事前学習したAIモデルをベースに学習を追加し、モデルのネットワークの全体または一部のパラメータの調整や結果の出力層を新たに設定するなどして、目的とするタスクに適応できるようにすること。

追加の学習では目的のタスクに応じた新たなデータセットを学習させ、AIモデルの入力層から出力層へ到る各ノードの重み付けパラメータの一部もしくは全体の調整により新たなAIモデルを作成する。すでに学習済みのAIモデルを使用しているため、特定のタスクに関連した訓練データだけを用意すればよく、必要となるデータ規模および訓練時間を少なく抑えることができるが、学習済みモデルを動かすだけの高性能のハードウェア等の計算基盤が必要である。また、追加学習データの扱う分野やデータ形式が元のデータと大きく異なっている場合、学習がうまくいかないことも多いため注意が必要である。

ファインチューニングは、使用する事前学習済みモデルで設定されているパラメータの値を調整する必要がある場合に行われ、パラメータを固定したまま学習可能である場合は転移学習が行われる。実施例に事前学習済みの自然言語処理モデルに喜びや怒りなどの感情とその感情起因要因を追加学習させた感情推定モデルなどがある。