<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<oembed>
  <author_name>jbs_ytanada</author_name>
  <author_url>https://blog.hatena.ne.jp/jbs_ytanada/</author_url>
  <blog_title>JBS Tech Blog</blog_title>
  <blog_url>https://blog.jbs.co.jp/</blog_url>
  <categories>
    <anon>Azure AI Foundry</anon>
    <anon>Fine-Tuning</anon>
    <anon>LoRA</anon>
    <anon>LLM</anon>
    <anon>Azure AI</anon>
    <anon>AI</anon>
    <anon>GPT-4o</anon>
    <anon>Tech</anon>
    <anon>生成AI</anon>
  </categories>
  <description>現在、ChatGPTをはじめとする大規模言語モデル（LLM: Large Language Model）は、インターネット上に公開されている膨大な情報を基に学習されています。 しかし、企業が扱う特定分野（ドメイン）に特化した情報や機密情報は、一般には公開されていないことが多く、これらはLLMの学習データには含まれていません。 そのため、AIの企業導入ニーズが高まる一方で、企業特有の業務や専門的なタスクにおいて、汎用のLLMでは十分な精度が得られないという課題が存在します。 本記事では、こうした課題に対する解決策として、ドメイン特化型モデルのアップデート手法のひとつである LoRA（Low-Ra…</description>
  <height>190</height>
  <html>&lt;iframe src=&quot;https://hatenablog-parts.com/embed?url=https%3A%2F%2Fblog.jbs.co.jp%2Fentry%2F2025%2F05%2F22%2F095011&quot; title=&quot;Azure AI Foundryを活用したLLM最適化とファインチューニング実践ガイド - JBS Tech Blog&quot; class=&quot;embed-card embed-blogcard&quot; scrolling=&quot;no&quot; frameborder=&quot;0&quot; style=&quot;display: block; width: 100%; height: 190px; max-width: 500px; margin: 10px 0px;&quot;&gt;&lt;/iframe&gt;</html>
  <image_url>https://cdn-ak.f.st-hatena.com/images/fotolife/j/jbs_ytanada/20250325/20250325130308.png</image_url>
  <provider_name>Hatena Blog</provider_name>
  <provider_url>https://hatena.blog</provider_url>
  <published>2025-05-22 09:50:11</published>
  <title>Azure AI Foundryを活用したLLM最適化とファインチューニング実践ガイド</title>
  <type>rich</type>
  <url>https://blog.jbs.co.jp/entry/2025/05/22/095011</url>
  <version>1.0</version>
  <width>100%</width>
</oembed>
