このLLMをより賢くするにはいくつか方法があります。その一つは、解きたい問題に関する事例を学習させることです。この学習のことをファインチューニングと呼びます（微調整や広い意味では転移学習とも呼ばれます）。たとえば、評判分析で考えると「サービスは最高！」という文とそのときの接客の評価値が「☆5つ」のような事例です。与える事例が多ければ多いほど、LLMはその問題に対して賢くなります。しかし、そのような事例を人手で作るのは大変です。そこで、事例そのものをLLMに作ってもらったり、今ある事例から似たようなものを作ってもらう技術があります。これをデータ拡充（Data augmentation）と言います。どのようにデータ拡充をすれば、良いモデルが学習されるかの研究が行われています。

　また、LLMはファインチューニングしなくても、いくつか事例を教えると、それに倣って、上手く処理できるようになることが知られています。文脈内学習（In-Context Learning）と呼ばれる機能です。人間も良い事例を教えてもらえれば特定の問題に上手く対応できるように、良い事例を与えれば、LLMの精度も良くなります。では、どういうものが良い事例なのでしょうか？それには現時点では明確な答えはありません。膨大なデータからそのデータの代表的な事例を選び出したり、今処理したい事例に似ているものを選んできたり、難しい事例を探してきて学習してもらったり、色々なアプローチがあり、日々研究されています（図を参照）。

　LLMに関することで「ハルシネーション」という言葉を聞いたことがある人もいるかも知れません。事実とは異なる情報などを生成してしまう問題です。この問題に対応するためには、LLMの出力がハルシネーションを起こしていないかを判断する技術が必要です。そのような技術（モデル）を開発するには、前述のファインチューニングのためのデータが必要になってきます。「事実とは異なる」といっても、その種類は様々です。単に誤った情報以外にも、誇張であったり、複数の意見がある場合に特定の意見だけをあたかもそれだけしかないように表現してしまうのも一種のハルシネーションです。このような様々なハルシネーションに対応するためのデータ作成も重要な研究課題です。