LASSIC Media らしくメディア

生成AIに、いくつか例を見せてから頼むと、教えたわけでもないのに、その調子で続きをこなしてくれた——。そんな経験はないでしょうか。「英語と日本語の対を数組示したら、次の英語もちゃんと訳した」といった具合です。これは偶然ではなく、「文脈内学習（インコンテキストラーニング）」と呼ばれる、生成AIならではの性質によるものです。追加の学習をさせなくても、プロンプトの中の例だけを手がかりに、その場でタスクに合わせてくれる——この仕組みを知っておくと、生成AIをぐっと使いこなしやすくなります。

言葉は耳慣れないかもしれませんが、起きていることはシンプルです。本記事では、生成AIの業務活用を進める情報システム部門や事業部門の担当者に向けて、文脈内学習とは何か、ファインチューニングとどう違うのか、どんな場面で役立つのか、そして外注の勘所を整理します。

文脈内学習とは——例だけでその場で適応する

文脈内学習とは、生成AIが、プロンプトの中に示された例や指示だけを手がかりに、その場でタスクに適応する性質を指します。ポイントは、モデルそのものを学習し直すことなく、渡された文章の「文脈」を読み取って、求められていることに合わせてくれるところにあります。たとえば、「good→良い」「fast→速い」という対をいくつか示したうえで「slow→？」と尋ねると、明示的に翻訳のやり方を教えていなくても、例のパターンをくみ取って「遅い」と返してくれる、という具合です。

ここで大切なのは、この適応が「その場かぎり」だという点です。プロンプトの中に例があるあいだは、それを手がかりに振る舞いますが、プロンプトを外してしまえば、その適応は残りません。モデルの中身が書き換わったわけではないのです。従来、AIに新しいタスクをこなさせるには、そのための追加学習が欠かせませんでした。文脈内学習は、その手間をかけずに、プロンプトの工夫だけで多様なタスクに対応できる——近年の生成AIが「なんでもこなす」ように見える背景には、この性質があります。

ゼロショットとフューショット

文脈内学習は、プロンプトに示す「例の数」によって、いくつかの呼び名で語られます。全体像を図にまとめました。

例をまったく示さず、「次の文章を要約して」のように指示だけを与えるやり方を、ゼロショットと呼びます。生成AIは、これまでに学んだ広い知識をもとに、例なしでもある程度こなせるのです。一方、「こういう入力にはこう答える」という例を数個添えてから頼むやり方を、フューショットと呼びます。例という手がかりが加わるぶん、こちらの意図が伝わりやすく、出力が安定しやすくなります。どちらが良いというより、タスクのはっきり度合いに応じた使い分けです。指示だけで十分に伝わるならゼロショットで足りますし、答えの形式をそろえたい、特定のニュアンスを守りたいといった場合は、例を添えるフューショットが効いてきます。ただし、例を増やせば増やすほど良くなるわけではなく、後述する上限や、例の質の問題もついてまわります。

ファインチューニングとの違い

文脈内学習は、「ファインチューニング」と混同されがちです。どちらもAIを特定のタスクに合わせる話ですが、仕組みはまるで違います。整理しておきましょう。

ファインチューニングは、学習済みのモデルに追加のデータを学ばせ、モデルの中身（重み）そのものを目的に合わせて作り替えるやり方です。学習済みの知識を土台に応用する転移学習の代表的な手立てで、一度学べばその成果はモデルに残り、以後はプロンプトで例を示さなくても発揮されます。対して文脈内学習は、モデルの中身には一切手を加えません。あくまでプロンプトの中の例を読み取って、その場だけ振る舞いを合わせるものです。たとえるなら、ファインチューニングは「教育を受けて身につける」、文脈内学習は「その場でカンニングペーパーを見ながら答える」ようなもの、といえるかもしれません。前者は準備に手間がかかるぶん効果が持続し、後者は手軽に試せるぶん、その場かぎりで毎回プロンプトに例が要ります。どちらが優れているという話ではなく、目的と手間に応じて選ぶものだと捉えてください。

プロンプトエンジニアリングとの関係

文脈内学習は、「プロンプトエンジニアリング」とも深く関わっています。両者は、いわば表と裏の関係にあります。プロンプトエンジニアリングは、生成AIから望む答えを引き出すために、指示や例をどう書くかを工夫する「実践」のことです。そのなかでも、例を添えて頼むフューショットの手法は、まさに文脈内学習という性質を引き出すための工夫にほかなりません。

つまり、文脈内学習は「なぜ、例を示すと生成AIがうまくこなすのか」という仕組みの側の話であり、プロンプトエンジニアリングは「その仕組みをどう引き出すか」という使い方の側の話、という関係です。仕組みを知っていれば、プロンプトの工夫にも納得がいきます。例を示すのは、モデルを教育しているのではなく、その場の手がかりを与えているのだ——そう理解しておくと、「例を変えたら答えが変わった」「例を外したら元に戻った」といった生成AIの振る舞いにも、戸惑わずに向き合えます。

つまずきやすい難所

文脈内学習は手軽で強力ですが、過度な期待を避けるためにも、知っておきたい難所があります。

一つ目は、扱える量の上限です。例はプロンプトに書き込むため、たくさん入れれば、その分だけトークンという単位を消費します。トークンには一度に扱える上限があり、費用にも直結するため、例を無制限に盛り込むことはできません。二つ目は、例の質や並び順による揺れです。文脈内学習は例を手がかりにするだけに、どんな例を、どんな順で示すかによって、結果が変わることがあります。適切でない例を混ぜると、かえって出力が乱れることもあります。三つ目は、その場かぎりだという点です。プロンプトを外せば適応は残らないため、同じタスクを繰り返すなら、毎回プロンプトに例を用意する必要があります。四つ目は、万能ではないことです。大量の知識を踏まえた回答や、複雑で専門的なタスクは、例をいくつか示すだけでは荷が重い場面もあります。そうした場合は、関連文書を検索して渡す仕組みや、ファインチューニングといった別の手立てが向くこともあります。

外注時に確認しておきたい点

生成AIの業務活用を外部に委託する場合は、文脈内学習について次の点をすり合わせておくと、認識のずれを防ぎやすくなります。まず、そのタスクが、文脈内学習で足りるのかどうかの見極めです。定型的な分類や整形、抽出といったタスクなら、例を添えたプロンプトの工夫だけで、追加学習の手間なく実現できることが少なくありません。まずはこの手軽な方法で足りないかを確かめてもらうと、費用と期間を抑えやすくなります。

次に、足りない場合にどう進むかの道筋です。扱う知識が多くて例だけでは追いつかないなら関連文書を検索して渡す仕組みを、特定の型を安定して守らせたいならファインチューニングを、といった具合に、次の一手を一緒に描いてもらえると、行き当たりばったりを避けられます。あわせて、プロンプトに載せる例をどう用意し、質をどう保つかも欠かせない点です。良い例をそろえ、結果を見ながら調整する進め方まで含めて相談できると、任せたあとのつまずきを抑えやすくなります。

まとめ：文脈内学習で押さえる3つの視点

文脈内学習は、生成AIを手軽に使いこなすうえで、知っておくと役立つ性質です。押さえておきたい視点は3つに整理できます。第一に、文脈内学習はプロンプトの例や指示だけを手がかりに、モデルを変えずその場でタスクに適応する性質であり、プロンプトを外せば残らないこと。第二に、モデルの中身を作り替えるファインチューニングとは仕組みが異なり、プロンプトエンジニアリングのフューショットは、この性質を引き出す工夫だということ。第三に、例を入れるほどトークンを使い上限や結果のばらつきに気をつける必要があり、複雑なタスクには検索や追加学習といった別の手立てが向くこともあることです。この3点を押さえておけば、「まずプロンプトの工夫で試す」という手軽な一歩を、迷わず踏み出せます。どこまで文脈内学習で足りるかの見極めに不安があれば、外部の手を借りるのも一つの選択肢です。

よくある質問

著者：テレリモ総研編集部　鈴木 亮佑

ご不明な点はお問い合わせフォームからもご連絡いただけます。

1. *1　参考：IBM「What is in-context learning (ICL)?」（https://www.ibm.com/think/topics/in-context-learning）。文脈内学習の一般的な解説の参考として。

Tweet