Unslothで追加学習を社内で試す方法|誰に許すかを先に決める

Unslothで追加学習を社内で試す方法|誰に許すかを先に決める

「コードが書けなくても、画面から追加学習ができる道具が出たらしい。うちの部署でも試していいか」「自分のパソコンで回すなら社外にデータは出ないのだから、申請はいらないのではないか」——こうした相談が、情シスやAI導入の担当者のところに届き始めています。相談の中身はもっともですが、手元で回せることと、誰がやってもよいことは別の話です。手元で回せば外に出ないものは確かに増えますが、学習に使ったデータ、途中の結果、書き出したモデルという、管理すべきものが社員の端末に残ります。この記事では、オープンソースの追加学習の道具 Unsloth と、2026年3月にベータ版が公開された画面版の Unsloth Studio を題材に、社内で試すときに誰に何を許すかを、よく起きる五つの場面に沿って整理します。追加学習そのものの仕組みや、追加学習と検索で渡す方式の選び方は別の記事で扱っています。


カメ先生カメ先生

画面から追加学習ができる道具は、手元で動くから安全で、申請もいらないと思われがちなんだ。でも本当は、手元に残るものが増えるぶん、誰に許すかを決める仕事が増えるんだよ。


カメ子カメ子

外に出ないなら安全、とは言い切れないということですか。


カメ先生カメ先生

外に出ないのは入力と学習の計算だね。でも学習に使った社内データの写し、出来上がったモデル、それを誰に配ったかは、全部その人の端末に残る。それに設定次第で外に出る道もある。


カメ子カメ子

道具の性能より、使う人と残るものの管理が先なんですね。


この記事のポイント
  • Unsloth の本体は Apache 2.0、Studio の画面などの一部は AGPL-3.0 と二つのライセンスに分かれる。元モデルのライセンスは別に確かめる
  • Studio は手元で動き、公式は利用状況の収集をしないと説明する。ただし学習データの作成で外部の生成AIを使う設定や、遠隔アクセスの機能では外に出る
  • 試す・社内で使う・配る、の三段階で許す人を分け、出来たモデルの検収と配布の承認、作り直しの線、やめ方を先に決める

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

目次

Unsloth とは:追加学習を速く、少ないメモリで回すオープンソース

Unsloth は、公開されている大規模言語モデルに自社のデータで追加学習をさせる作業を、速く、少ないメモリで行うためのオープンソースの道具です。GitHub の公開リポジトリは2026年11月時点で約7万9千の星を集めており、追加学習の道具としては広く使われているものの一つです。

公式の説明では、500を超えるモデルの学習に対応し、文章のモデルだけでなく、画像を読むモデル、音声を作るモデル、検索用の埋め込みモデルも扱えるとしています。学習のやり方も、一部だけを軽く学習させる方式から、全体を学習し直す方式、強化学習まで幅広く用意されています。公式は、速さは約2倍、使うメモリは約7割少なく、精度は落とさないと説明していますが、これは同社の測定による数字で、自社の機材とデータで同じになるとは限りません。

これまでの Unsloth は、主に技術者がプログラムから呼び出して使う道具でした。2026年3月に、その状況を変える画面版が登場します。

2026年の動き:3月の Studio ベータと、秋の頻繁な更新

2026年3月17日、Unsloth は Unsloth Studio のベータ版を公開しました。公式の発表では、コード不要の画面で、モデルの学習・実行・書き出しを一つの場所で行える道具と説明しています。手持ちの PDF や表計算のファイル、文書ファイルから学習用のデータを作る「データレシピ」の機能も入っています。

その後も更新は続いています。GitHub の公開記録では、2026年10月から11月にかけて数日おきにベータ版が出ており、11月3日にも新しい版が公開されました。更新の中には、サンドボックスの外で道具を動かす許可を外部の連携から出せないようにする修正や、遠隔アクセスを始めると公開の接続先が開くことを画面で明示する修正など、安全面の変更も多く含まれます。

導入の形も増えています。会話の機能だけを入れる軽い導入形が用意され、11月3日の版では、そうして入れた環境に後から学習の機能を足せるようになりました。最初は会話だけのつもりで入れた端末が、後から学習の端末に変わり得るということです。許可の判断は、どの導入形を入れたかではなく、どの機能を使うかで行う必要があります。

更新が速いことは、道具が活発に育っている証拠です。同時に、社内で使うなら、どの版を使うかを固定し、更新を誰が判断するかを決めておかないと、部署ごとに違う版が動くことになります。ベータ版であることも含めて、本番の業務を任せる段階ではない、と考えておくのが妥当です。

二つのライセンス:本体は Apache 2.0、Studio の画面は AGPL-3.0

社内に入れる前に、まずライセンスを原文で確かめてください。GitHub の説明書きでは、Unsloth は Apache 2.0 と AGPL-3.0 の二つのライセンスを使い分けるとしています。中心となる本体のパッケージは Apache 2.0 のままで、Studio の画面など一部の任意の部品は AGPL-3.0 だ、という記載です。

社内で試すだけなら、どちらのライセンスでも大きな問題になることは少ないでしょう。気をつけたいのは、Studio を改造して、社外の人も使えるサービスとして提供する場合です。AGPL-3.0 は、改変した物をネットワーク越しに提供するとき、その改変部分の元のコードを利用者に示す義務がかかる条件として知られています。社内の誰かが善意で手を加え、取引先向けに公開する、という流れは十分にあり得ます。法務と情シスで、改変と社外提供の扱いを先に決めておきましょう。

もう一つ重要なのは、Unsloth のライセンスと、学習させる元モデルのライセンスはまったく別だということです。この点は、後の場面4で詳しく扱います。

場面の前提:画面から学習できると、誰でも始められる

ここからは、Studio を社内で試すときに実際に起きやすい五つの場面に沿って、誰に何を許すかを考えていきます。

前提として、Studio は個人の端末に入れて使う道具です。公式の説明では、ウィンドウズ、Linux、マック、ウィンドウズ上の Linux 環境で動き、学習には主に NVIDIA の画像処理装置を使います。インストールは数行の命令か専用の配布物で済むため、情シスが知らないうちに、部署の誰かの端末で学習が始まっていることが起こり得ます。

公式の文書によれば、マックでは主にチャットとデータレシピが使え、学習の対応は広がりつつある段階です。画像処理装置を持たず中央処理装置だけの機材では、チャットとデータレシピに限られるとされています。学習まで回せる機材を持つ社員は、実際にはそれほど多くないはずです。逆に言えば、学習用の機材をどこに何台置くかを情シスが決めれば、許可の対象をかなり絞り込めます。

つまり、許可の仕組みを作る前に、まず「今、社内のどこで動いているか」を把握することが出発点です。端末管理の仕組みで導入状況を調べられるなら、試行の受付を始める前に一度確かめておくと、後の議論が現実に即したものになります。

場面1:マーケ担当が「自分のパソコンで試したい」と言ってきた

最初の場面は、マーケの担当者が、問い合わせの分類や、自社の言い回しに合わせた文章の下書きを作る小さなモデルを試したい、と相談してきたケースです。公式の説明では、Studio は「完全に手元で、通信なしでも使える」とされ、利用状況の収集はせず、互換性のための最小限の機材情報だけを集めると明記されています。

この説明を前提にすれば、公開されている例題のデータや、社外に出ても問題のない自社の公開資料で試すことは、比較的許しやすい範囲です。ただし、許す前に確かめるべきは、その端末に何が入っているかです。端末の暗号化、共有の設定、バックアップの行き先によっては、学習に使ったデータが別の場所へ写ります。

  • 使うデータは、社外に出ても問題のない範囲か(公開資料・例題のデータ)
  • 端末の暗号化と、学習データを置くフォルダのバックアップ先
  • 使う版を記録し、勝手に更新しない約束
  • 試した結果を誰に報告し、どの時点で終わりにするか

この段階は「試す」であって「使う」ではありません。試した結果を業務に使いたくなったら、次の段階の許可に進む、という線を最初に伝えておくことが大切です。

場面2:社内文書から学習データを作る

二つ目の場面は、データレシピの機能で、社内の PDF や表のファイルから学習用のデータを作ろうとするケースです。公式の文書によれば、データレシピは NVIDIA の NeMo の部品を土台に、元の文書を切り分け、生成AIで問いと答えの組などを作らせ、検査の部品で不良を除く、という流れを画面上で組み立てる仕組みです。

ここで見落とされがちなのが、データを作らせる生成AIをどこに置くかです。公式の文書では、作成に使うモデルは、外部の提供者、社内に立てた実行環境、互換の窓口を持つ任意のサービスから選べるとしています。つまり、外部の提供者の生成AIを選べば、切り分けた社内文書はその提供者へ送られます。手元で動く道具の中で、ここだけは外に出る道になり得るのです。

  • 社内規程の PDF を丸ごと読み込ませ、外部の生成AIで問いと答えを作らせる
  • 顧客とのやり取りの記録から、個人名を消さずに学習データを作る
  • 作ったデータを、人が一行も読まずにそのまま学習に回す
  • 作ったデータを公開の共有場所に上げる設定を、意味を知らずに有効にする

データレシピには、作ったデータの不良を除く検査の部品もあります。ただし公式の文書で示されている検査は、作らせたプログラムの文法を確かめる種類のものが中心です。文章の中身が事実として正しいか、社外秘が混じっていないかを機械が判定してくれるわけではありません。検査の部品を入れたから安心、と考えないことが大切です。

公式の文書は、作成したデータを試しに数行だけ出して確かめ、指示を直してから本番の作成に進む流れを用意しています。この「試しに出した数行」を、業務の担当者が読んで、事実の誤りや社外秘の混入がないかを確かめることを、許可の条件に入れてください。

場面3:出来たモデルを部署に配りたい

三つ目の場面は、試した結果がよかったので、部署の全員に配りたい、という相談です。Studio は、学習したモデルを、手元の実行環境で動かせる形式や、一般的な重みの形式で書き出せると公式は説明しています。書き出したファイルを共有フォルダに置けば、技術的には誰でも使えるようになります。

ここが、許可の段階を一つ上げるべき場所です。自分が試すことと、他人に使わせることでは、負う責任がまったく違います。出来たモデルが誤った案内をしたとき、配った人が説明できなければなりません。配る前の検収では、業務の担当者が自分たちの問いで試し、合格の線を満たしたかを記録します。検収の作り方そのものは評価の体制を扱う記事に詳しいので、ここでは検収した人と配布を承認した人の名前を、モデルのファイルと一緒に残すことを押さえてください。

書き出したモデルは、Ollama などの一般的な実行環境でも動かせると公式は説明しています。さらに Studio は学習の履歴を保存しており、過去の学習から何度でも書き出し直せます。便利な反面、配った版と、担当者の手元で書き出し直した版がずれるおそれがあります。配る版は一つに決め、手元で作り直したものは検収を経るまで配らない、という約束が必要です。

STEP1
検収の問いを決める

業務の担当者が、実際の業務から抜き出した問いと、合格の線を用意する。

STEP2
元のモデルと比べる

追加学習の前のモデルと同じ問いで比べ、良くなった点と悪くなった点を両方書く。

STEP3
配布を承認する

部署の責任者が、使ってよい業務と使ってはいけない業務を書いた上で承認する。

STEP4
版と置き場所を固定する

配る版に名前を付け、置き場所を一か所に決め、古い版を消す手順も書く。

場面4:元モデルのライセンスを確かめていなかった

四つ目の場面は、配った後になって、学習の元にしたモデルのライセンスに条件があったと分かるケースです。Unsloth が対応する元モデルは多くの会社が公開したもので、それぞれ別のライセンスを持っています。Studio の更新記録にも、公開の配布場所から取得できることと、モデルのライセンスは別だ、という趣旨の説明を画面に加えた変更があります。

元モデルの条件には、会社の規模や用途による制限、出来上がったモデルの名前の付け方、利用規約への同意の要否など、いろいろな形があります。Unsloth が Apache 2.0 でも、元モデルの条件は引き継がれると考えて、配る前に法務の確認を入れてください。

実務では、使ってよい元モデルの一覧を、情シスと法務が先に作っておくのが効率的です。一覧にないモデルを使いたい場合だけ個別に相談する形にすれば、毎回の確認の手間が減り、確認漏れも防げます。

元モデルの取得先として多く使われるのは、モデルの公開と共有の場である Hugging Face です。公式の文書によれば、データレシピで作ったデータも、任意で Hugging Face の保管場所に公開できます。取得と公開が同じ場所で、同じ画面からできるため、取得のつもりで作った接続が、公開にも使える権限を持っていることがあります。共有の場の会社の資格を誰が持ち、公開の操作を誰に許すかも、元モデルの一覧と一緒に決めておくと、うっかりの公開を防げます。個人の資格で接続する運用なら、少なくとも会社のデータを公開の保管場所に上げないことを、試す段階の約束に入れておきます。

場面5:遠隔アクセスと、コーディングエージェントからの利用

五つ目の場面は、学習用の機材が置いてある部屋の外から Studio を使いたい、あるいは開発者が手元のコーディングエージェントから Studio を呼び出したい、というケースです。公式の説明では、Studio は外部の中継サービスを通じた暗号化接続で遠隔から使える機能を持ち、Claude Code や Codex などからAPIの窓口として使えるとしています。2026年10月には、MCPを通じてコーディングエージェントからモデルの読み込みや学習、書き出しまで行えるようになりました。

この機能を使うと、「手元で動くから外に出ない」という前提が崩れます。遠隔アクセスを有効にすれば、社外から接続できる入り口が開きます。公式も、遠隔アクセスを始めると公開の接続先が自動で開くことを画面で明示する修正を加えています。エージェントから学習まで動かせるなら、そのエージェントに渡した鍵の権限が、学習データとモデルの両方に及びます。

公開の更新記録を見ると、この部分の安全面の手当ては秋にかけて続いています。10月には、外部の連携に渡す鍵を作るときの有効日数に上限を設ける修正、外部から鍵で呼び出された処理がサンドボックスの外での実行を自分で許可できないようにする修正、調べものの問いに含まれた認証情報を伏せる修正などが入りました。修正が続いているのは誠実さの表れであると同時に、まだ固まっていない領域だという合図でもあります。社内で許すなら、更新記録を誰が読み、どの修正が入った版から許すかを決めておきましょう。

  • 遠隔アクセスとエージェントからの利用は、初期の試行では許可しない運用にしておく
  • 許す場合は、鍵の有効期限、使える機能、呼び出しの記録の置き場所を決める
  • サンドボックスの外でのコード実行は、画面からしか許可できない設計になっている。この設定を緩めない

手元で回すと、外に出ないもの・残るもの

ここで、手元で回すときの情報の流れを整理しておきます。外に出ないのは、学習と実行の計算そのもの、画面への入力、手元の実行環境で作ったデータです。公式は利用状況を集めないと説明しています。一方で、外に出る可能性があるのは、データレシピで外部の生成AIを選んだとき、作ったデータやモデルを公開の共有場所に上げたとき、遠隔アクセスを有効にしたとき、そして元モデルを最初に取得するときの通信です。

もう一つ、チャットの機能にも注意が要ります。公式の発表では、Studio のチャットはウェブ検索と、サンドボックスの中でのコード実行に対応しています。ウェブ検索を有効にすれば、問いの一部が検索のために外へ出ます。社外秘を含む問いを投げる使い方をするなら、検索を切っておく運用を、試す段階から約束にしておきましょう。

見落とされがちなのは、残るものの方です。学習に使ったデータの写し、学習の途中経過の保存、学習の履歴、書き出したモデルのファイルが、端末の中に残ります。公式は学習の履歴を保存して後から見直せると説明しています。便利な機能ですが、端末を返却したり、担当者が異動したりするときに、これらを誰が消すのかを決めておかないと、社内データの写しが行方不明になります。

端末の回収手順に、学習関連のフォルダの確認と消去を一行加えるだけでも、多くの事故は防げます。部署で一台の学習用の機材を共有する運用にすれば、管理する場所を一か所に絞れます。

個人情報と、学習データの持ち出し

追加学習のデータに個人情報が入ると、管理の難しさが一段上がります。学習の後で、モデルが学習データの一部を覚えていて、似た問いに対してそのまま答えてしまう可能性があるからです。一度モデルに覚えさせた情報は、モデルを作り直さない限り、きれいに消すことができません。

このため、学習データには最初から個人情報を入れないのが基本です。顧客の名前、連絡先、担当者の名前は、データを作る前に消すか置き換えます。問い合わせの記録を使う場合も、個人を特定できる部分を除いた上で、業務の担当者が抜き取りで確認します。社内の個人情報の取り扱いの規程で、学習への利用が想定されているかも、法務に確かめておくべき点です。

持ち出しの面では、学習データを個人の端末に置くこと自体を、社内の情報の持ち出しとして扱うかどうかを決めておきます。持ち出しにあたるなら、通常の申請の流れに乗せればよく、新しい仕組みを一から作る必要はありません。

誰に許すか:三つの段階で権限を分ける

五つの場面を踏まえて、許可を三つの段階に分けて整理すると、次のようになります。段階が上がるほど、扱えるデータと、影響が及ぶ範囲が広がります。

段階許す範囲許す人条件
試す公開資料・例題のデータで、自分の端末で学習部署の責任者版の固定・期限・報告先
社内で使う社外秘のデータで学習し、自分の業務で使う部署の責任者と情シス個人情報を除く・外部の生成AIを使わない・端末の暗号化
配る出来たモデルを部署や全社に配る業務の責任者と法務検収の記録・元モデルの条件の確認・置き場所の固定

遠隔アクセスとエージェントからの利用は、どの段階でも個別の承認にします。表に載せない機能を「既定では許さない」と明記しておくと、新しい機能が更新で追加されたときにも扱いがぶれません。AIに判断させないのは、どの段階に入るかの判定そのものです。申請の内容を読んで段階を決めるのは、データの中身を知る人の仕事です。

一台の学習用の機材を部署で共有する場合は、ログインの管理も確かめておきます。公式は、暗号化したパスワードと鍵の発行による認証の仕組みを持つと説明していますが、公式の文書で複数の利用者を前提にした権限の分け方は確認できませんでした。共有の機材では、誰がいつ何を学習させたかを、道具の外の台帳で残す前提で運用を組むのが安全です。

作り直しの線:いつ学習をやり直すか

追加学習したモデルは、作った時点の元モデルと、作った時点のデータに縛られます。元モデルに新しい版が出たとき、社内の規程や商品が変わったとき、作ったモデルは古くなります。それを放置すると、古い情報で答えるモデルが、社内で使われ続けることになります。

作り直しの線は、配る段階の承認のときに一緒に決めます。たとえば、元にした文書の改訂、検収の問いでの合格率の低下、元モデルの提供元による更新や条件変更、のどれかが起きたら作り直しを検討する、という形です。作り直さないと決めたなら、そのモデルの利用をやめる日を決めるのも同じくらい大事です。使わなくなったモデルが共有フォルダに残り続けると、誰かが古い版を使ってしまいます。

追加学習を始める前の打ち切りの条件や、学習を軽くする仕組みそのものは、別の記事で詳しく扱っています。ここでは、作った後の線も、作る前に決めておく、という点を押さえておいてください。

費用の増え方とやめ方

Unsloth と Studio は無料で使えるオープンソースです。公式の文書では、無料のクラウドの学習環境でも、パラメータ数が220億程度までの多くのモデルを学習・実行できるとしています。ただし、社内データを外部の無料環境に上げるのは、ここまでの議論と矛盾します。社内データで学習するなら、画像処理装置を積んだ機材を社内に用意する費用が、最初の大きな出費になります。無料の外部環境は、公開資料だけで手順を覚える試す段階に限って使い、社外秘のデータを扱う段階に進んだら社内の機材に切り替える、という線を引いておくと判断に迷いません。

見落とされがちなのは人の時間です。データを作り、抜き取りで読み、検収の問いを用意し、配布を承認し、作り直しを判断する。費用の大半は、道具ではなく、この確認の手間に出てきます。試す段階で、1本のモデルを作って検収するまでに何時間かかったかを記録しておくと、広げるかどうかの判断材料になります。

やめ方も先に決めておきます。Studio をやめても、書き出したモデルは一般的な形式なので、他の実行環境で動かし続けることはできます。やめるときに必要なのは、配ったモデルの回収と、端末に残った学習データの消去です。配布の記録が残っていれば、どこに何を回収しに行けばよいかが分かります。逆に、配布の記録がなければ、やめることすらできません。

許可する前の確認項目

最後に、Studio の試行を許可する前に、情シスとAI導入の担当者が確かめておく項目をまとめます。全部が埋まらなくても、空欄の項目が、まだ決まっていない論点を示してくれます。

  • 社内のどこで、どの版がすでに動いているかを把握したか
  • 試す・社内で使う・配る、の三段階と、それぞれの許可者を決めたか
  • Studio の画面部分が AGPL-3.0 であることと、改変・社外提供の扱いを法務と決めたか
  • 使ってよい元モデルの一覧を作ったか
  • データレシピで外部の生成AIを使うことを、どの段階で許すか決めたか
  • 学習データから個人情報を除く手順と、抜き取りで読む担当を決めたか
  • 遠隔アクセスとエージェントからの利用を、既定で許さないことにしたか
  • 検収の記録と配布の承認を、モデルのファイルと一緒に残す形にしたか
  • 作り直しの条件と、利用をやめる日の決め方を書いたか
  • 端末の返却や異動のときに、学習関連のフォルダを消す手順を回収の手順に入れたか

この確認項目は、Unsloth に限らず、画面から追加学習ができる道具が増えていく中で、同じ形で使い回せるはずです。道具の名前が変わっても、誰に何を許すかという問いは変わりません。

まとめ

Unsloth は、追加学習を速く、少ないメモリで回すオープンソースで、2026年3月の Studio ベータの公開により、コードが書けない社員でも画面から学習を始められるようになりました。手元で動き、利用状況を集めないという説明は、社内で試す上で大きな安心材料です。それでも、データレシピで外部の生成AIを使う設定、遠隔アクセス、エージェントからの利用では外に出る道があり、学習データの写しやモデルは端末に残ります。本体と画面で分かれる二つのライセンス、元モデルの条件、出来たモデルの検収と配布の承認、作り直しとやめ方。これらを、試す・社内で使う・配る、の三段階に分けて許す人を決めてから始めれば、画面から学習できる手軽さを、管理できる形で社内に取り込めます。

※本記事にはAIが活用されています。編集者が確認・編集し、可能な限り正確で最新の情報を提供するよう努めておりますが、情報の完全性、正確性、最新性、有用性等について保証するものではありません。本記事の内容に基づいて行動を取る場合は、読者ご自身の責任で行っていただくようお願いいたします。

うちの業務、AIで何が自動化できる?

「AIで何ができるかは分かったが、自社の業務のどこに使えるのかが分からない」という段階の方へ。30業務の判定と5つの実務例から、最初に自動化する1業務を選ぶための無料ガイドです。

運営会社:株式会社デボノ

目次