📝 実践へのBridge講座 第4回|学びの記録
📢「今回は医療カルテを使った症例抽出LLMを学習します。」
その一言を聞いた瞬間、
なんだか、とてつもない世界に足を踏み入れる予感がしました。
今夜のLLM講座は、
東京大学 松尾研 LLMコミュニティ主催の【実践へのBridge講座 第4回】
テーマは、
Google Colab の無料枠でも作れる “オリジナルLLMの開発”。
AI実装初心者の私にとって、
「え、そんなことできるの?」という驚きから始まった回でした。
🔹医療カルテの文章を “AIが覚えやすい形” に整える(構造化)
最初の作業は、医療カルテの自由記述を
AIが理解しやすい JSON形式に変換する(構造化する)ことでした。
正直、最初は「なぜJSONにするのだろう?」と疑問でした。
でも実際に変換作業を進めてみると、
情報が抜けにくい
AIが読みやすい
学習データとして扱いやすい
という理由がすぐに腑に落ちました。
このとき初めて、
“構造化=AIに覚えさせるための下ごしらえ”
という意味が体感として理解できた気がします。
🔹LLMに記憶を追加する(Finetuning)
次のステップは、整えたデータを使って
オープンソースLLMに追加学習(Finetuning)を行う工程でした。
LoRA の設定や、Unsloth による高速化など、
普段触れることのない技術がたくさん出てきましたが、
流れの中にいると自然と理解が進んでいきました。
特に印象に残ったのは、
Finetuningとは、“AIに新しい記憶を追加すること”
プロンプトの延長線ではなく、モデル自身の理解が深まる
という感覚です。
この理解で、
「AIに方向性を指示する」のと
「AIに経験として学ばせる」の違いがはっきり分かりました。
🔹学習前後の成績を比べる(評価)
学習が終わったら、次は 評価 の工程です。
学習前のモデル
学習後のモデル
を同じ条件で比較し、
どれだけ正確に JSON を抽出できるようになったかをテストします。
これはまさに、
AIの習熟度テスト そのものだと感じました。
「ちゃんと賢くなってる…!」
という瞬間が見えるのは、静かに感動がありますね。
🔹RAGとの違いに気づいた瞬間(講座外の学び)
今回の講座ではRAG(検索拡張生成)についての説明はありませんでしたが、
受講中の質問がヒントになって、私はひとつ大きな理解にたどり着きました。
「単語抽出ならWordのほうが早いのでは?」
このとき私は、
もしAIを利用して“ただ検索して取り出すだけ”なら RAG の方が簡単なのでは?
と思いました。
そこからいろいろ考えた結果、
RAG = 本棚に情報を置いて必要なときに読み込む
Finetuning = AIの記憶そのものを増やす
そして、ここで完成したデータを、さらに次のプログラムに渡すなら、
いちいち本棚の往復をしなくて済む、
ランニングコストの低いFinetuningが一番いいのかもなぁ。という結論にたどり着きました。
この“腑に落ちる感覚”(aha moment)が、今日一番の学びだった気がします。
🔹5. 今日のまとめ(ゆうころ)
データを整える意味
AIに経験として学ばせる工程
学習後の変化を確かめるプロセスそのひとつひとつが、
“AIに何かを教えるとはこういうことなんだ”とわかる瞬間の連続でした。
そして、RAGとFinetuningの違いを自分で感じ取れたのも、今日の大きな成果でした。
必要な情報を棚から取り出す RAG
AIの中の記憶そのものを増やす Finetuningどちらが良い/悪いではなく、「目的に応じてどちらを選ぶか」が大事なんだな、と落ち着いて理解できた気がします。
🔹8. おわりに
今日は、ただ技術を学んだだけではなく、
“AIが学ぶということ” を、自分の感覚ごと掴めた夜 でした。
「実装へのBridge講座」について(新シリーズのはじまり)
この講座、実は前回まで違う名前の単発イベントでしたが、
今回から、この講座シリーズには正式な名前がつきました。
その名も 「実践へのBridge講座」。
対象は、AIをこれから実装していきたい初心者層。
そしてゴールは、自分の手でプロダクトを構築できるようになること。
これまで試験的に開催されてきたイベントと合わせると、今回で第4回になるそうです。
修了証も出るとのことで、
「学びの足跡がしっかりと残る」という実感が持てて、なんだか嬉しかったです。
これからも、ゆっくりとそして着実に、
自分の事業やプロジェクトの中にこの学びを溶かし込んでいきたいです。
焦らず一歩ずつ。そうすればきっと、また次の扉が開くはずだと思っています。
今日もしっかり勉強した!
おやすみなさいっ。