生成AIの業務活用において、汎用的なLLMモデルだけでは解決できない高度な要件が増加しています。

• 汎用モデルによる専門タスク対応の限界

  LLMの汎用モデルは広範な知識を持つ一方で、特定の業界で求められる高度な専門知識や、企業独自の用語・ルール、業界特有の規制などへの対応には限界があります。

• 専門性の高い領域での精度不足

  専門用語が多用されるドキュメントの解釈や、複雑なコンプライアンスチェックなど、高い正確性が求められるタスクにおいて、汎用モデルでは十分な精度を得られないという課題が生じています。

特定の領域に最適化されたモデルを構築することで、精度向上とコスト最適化を両立させます。

• 小規模ベースモデルの戦略的選定

  日本語性能に優れ、かつ運用コスト効率の高い小規模なベースモデル（オープンモデル等）を厳選して採用します。

• 専門知識の学習によるモデル適応

  各業界の専門知識を含むコーパス（テキストデータ）と、具体的なタスクを解くための指示データを活用して学習を行い、特定の業界知識に適応したモデルを構築します。

特化型LLMの構築は、以下の3つのフェーズを経て実施します。

• ①ベースモデルの選定

  一般に公開されているLLMの中から、基礎性能が高いモデルを学習の土台（ベースモデル）として選定します。特定のモデルに固定されないため、目的や業務に応じて最適なモデルを選択でき、将来のモデル更新にも柔軟に対応できます。また、モデルの圧縮により、精度を大きく損なわずに少ない計算資源で稼働させることが可能です。

• ②業界特化型モデルの構築

  特定業界の専門知識をベースモデルに学ばせるため、業界知識を含む大量のテキストデータを自動的に収集・選別し、モデルに専門知識を習得させます。さらに、業務に即した問答データを高性能なLLMを用いて自動生成し、モデルの応答精度を高めます。これにより、対象とする業界を問わず、専門知識を備え、質問に対して的確に回答できる業界特化型モデルを構築できます。

• ③タスク特化型モデルの構築

  特定の業務に特化させるための学習用データについても、LLMを用いて自動生成する仕組みを構築しています。少数の業務サンプルと業務の定義があれば、対象とする業務を問わず学習用データを容易に生成できます。証券・保険の営業会話チェックや保険募集文書の校正といった実務での検証では、構築した特化型モデルが商用の大規模モデルを上回る精度を確認しています。

汎用モデルの利用と比較して、以下の明確なメリットを創出します。

• 高精度かつ低コストなモデル運用

  汎用モデルよりはるかに少ないパラメータ数で、特定のタスクに対して同等以上の高精度を実現します。モデルの軽量化により、計算リソースを抑えた低コストな運用が可能です。

• 専門知識の継続的かつ迅速な習得

  業界特有の最新知識や変化する規制内容を、追加学習を通じて継続的かつ迅速に習得させることができ、常に業務に適した状態を維持できます。

• 汎用モデルでは困難な領域でのAI活用促進

  これまでAI化が難しかった専門性の高い業務プロセスにおいて、自動化・高度化を推進し、企業の競争力を高めます。