3.5が使われています。

【参考】：[GPT-35-Turboの操作方法 - Azure OpenAI Service | Microsoft Learn](https://learn.microsoft.com/ja-JP/azure/ai-services/openai/how-to/chatgpt?pivots=programming-language-chat-completions)

ChatGPT Plus（有料版）とは？無料版との違いやGPT-4の機能も解説！

## GPT-3.5 Turboの微調整とは何か？

GPT-3.5 Turboの微調整機能は、GPT-3.5 TurboのAPIを利用している開発者向けに提供される機能です。これによって何が変わるのかを見ていきましょう。

### 微調整によって何が変わる？

GPT-3.5 Turboに新たに搭載された微調整機能を利用することで、**開発者は特定のユースケースやタスクに合わせて、モデルの微調整やカスタマイズが行えるようになります。**

これにより、出力フォーマットに一貫性を持たせる、特定言語による応答を固定する、特定自社ブランドのトーンに合わせる、要件に合わせた回答結果を得るといった調整が行えるようになります。

微調整機能のユースケースについて整理すると、以下の通りとなります。

*▪操作性向上*
モデルが指示通りに動き、期待する結果に近づく可能性が高くなります。例えば、日本語のプロンプトには日本語で応答する、不要な長い出力を削る、といった形で操作性を向上することができます。

*▪出力フォーマットの一貫性*
一貫した応答によって、利用者からの出力フォーマットに対する信頼性を高めることができます。

*▪出力トーンの調整*
モデルの出力トーンを調整することができ、自社プランドにトーンを合わせることで、ブランドイメージのアップにつなげることができます。

### 安全性やセキュリティ面の改善

モデルの安全性確保のために、微調整機能を用いたプロセスにおいては、すべてのトレーニングデータはOpenAIのモデレーション機能を通じた細心の精査を受け、安全性を損なうコンテンツはフィルタリングされます。

また、微調整に使用したデータは顧客の所有物として、**OpenAIがそのデータをモデルのトレーニングに使用できないようセキュリティ面の配慮がなされています。**

ここまで述べたように、良いこと尽くめの微調整機能に思えますが、注意すべき点があります。それは新たなコストの発生です。仮にモデルのトレーニングに1,000トークン（1,000語）を利用すると、約1.17円のコストが課金されます。

例えば、10万トークンの学習データを1回分学習させると、コストは0.8ドル（約120円）掛かります。従って、**微調整機能の利用は、費用対効果で判断をすることが求められます。**

## GPT-3.5 Turboの微調整のメリットとデメリット

ChatGPTの自然言語モデルGPT- 3.5 Turboは、OpenAI APIを利用してモデルの微調整が行えます。微調整機能についてメリットとデメリットを整理してみましょう。

 GPT-3.5 Turbo 微調整機能を利用することで、開発者および利用者は次のようなメリットを期待することができます。

▪3つの異なるユースケースにおいて優れた結果をもたらし、モデルのパフォーマンス向上に役立ちます。
▪指示することで、モデルの出力結果を調整できるようになり、カスタムトーンが可能になり、出力の一貫性が向上します。
▪プロンプトサイズを90%削減したり、効率的なAPIコールを実現したりすることで、*APIコールの高速化とコスト削減を実現できます。*

 GPT-3.5 Turbo 微調整機能には様々なメリットがある反面、次のようなデメリットがありますので、**利用に当たっては費用と効果のバランスに注意する必要があります。**

▪微調整を利用すると、トレーニングコストや利用コストが想定外にかかる可能性があります。出力の微調整では、通常モデルの約8倍のコストが掛かります。
▪微調整を行うには、エンジニアやデータサイエンティストなどのスキルが求められ、一般の利用者には利用が難しいという問題があります。ただし、OpenAIは微調整UIの開発を予定しており、アップロードや微調整が容易に行えるようになる予定です。

GPT-3.5 Turboの微調整の大まかな手順は以下の通りです。*詳細は、OpenAIが公表しているガイドに従ってください。*

GPT-3.5 Turboで微調整機能を用いる手順は以下の通りです。

1．データの準備
モデルをトレーニングするためのデータを準備します。

2．APIキーの使用
利用するAPIのキーをOpen AIより取得します。

3．モデルのトレーニング
モデルのトレーニングを微調整するためのジョブを作成し、トレーニングを行います。学習サンプルは最低10個は必要で、50〜100個で明確な改善が見られます。また学習データのサンプルはそれぞれ4,096トークン以内である必要があります。

4．APIコールによる使用
OpenAIのAPIをコールして、微調整されたGPTを実際に利用します。

【参考】：[Fine-tuning ｜ OpenAI API](https://platform.openai.com/docs/guides/fine-tuning)

**微調整に要するコストは、元のモデルと比較して約8倍の費用が掛かります。**またトレーニングにおいても$2.4が必要です。微調整したモデルは、通常のモデルと同様に月間APIコール数や最大トークン数などのAPI制限が適用されます。

またアップロードされたデータは顧客側の所有物であり、OpenAIやその他の組織によって流用されるリスクはありません。

## 微調整機能の今後の展望と可能性

GPT-3.5 Turboに追加された微調整機能は、大規模言語モデルの利用者にとって画期的な機能です。この機能により、**利用者は目的やニーズに合わせたモデルの出力についてカスタマイズが可能となり、より高度なタスクやアプリを実現できるようになる可能性があります。**

例えば、以下のような応用が考えられます。

*1．新たなチャットボットや対話システムの開発*
微調整を利用して、チャットボットや対話システムの音声、キャラクターの性格をカスタマイズできるようになり、ユーザの利便性や満足度を高められます。また、特定の領域や業界に特化した知識や用語をモデルに学ばせることで、より専門的な対話を実現できます。

*2．テキスト生成や文章作成の支援*
微調整を利用して、テキスト生成や文章作成における形式やトーンの指定が可能になり、より効率的かつ高品質なテキスト生成が実現します。

*3．テキスト分析や自然言語能力の強化*
微調整によって、テキスト分析や自然言語理解に必要な特徴や指標を指定できるようになり、より自然で高い精度や信頼性を持つアウトプットを実現できます。

## よりユーザの期待に応えられるチャットボットを目指して

GPT-3.5 TurboはOpenAIが開発した大規模言語モデルであり、2023年8月に微調整機能が追加されました。この記事では、微調整機能によって何が変わるのか、メリットとデメリット、微調整の手順、今後の展望と可能性について解説をしてきました。

ChatGPTの有効活用を図る上では、*より利用者のニーズに沿った効率的、効果的なカスタマイズが利活用の鍵となってくるでしょう。*その実現のために微調整機能は大変重要だということが理解できたと思います。ぜひ皆さんも微調整機能を習得して、より良いAIチャットボットの開発に活かしてみてください。

ChatGPTの活用方法！エンジニアの業務に活かせるか利用してみた

ChatGPTのプラグインは何ができる？一覧や使い方を解説

米国OpenAI社は現地時間8月22日に、「GPT-3.5 Turbo」の微調整（Fine-tuning）機能を公開しました。この機能によりモデルの最適化が可能となり、より高いパフォーマンスを得られます。この記事ではその概要やメリット・デメリットなどを解説します。

GPT-3.5 Turboの微調整機能でモデルの最適化やカスタマイズが可能となった

GPT-3.5 Turboの微調整機能により、3つのユースケースでメリットが期待できる

GPT-3.5 Turboの微調整機能の利用では、費用対効果を熟慮する必要がある

GPT-3.5 Turboの微調整機能はGPT-4以上？その役目や効果を解説

機械学習では、大きく「教師あり学習」「教師なし学習」「強化学習」の3種類の学習の手法があります。**「教師あり学習」が最も身近な学習方法で、さらに用途に応じて「分類」あるいは「回帰」によって学習が行われます。**

ここでは、機械学習の概要とともに、これら学習手法の違いを解説していきます。

*機械学習は、人工知能の実現方法の1種です。*機械やコンピュータに対象とするデータを読み込んで学習させ、ルールやパターンを導きます。この導いたルールやパターンを活用して、社会で必要な様々な分野の課題の解決に役立てることができます。

機械学習のように、人間の介在なしに機械的に実行することができれば人間の負担が減るとともに、高速で高性能かつ高精度に処理を行うことが可能です。これまでの経験則に任せていた領域も、科学的に最適な結果を導くことが可能になります。

機械学習の説明をする上で前提となるのが、人工知能です。人工知能は、人間が備えている記憶や知識などの知的な行為や蓄積を、コンピュータの手続き・アルゴリズムに基づき所定のデータを与えることで、機械的に実行することを研究する領域です。

機械学習は人工知能の1種で、学習方法を定義し機械的に学習させるために過去の蓄積データからパターンを認識したり、将来の予測を行ったりするための技法を指します。

*人工知能が機械学習を包含しており、さらに機械学習はニューラルネットワークやディープラーニング（深層学習）を内包しているという関係性があります。*

今さら聞けない人工知能（AI）の基礎知識｜AI開発の基本を解説！

*機械学習の学習技法やアルゴリズムは、数多くあります。*よく聞く用語では、ニューラルネットワークやディープラーニングがあります。これらの用語も機械学習の1つで、それぞれの学習技法があります。

ニューラルネットワークは、処理単位である数理モデルがネットワーク上に結合したものです。生物の神経系ネットワークに着想を得て発展を続ける技法です。接続するユニットの数や階層構造などによってさらに様々なモデルが提唱されています。

ディープラーニングは、ニューラルネットワークの階層構造を多層にしたモデルで、主に4層以上の深層のニューラルネットワークを狭義のディープラーニングと呼びます。この多層のニューラルネットワークは、音声や画像、そして自然言語に強みを発揮します。

そのため、その後登場した大規模言語モデルにおいても、ディープラーニングが実装基盤に用いられています。

ニューラルネットワークとは？仕組みや関連用語をわかりやすく解説

ディープラーニングとは？機械学習との違いもわかりやすく解説

## 機械学習のタスクの種類と学習方法

機械学習では、タスクという用語が使われます。タスクとは、コンピュータの処理すべき課題の単位として用いられ、プロジェクトで定義するタスクと同等の考え方です。

**機械学習の場合は、課題解決の進め方で分類されており、代表的なタスクは「教師あり学習」「教師なし学習」「強化学習」の3種類に分けられます。**

*教師あり学習は、入力と対応する出力を、機械学習のアルゴリズムに与えて学習を進める方法です。*あらかじめ正解がわかっているものを覚えこませることで効率的に学習を進めます。例えば、イヌやネコの写真を学習し、画像認識に活用するなどがあります。

また電子メールが迷惑メールかどうかなどを判断するセキュリティ対策にも用いられています。

教師あり学習についてはここでは概要までとし、後ほどもう少し詳細に解説していきます。

*教師なし学習は、「教師あり学習」と対となる学習方法で、学習データに正解を与えない状態でコンピュータに学習させる方法です。*データの類似度などに基づいてグルーピングしたり、データの特徴からあらたなデータを生成したりします。

この学習方法は、正解がない考え方を調査するのに用いることが多く、例えば市場調査の購買分析や行動分析などに用います。

主に統計的手法から成るアルゴリズムを、学習に用います。学習データを似ている者同士に分類するクラスタリングや、統計学上の目的変数を表す説明変数を圧縮する次元圧縮、データの中から一定の法則を見つけ出す主成分分析などの手法を用います。

教師なし学習は、正解が与えられていないので人間が妥当性を判断する必要があります。そのため、判断を担当する人は学習データに関する知識が求められます。

*強化学習は、入力から学ぶのではなく、その価値を最大化させることに力点をおく手法です。*ある行動を行うことで、その価値を入力としてデータを更新するQ学習などの手法があります。

教師あり学習や教師なし学習とは異なり、強化学習は事前に準備するデータセットに依存しません。実際の環境で動的に変化する状況でも、収集したデータを試行錯誤し学習を続けていきます。

以上の特徴から、人間の監視下にない状態でも学習を行うことができます。カメラのピント合わせやセンサーへの導入、ロボットや自動車の自動運転などに利用されています。

## 教師あり学習をさらに詳しく

*教師あり学習は、機械学習のタスクで最も用いられる手法です。*正解があらかじめ分かるものが対象ですので、データの示す特徴が、正解に近いかどうかで適合の可能性を予測することができます。

統計学では、ある現象や値を説明するものを説明変数、それを受けて生じた結果を目的変数と言います。用いるデータで表すと、顔やシルエットなどの画像や音声などが説明変数で、特定の人物かどうか判断することを目的変数とすることができます。

ここで用いるのが、分類問題と回帰問題です。使用するモデルによって手法が決まりますので、フローチャート化することも可能です。

プログラミングのフローチャートとは？概要から書き方までを紹介

*教師データとは、教師あり学習で使用するデータの集合体（データセット）を表す用語です。*教師データは、教師あり学習で用いる「正解」と「例題」のペアの集合体で、この教師データの例題を入力したときに、正解のデータが出力されるように、モデルの訓練を行います。

モデルの訓練が完了すると、例題を入力すると正解が出力されるようになり、未知のデータを入力したときに正解に近い結果を予測することができます。

*分類問題とは、どの分類クラスに属するかを目的変数とし、予測する方法を表します。*あらかじめ定義した分類クラスにデータを振り分け、予測することを、「分類」と言い、結果を導く仕組みを「分類モデル」と言います。

例えば、入力したデータが人物なのかそうでないのか、イヌなのかそうでないのか、ネコなのかどうでないのか、などを分類します。このように「そうなのか（YES）」「そうでないのか（NO）」の2つに分類することを二値分類と言います。

また画像の例では、目なのか、鼻なのか、口なのかなど、3つ以上の分類になる場合は、多値分類で表されます。

この分類づけは、数値的な重みづけはなく、どの分類に当てはまるかのみが予測されるため「ラベル」という場合もあります。分類のアルゴリズムは、ベイズの定理を用いた「ナイーブベイズ法」や、「K 近傍法」などが用いられます。

技術の記事（6ページ目）