LoRA(ファインチューニング)
業務に特化した小型AIを調整し端末まで実装する支援
LoRAは、
01/概要
LoRAとは:AIの本体は変えず、小さな追加部品だけを学習して、業務に合わせる調整手法
LoRA(ローラ、
QLoRA
はじめに、
重み
AIが学習で
ファインチューニング(追加学習)
できあがった
アダプタ
LoRAで
量子化(軽量化)
AIの数値を
次の図はモデル全体を
LoRAを使うメリット
少ない設備と時間で調整できる
学習するのは
業務の書き方・言い回しをそろえられる
報告書の書式、
本体を残したまま、部品を差し替えられる
元のモデルは
端末で動く小型モデルと相性がよい
SLMにLoRA/QLoRAで
当社はこの
02/注目される背景
AIが大きくなるほど、 「全体を学び直す」調整が現実的でなくなった

生成AIを
一方で、AIモデルが
2023年には、
こうした手法は、
さらに、Phiのような
03/仕組み
データを整え、アダプタを学習し、 軽量化して端末に届ける4つの工程

LoRAの
調整の質を左右する、3つの見どころ
同じLoRAでも、
学習と軽量化を同じ流れで
Microsoft Oliveを
04/使いどころ
書式・用語・判断の「業務のくせ」を、 通信に頼れない現場で使う

LoRAが
製造業の個別の
05/当社の支援内容
適用診断から、学習、端末実装、 運用と内製化まで
LoRAは、
06/当社の特長
学習して終わりにせず、 業務の端末で動く品質まで仕上げる
学習から端末実装までを、一続きで検証
LoRA/QLoRAでの
文章だけでなく、画像を扱うモデルまで
テキストに
現場で使うための、オフライン実装の実績
オフラインで
Microsoftの基盤で、設計と運用までつなぐ
Microsoft Foundry、
設定の選び方や
07/取り組み事例
調整からエッジ配信までの共同検証と、 オフライン端末への実装
LoRA/QLoRAを

東京エレクトロン デバイス:調整からエッジ配信までの共同検証
Microsoft Oliveに

日本航空:機内オフラインで動く引き継ぎレポートづくり
客室乗務員が
富士通の公開事例はこちらをご覧ください。
08/顧客価値
課題から価値までのつながり
LoRAに
回答の書式や言い回しがばらつく
回答例から
機密データを社外に出せない
小型モデルを
通信が届かない現場で使いたい
量子化して
調整のコストと時間を抑えたい
小さなアダプタだけを
拠点や業務ごとに使い分けたい
本体はそのままに、
社内で調整を回せるようにしたい
学習データの
09/想定ROI
定型報告書の作成時間で見る、 削減効果の試算
社内の定型報告書を、
10/導入ステップ
適用診断から社内展開までの5つのステップ
11/他の手段との違い
変えたい中身で選び分ける: 知識の更新はRAG、書き方の調整はLoRA
LoRAは
最新の社内文書を参照して答えさせたい
文書を検索して
書式・言い回し・判断の基準をそろえたい
LoRAが
基礎的な能力から変えたい
モデル全体の
LoRAと
12/ガバナンス・運用
学習データとモデルの扱いを、 運用の決めごとにする

自社のデータで
学習データの扱い
個人情報や
元のモデルの利用条件
調整に使う
評価の基準と見直し
良い回答の
版管理と差し戻し
アダプタを
13/当社について
Microsoftの基盤で、 AIの設計から実装までを担う


現場での実装は、X-Tech FDE
14/はじめ方
適用診断と、小さな試作から
はじめは対象の
1. 適用診断(目安:数日)
LoRAが
2. 小さな試作
少ない回答例で
3. 効果検証(PoV)
現行の作業時間と
15/関連ソリューション
モデル、基盤、現場、運用をつなぐ関連サービス
16/よくあるご質問
LoRAの活用に関する疑問
LoRAによる業務特化AIを、適用診断から相談する
次のような



