定義
学習データキュレーションとは、AIモデルの学習に使うデータを収集・選別・クレンジングし、品質と多様性を高めて学習に適した状態に整える一連の作業のこと。
学習データキュレーション (Data Curation)とは（詳しく解説）
学習データキュレーションは、大規模言語モデルや画像生成モデルの事前学習・ファインチューニングに用いるデータセットの品質を高めるための工程を指す業界標準の概念で、重複除去、ノイズ除去、著作権・ライセンスの確認、バイアスの検出と是正、ラベルやアノテーションの品質チェックなどが含まれるとされる。単にデータ量を増やすのではなく「質の高いデータをどれだけ集められるか」がモデル性能を左右するという考え方が2026年の実運用では広く浸透しており、データの量よりも多様性と正確性を重視する傾向が強まっているとされる。現場でのコストの落とし穴としては、キュレーションの自動化を進めても人手によるレビューを完全に代替できず、専門ドメインのデータほどアノテーションの相場感が高く、外部委託を含めた予算確保が必要になりやすい点が挙げられる。また、著作権リスクのあるデータを十分に排除しないまま学習に使うと、後から大規模な再学習が必要になるケースもあるとされ、事前のデータガバナンス設計が重要だと指摘される。ツール選びの現場では、パイプライン全体を自動化できるか、既存のデータ基盤と連携できるかが選定基準になりやすい。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「学習データキュレーション (Data Curation)とは」 https://aipicks.jp/glossary/data-curation
学習データキュレーション (Data Curation)の使用例
- 医療特化LLMの学習データから個人情報を含む記述を自動検出し除外するフィルタリング処理は、キュレーションの一例とされる。
- オープンソースのコーパスから重複ドキュメントをハッシュ照合で除去する処理も、代表的なキュレーション手法の一つとされる。
