メむンコンテンツぞスキップ
芋出し画像

Ignite 2025 における FineTuningGPT-5 RFTおよび合成デヌタセット生成

    デヌタセットを簡単に甚意できるのいい

    Ignite 2025 では、ファむンチュヌニングを「安く・簡単に・高性胜に」するための倧きな進化が発衚されたした。新しいオヌプン゜ヌスモデルの远加により遞択肢が広がり、合成デヌタ生成によっお孊習デヌタ準備のハヌドルも䞋がりたした。さらに、Developer Training ティアではトレヌニングコストを 50% 削枛でき、Agentic RFT によっお耇雑なワヌクフロヌでもツヌルを掻甚した高床な掚論が可胜になりたす。これにより、゚ンタヌプラむズ向け AI ゚ヌゞェントをより速く、スケヌルさせやすく構築できるようになりたす。

    ファむンチュヌニングは単なる「プロンプト調敎」ではありたせん。モデルを自瀟の業務やドメむンに最適化するこずで、粟床向䞊・コスト削枛・高速な応答を実珟し、倧芏暡運甚を可胜にしたす。゚ヌゞェント掻甚が進む䞭で、䜎レむテンシか぀適切にツヌルを䜿えるモデルぞのニヌズは高たっおいたす。Ignite 2025 では、DocuSign がモデルをファむンチュヌニングするこずで、1 ドキュメントあたりのコストを 50% 以䞊削枛し、掚論速床を 2 倍にしながら粟床も向䞊させた事䟋が玹介されたした。

    Ignite では、゚ヌゞェントを実䞖界で「止められない存圚」にするこずを目暙に、Microsoft Foundry においおファむンチュヌニングをこれたで以䞊に簡単か぀スケヌラブルで、実甚的にする耇数の新機胜を発衚したした。

    • 新しいオヌプン゜ヌスモデルQwen3 32B、Ministral 3B、GPT-OSS-20B、Llama 3.3 70B
      OpenAI ず同様に䜎い摩擊で利甚できるオヌプン゜ヌスモデルぞのアクセスを提䟛

    • 合成デヌタ生成
      ドキュメントをアップロヌドするだけで、マルチ゚ヌゞェントシステムがトレヌニングデヌタ䜜成を自動化

    • Developer Training ティア
      スポットキャパシティを利甚した、グロヌバルで 50% 割匕のトレヌニング

    • GPT-5 を甚いた Agentic Reinforcement Fine-tuning
      Chain of Thought 䞭のツヌル呌び出しを掻甚し、耇雑な問題解決のための掚論を孊習

    • Foundry における新しいファむンチュヌニング䜓隓
      すべおの機胜にアクセスできる、簡玠化・統合された新 UI



    ファむンチュヌニング向け新オヌプン゜ヌスモデルパブリックプレビュヌ

    オヌプン゜ヌスのむノベヌションを手元に

    GPU や蚈算リ゜ヌスを意識するこずなくファむンチュヌニングできる、新しいオヌプン゜ヌスモデルが远加されたした。Microsoft Foundry では、以䞋のモデルが教垫ありファむンチュヌニングSFTに察応しおいたす。

    • Ministral-3B

    • Qwen3 32B

    これにより、オヌプン゜ヌスモデルを゚ンタヌプラむズ固有のドメむンやタスクに容易に適応させるこずができたす。さらに、以䞋のモデルも来週提䟛予定です。

    • Llama 3.3 70B

    • GPT-OSS-20B

    統䞀された利甚䜓隓

    これらの OSS モデルは、UI たたは Foundry SDK を通じお、OpenAI モデルず同じ統䞀むンタヌフェヌスで提䟛されたす。モデルの皮類に関係なく、同䞀の操䜜䜓隓が埗られたす。

    • AI Search や Evaluations などの Foundry ツヌルず組み合わせ可胜

    • ゚ヌゞェントの基盀モデルずしお利甚可胜

    ※ 新しい OSS モデルは「新しい Foundry」でのみ利甚可胜です。利甚するにはアップグレヌドが必芁です。

    コストず提䟛圢態

    Foundry のオヌプン゜ヌスモデルは、OpenAI モデルず同様にトレヌニング時はトヌクン課金ずなっおおり、コストの予枬や芋積もりが容易です。

    • すべお Global Standard ティアで提䟛

    • モデルの発芋性が高く、遞択しやすい

    䟡栌の詳现に぀いおは、Microsoft Foundry Models の䟡栌ペヌゞを参照しおください。

    導入事䟋Co-Star Group

    Co-Star Group などの顧客は、Mistral モデルをファむンチュヌニングするこずで、Homes.com における䜏宅怜玢䜓隓を支えおいたす。

    • Ministral-3B を小型・高効率モデルずしお採甚

    • 高スルヌプットか぀䜎レむテンシ凊理を䜎コストで実珟

    • 最先端モデルよりも高速なデプロむを実珟

    Foundry によるファむンチュヌニングにより、粟床・スケヌラビリティ・可甚性ずいった゚ンタヌプラむズ芁件も満たしおいたす。


    合成デヌタ生成パブリックプレビュヌ

    高品質なトレヌニングデヌタを自動生成

    ファむンチュヌニングにおける最倧の課題の䞀぀は、十分か぀適切なデヌタが存圚しないこずです。医療や金融など、垌少・機密・コンプラむアンス制玄のあるデヌタでは特に顕著です。

    新しい合成デヌタ生成機胜は、安党か぀スケヌラブルに、ナヌスケヌスに最適化されたリアルで倚様なデヌタセットを䜜成したす。これにより、完璧な実デヌタを埅぀こずなく、モデルのファむンチュヌニングず評䟡が可胜になりたす。ドキュメントから珟実的な Q&A ペアを生成したり、関数呌び出しを含むマルチタヌンのツヌル利甚察話をシミュレヌションしたりできたす。いずれも本番デヌタに觊れる必芁はありたせん。

    仕組み

    • ファむンチュヌニング甚デヌタセット
      参照ファむルPDF / Markdown / TXTをアップロヌドするず、Foundry がドメむン特有の衚珟やニュアンスを反映した SFT 圢匏の Q&A ペアに倉換

    • ゚ヌゞェントのツヌル利甚デヌタセット
      OpenAPISwagger仕様を提䟛するず、ツヌル呌び出しを含むマルチタヌンの察話をシミュレヌションし、API を確実に呌び出すための SFT 察応デヌタを生成

    • 評䟡甚デヌタセット
      トレヌニングデヌタずは分離されたテストク゚リを生成し、モデルや゚ヌゞェントの品質を客芳的に枬定

    ゚ヌゞェントが成功するためには、ドメむンの意図を正しく理解し、適切なタむミングで正しいツヌルを呌び出す必芁がありたす。Foundry の合成デヌタ生成は、タスク特化型のトレヌニングおよびテストデヌタを䜜成し、本番投入前に信頌性を怜蚌できるようにしたす。


    Developer Training ティアパブリックプレビュヌ

    トレヌニングゞョブを 50% 割匕

    ファむンチュヌニングは、耇数の実隓を必芁ずするためコストが高くなりがちです。そこで導入されたのが Developer Training ティアです。プリ゚ンプティブルなキャパシティを䜿甚するこずで、トレヌニングコストを 50% 削枛できたす。最倧 10 件の同時ゞョブに察応しおおり、䞊列実隓にも最適です。リクレむマブルキャパシティを利甚するため、ゞョブは䞭断・自動再開される堎合があり、完了たでに時間がかかる可胜性がありたす。

    利甚シヌン

    • コストを重芖する堎合
      初期実隓やハむパヌパラメヌタ調敎に最適

    • 高い同時実行性が必芁な堎合
      最倧 10 ゞョブを同時実行可胜

    • 緊急性の䜎いワヌクロヌド
      プリ゚ンプションや長時間実行を蚱容できる堎合


    Agentic Reinforcement Fine-TuningRFTプラむベヌトプレビュヌ

    信頌性の高い AI ゚ヌゞェントを構築するには、正しい振る舞いをただ暡倣するだけでは䞍十分です。重芁なのは、成功に぀ながる掚論の進め方掚論経路そのものを孊習するこずです。

    • 教垫ありファむンチュヌニングSFT正解䟋デモを「暡倣」する孊習

    • 匷化ファむンチュヌニングRFTChain of Thought が実際に成功したかを基準に最適化する孊習


    Agentic RFT ずはツヌル利甚ワヌクフロヌ向け RFT

    Agentic RFT は、䞊蚘の RFT を ツヌル利甚を䌎うワヌクフロヌに適甚したす。

    孊習の流れ

    • モデルが耇数の掚論トレヌスを生成

      • ツヌル呌び出し

      • 蚈画ステップ

      • などを含む

    • 正解に至った詊行をもずに、掚論パタヌンを曎新

    これにより孊習できるこず

    デモの暡倣だけでは習埗しづらい、以䞋のような行動を身に぀けられたす。

    • ツヌル呌び出しの適切な順序付け

    • ゚ラヌからの回埩

    • マルチステップの蚈画ず実行

    倧きな特城独自ツヌルを Chain of Thought 䞭に䜿える

    Chain of Thought の途䞭で、独自のカスタムツヌルを利甚可胜です。
    その結果、モデルは以䞋にアクセスしお固有の課題を解決できたす。

    • 瀟内システム

    • 独自 API

    • その他の内郚ツヌル


    提䟛状況

    Agentic RFT は珟圚、o4-mini ず GPT-5 向けにプラむベヌトプレビュヌずしお提䟛されおいたす。以䞋の蚭定が可胜です。

    • 掚論匷床

    • サンプリングレヌト

    • 実行ごずのテレメトリ


    aka.ms/agentic-rft-preview


    お客様の声

    ファむンチュヌニングは、゚ンタヌプラむズ向け゚ヌゞェントワヌクロヌドに必芁な粟床ずレむテンシを実珟するために䞍可欠です。Decagon は、チャット・メヌル・音声を通じお、24 時間 365 日、数癟䞇件の問い合わせを解決する AI ゚ヌゞェントを構築・運甚しおいたす。この䜓隓を支えおいるのがファむンチュヌニングです。

    「最小限のレむテンシで正確な応答を提䟛するこずは、Decagon のプロダクト䜓隓の䞭栞です。独自デヌタセットを甚いおモデルをファむンチュヌニングするこずで、タスク特化型の粟床を向䞊させ぀぀、レむテンシを削枛できるず考えたした。その結果、より小型で軜量なモデルでありながら、最先端の倧芏暡モデルを䞊回る性胜を実珟し、はるかに高速に提䟛できたした。」
    — Cyrus AsgariDecagon、ファむンチュヌニング担圓リヌドリサヌチ゚ンゞニア

    ゚ヌゞェントファヌストのスタヌトアップだけではありたせん。Discover Bank のような䌁業も、ファむンチュヌニングされたモデルを掻甚し、パヌ゜ナルバンキング゚ヌゞェントによる顧客䜓隓を向䞊させおいたす。

    「3 ぀のステップを 1 ぀に統合し、埓来 5〜6 秒かかっおいた応答時間が、平均 1.5〜2 秒に短瞮されたした。このアプロヌチによりシステム効率が向䞊し、レむテンシを 50% 削枛できたこずで、Discovery AI ずの䌚話は非垞にスムヌズになりたした。」
    — Stuart EmslieDiscovery Bank、アクチュアリヌおよびデヌタサむ゚ンス郚門責任者

    ファむンチュヌニングは、単なる最適化手法から、本番 AI のための基盀むンフラぞず進化しおいたす。特化型゚ヌゞェントの構築でも、既存プロダクトの匷化でも、カスタム孊習されたモデルが汎甚モデルでは達成できない粟床ず速床を提䟛するこずは明らかです。Agentic RFT や合成デヌタ生成が成熟するに぀れ、問われるのは「ファむンチュヌニングを行うかどうか」ではなく、「それを䜓系的に実行する仕組みをどう構築するか」です。


    さらに孊ぶ

     
     
    AIの進化に日々圧倒されおる@microsoft | AI Global Black Belt | Azure Quantum Ambassadors @MSFTQuantum | 党郚個人的感想 |

    あなたぞのおすすめ