LLM・VLMのファインチューニング
汎用のAIを、
貴社の仕事に合わせて学習させる。
LLM・VLM・判断特化モデルを、貴社の書類・図面・判断の基準で学習させます。正解データづくりから、比較評価、社内の環境への配備まで担います。
＼ データがそろっていなくてもOK ／
ジンベイのファインチューニングとは
公開されているAIモデル（LLM・VLM・判断特化モデル）を、貴社のデータで追加学習させ、業務に合わせて精度を上げる受託サービスです。学習に使うデータの設計と正解データづくり、学習前後とクラウドの最新モデルとの比較評価、オンプレミスや閉域網への配備までを一貫して行います。ジンベイは、手書き帳票を書かれたとおりに読むよう学習させたモデルで、クラウドの最先端モデル4つを読み取り精度で上回った実績があります。
TARGETS
学習させられるAI
LLM（文章を扱うAI）
社内の用語・書式・判断の型を覚えさせ、回答や文書の作成を貴社のやり方にそろえます。社内で動かす小さなモデルを、業務に絞って強くすることもできます。
VLM（画像を読むAI）
手書きの帳票、スキャンした書類、図面、現場の写真を、書かれたとおりに読むよう学習させます。縦書き・崩し字・表の読み取りも対象です。
判断特化モデル（Jev系）
文章を書かずに、分類・振り分け・採点・可否の判断を確率つきで返すモデルです。貴社の過去の判断を学習させ、社内の環境で動かします。
VLA（ロボットを動かすAI）
カメラの映像と指示から、ロボットの動作を出すモデルです。フィジカルAIのページで詳しくご紹介しています。
HOW TO CHOOSE
ファインチューニングが要るか、から判断します。
多くの業務は、プロンプトやRAGで足ります。学習させるのは、それでは届かないときです。
| プロンプトの工夫 | RAG（社内データの検索） | ファインチューニング | |
|---|---|---|---|
| 変えるもの | AIへの指示 | AIが参照する資料 | AIモデルそのもの |
| 向いていること | 出力の形や言い回しの調整 | 社内文書を根拠に答える、情報を新しく保つ | 読み方・判断の基準・出力の形を覚えさせる、小さなモデルを強くする |
| 要るデータ | ほぼ不要 | 社内の文書 | 正解つきのデータ（数百件〜） |
| 社内の環境で動かす | モデル次第 | モデル次第 | 公開モデルを学習させるため、しやすい |
| 向いている例 | 議事録の要約 | 規程・マニュアルへの回答 | 手書き帳票の読み取り、問い合わせの振り分け、図面の判定 |
※ 組み合わせることも多く、まず貴社のデータでプロンプトとRAGだけの精度を測ってから決めます。
DECISION MODELS
判断特化モデル（Jev系）も、学習させて社内で動かす。
判断特化モデルは、文章を書く代わりに「どれに当たるか」「どのくらいか」「はいかいいえか」を確率つきで返すAIです。振り分け・採点・可否の判断のように、答えの形が決まっている業務に向きます。
| Jev（TypeSafe AI） | 社内に構築する判断モデル | |
|---|---|---|
| 提供の形 | APIで利用（米国でホスト） | 貴社のサーバー・閉域網で動かす |
| 貴社データでの学習 | 行わない方針（公式） | できる |
| 答えの形 | 選択肢から選ぶ・尺度で採点する・はい／いいえ（確率つき） | 同じ3つの形を作る |
| 呼び出し方 | 提供元のSDK・API | Jevと同じ呼び方のAPIにもできる |
※ 2026年10月時点の公開情報にもとづきます。ジンベイは TypeSafe AI の提携先ではありません。
構築支援の3つのパターン
公開されている判断特化モデルを、貴社の判断で学習させる
- 前提
- 早く始めたい。振り分けや判定の正解つきデータが、ある程度たまっている。
- 構成
- 公開されている判断特化モデルを土台に、貴社の正解データで追加学習させ、社内のサーバーに置く。
- 結果
- 最も短い期間で、社内で動く判断モデルを用意できます。
公開LLMから、判断モデルを作る
- 前提
- モデルの大きさや日本語での精度を詰めたい。評価の仕方を細かく決めたい。
- 構成
- 文章を書かずに、1回の計算で選択肢ごとの確率を出す形にする。正解データ数百〜数千件で学習させ、学習に使わないデータで確率の当たり具合を合わせ、Jevと同じ呼び方のAPIで使えるようにする。
- 結果
- 「90%」と出したものが実際に9割当たるよう調整した、貴社専用の判断モデルになります。
学習させずに、答えの形だけをそろえる
- 前提
- まず試したい。正解つきのデータがまだ少ない。
- 構成
- 社内で動かしているLLMに、選択肢・尺度・はい／いいえの形でだけ答えさせる仕組みを付ける。
- 結果
- 学習の前に、判断の業務に使えるかを確かめられます。正解データがたまったらパターン1・2に進めます。
※ どのパターンでも、Jevの出力は学習に使いません。日本語での精度と速さは、貴社のデータで測ってからお伝えします。
PROCESS
正解データづくりから、配備まで。
学習そのものより、何を正解とするかを決める工程が精度を左右します。
データの設計
何を入れて何を出させるか、どのデータを学習に使い、どれを評価に取っておくかを決めます。
正解データづくり
書類の読み取り結果や判断の正解を、貴社の基準でそろえます。基準があいまいなところは、ここで決めます。
評価セットの用意
学習に使わない正解データを別に取っておき、学習前のモデルの成績を先に測ります。
学習
LoRAなどの少ない計算量で済む方法から試し、必要に応じて学習の範囲を広げます。
比較評価
学習前のモデル、クラウドの最新モデルと同じ評価セットで比べ、誤りの傾向を分類します。
配備
量子化などで軽くし、オンプレミス・閉域網・国内リージョンのクラウドに置いて業務につなげます。
RESULTS
学習させたモデルの実績と、取り組み
学習させたモデルが、手書き帳票の読み取りでクラウドの最先端モデルを上回る
- 前提
- 生成AIは読めない文字を「それらしく」補ってしまい、帳票のデータ化では誤りになる。
- 構成
- 書かれたとおりに読むことを目的にモデルを学習させ、社内のサーバーだけで動かした。
- 結果
- 手書き帳票130枚・7,660項目の完全一致の採点で、クラウドの最先端モデル4つをすべて上回りました（総合スコア75.55）。
日本語特化VLMを用いた、オンプレミス型の文書OCR
- 前提
- 金融・医療・行政では、クラウドのOCRを使えない場面が多い。
- 構成
- 縦書き・ルビ・手書きなど日本語の文書に合わせてVLMを学習させる。総務省「令和8年度 ICTスタートアップリーグ」に採択。
- 結果
- 既存のモデルより文字認識精度を10%以上高めることを目標に、開発を進めています。
学習させるべきかどうかから、貴社のデータで確かめられます。
SCOPE
お受けすること、お受けしないこと
お受けすること
- ○公開されているLLM・VLM・判断特化モデルの追加学習（LoRAなど）
- ○学習データの設計と、正解データづくり（アノテーション）
- ○学習前後・クラウドの最新モデルとの比較評価
- ○量子化などで軽くし、オンプレミス・閉域網に配備
- ○精度の監視と、データが増えたときの再学習
お受けしないこと
- —AIモデルをゼロから作る事前学習
- —精度の数値を保証する契約（事前検証で見込みを測ってから進めます）
- —権利関係が確かめられないデータでの学習
- —他社のAIサービスの出力を、規約に反して学習に使うこと
SECURITY
セキュリティ審査を、
通る前提で設計する。
学習データの取り扱いから、社内の環境での学習・運用まで対応します。
要件に合わせて選べる、3つのデプロイ形態
「まずスモールスタートしたい」
クラウド（SaaS）
最短で導入できる標準形態。お客様のデータをAIモデルの学習に利用しない方針を明示しています。
「自社のクラウド統制の範囲内で使いたい」
プライベートクラウド
貴社専用の環境にAI基盤を構築。既存のクラウドガバナンス・監査の枠組みの中で運用できます。
「機密データを社外に一切出せない」
オンプレミス・ローカルLLM
ローカルLLMを含む、データを社外に出さない構成で構築します。「クラウド利用不可」の要件下で生成AI環境を構築・納品した実績があります。
情報システム部門の審査に、実務で応える
セキュリティチェックシートへの回答
貴社所定の書式に項目別で回答します。大手企業・自治体の導入審査プロセスに数多く対応してきました。
NDA・個人情報保護覚書の締結
秘密保持契約に加え、個人情報保護に関する覚書の締結にも対応。貴社雛形での締結、法務部門間の調整も可能です。
技術仕様の開示
ログの保管方針、認証方式（OAuth 2.0 / OIDC等）、データの保存先・削除ポリシーまで、審査に必要な仕様を文書で回答します。
データを学習に利用しない
お預かりしたデータは厳重に管理し、AIモデルの学習には使用しません。取り扱い範囲は契約で明確に定めます。
ISO/IEC 27001（ISMS）認証取得
情報セキュリティマネジメントの国際規格に基づき、組織として情報を管理しています。
よくあるご質問
ファインチューニングとRAGは、どちらを選べばよいですか？
社内の文書を根拠に答えさせたいならRAG、読み方・判断の基準・出力の形をモデル自体に覚えさせたいならファインチューニングが向きます。両方を組み合わせることも多く、まず貴社のデータでプロンプトとRAGだけでどこまでできるかを測ってから判断します。
学習データは何件くらい必要ですか？
目的によって変わります。判断特化モデルの分類なら数百〜数千件の正解つきデータから始められることが多く、書類の読み取りでは書式と書き方のばらつきを含む数百枚程度から試します。事前検証で、件数を増やすと精度がどれだけ伸びるかを測ります。
Jevそのものをファインチューニングできますか？
いいえ。Jev（TypeSafe AI）は米国でホストされるAPIとして提供され、顧客のデータでファインチューニングしない方針が公式に示されています。ジンベイでは、公開されている判断特化モデルや公開LLMを貴社のデータで学習させ、Jevと同じ使い方ができる判断モデルを社内の環境に構築します。
Jevの出力を使って、社内のモデルを学習させられますか？
お勧めしません。Jevの出力を教師データにすると、提供元の利用規約に触れるおそれがあります。ジンベイでは、貴社の過去の判断など、貴社が権利を持つ正解データだけで学習させます。
学習させたモデルは、社内だけで動かせますか？
はい。公開されているモデルを学習させるため、オンプレミスや閉域網に置いて動かせます。モデルのライセンスは、商用で使えるものを選びます。
学習に使ったデータは、他の目的に使われませんか？
お預かりしたデータは、契約で定めた範囲でのみ使い、他のお客様のモデルの学習には使いません。社内の環境で学習を行う構成もできます。
費用はどのくらいですか？
データの量・モデルの大きさ・正解データづくりの量で大きく変わるため、ご相談の場で概算をお伝えします。
「学習させれば、精度は上がる？」にお答えします
対象のモデルと業務、手元のデータをお知らせいただければ、進め方と近い例をご紹介します。
＼ 30分・売り込みなし ／