公開2026.07.04更新2026.09.08 AI

ファインチューニングとは？LLMの追加学習の仕組み・RAGとの違いと使い分けを解説

Q: ローカルLLMでもファインチューニングできますか？

できます。むしろ ローカルLLM としてオープンウェイトモデルを自社環境で運用する場合、LoRAなどの軽量手法で自由に追加学習できることがローカル運用の利点の1つです。機密データを外部に出さずに学習できるため、データの社外送信が禁じられた業務ではローカルでの学習が唯一の選択肢になります。学習にはGPU環境が必要なので、モデル規模と手法に応じた機材の見積もりを先に行ってください。

ファインチューニングとは？LLMの追加学習の仕組み・RAGとの違いと使い分けを解説

ファインチューニングとは、事前学習済みのAIモデルに追加のデータで学習を行い、特定の用途に合わせて振る舞いを調整する手法です。LLM（大規模言語モデル）の文脈では、自社の業務データで応答の形式や口調を作り込む目的で使われます。ただし「社内知識を覚えさせたい」という目的には、多くの場合ファインチューニングよりRAGが適しており、この使い分けを誤ると投資が無駄になります。本記事の内容は、仕組みと転移学習・LoRAとの関係、RAG・プロンプト調整との使い分け基準、学習データをJSONLで書く手順と学習ジョブの実行コマンド、評価と再学習の回し方、見送るべき場面の判断までの整理です。数値と書式は公式ドキュメントで2026年9月時点の記載を確認したものを載せています。

まとめ：ファインチューニングの向き不向きと検討順序の結論

ファインチューニングは、モデルの「知識」ではなく「振る舞い」を変える手法です。出力形式の固定、専門分野特有の言い回しへの適応、分類・抽出タスクの精度向上といった、望む挙動をデータで示せる用途に向きます。逆に、最新情報や社内文書の内容に基づいて答えさせる目的には不向きで、その用途は検索で知識を渡すRAGの領分です。

検討の順序も結論を出せます。まずプロンプトの改善で足りるかを試し、知識が足りないならRAG、それでも出力の形式や挙動が安定しないときに初めてファインチューニングを検討する。この順番が費用対効果の定石です。学習データの整備には相応の工数がかかるため、少量のデータで小さく検証してから本格投資に進む段階的な進め方を推奨します。

着手の具体的な下限もはっきりしています。OpenAIの教師ありファインチューニングの公式ガイドは、学習に渡せる例の最小件数を10件とし、実務では50件のよく作り込んだデモンストレーションから始めることを推奨しています（2026年9月時点の記載）。オープンウェイトモデルを自前で学習する場合も、LoRAを使えば10億パラメータ級のモデルで学習対象を全体の0.04%程度に絞れるため、必要なGPUは以前より小さくなりました。件数もGPUも、参入の壁としては下がり切っているのが現状です。

ファインチューニングの定義：事前学習済みモデルへの追加学習の仕組み

言葉の指す範囲と、学習工程のどこに位置する処理なのかを最初に確定させます。転移学習やLoRAといった周辺用語もここで整理します。

定義と処理の流れ：重みの更新でモデルの振る舞いを作り替える手法

LLM（大規模言語モデル）は、大量のテキストで言語の一般的なパターンを学ぶ事前学習を経て提供されます。ファインチューニングは、この学習済みモデルに対して、用途に特化したデータ（入力と模範出力のペア）を追加で学習させ、モデル内部のパラメータ（重み）を更新する処理です。プロンプトが「実行時に指示を渡す」のに対し、ファインチューニングは「モデルそのものを作り替える」点が本質的に違います。

重みが更新されるため、効果は恒久的です。学習後は、長い指示を毎回書かなくても目的の形式・口調で応答するようになり、プロンプトを短縮できる分だけ実行コストも下がります。反面、いったん学習した癖はプロンプトでは打ち消しにくく、やり直しには再学習が必要です。この「効きが強く、戻しにくい」性質が、後述する採用判断の慎重さにつながります。

用語の使い分けも押さえておくと混乱が減ります。単に「ファインチューニング」と呼ぶ場合、実務では教師データで振る舞いを教える教師ありファインチューニング（SFT）を指すのが通例です。OpenAIのモデル調整ガイドは、この教師ありのほかに、画像を含むデータで学習させる方式、良い応答と悪い応答の対で好みを教える直接選好の学習（DPO）、採点関数で強化学習を行う強化ファインチューニングを別の手法として並べています（OpenAI公式のモデル調整ガイド）。以降で扱うのは、企業案件で最も出番の多い教師ありの方式です。

転移学習・事前学習との関係：学習工程のどこに位置するかの整理

用語の関係は工程で捉えると明快です。①事前学習：ゼロから大量データで基礎能力を作る工程で、実施できるのは大規模な計算資源を持つ開発元に限られます。②転移学習：ある領域で学習したモデルの能力を別のタスクに流用する考え方の総称です。③ファインチューニング：転移学習の代表的な実現手段で、学習済みモデルの重みを追加データで微調整します。つまりファインチューニングは転移学習に含まれる具体的手法、という包含関係です。転移学習そのものの仕組みや特徴抽出・ドメイン適応まで含めた全体像は転移学習とは何かと特徴抽出・ファインチューニングの違いで実装の解像度から整理しています。

企業が実施するのは実質③のみです。事前学習済みモデルという巨大な土台を借り、最後の仕上げだけを自社データで行うため、ゼロから開発する場合と比べて必要なデータ量も計算資源も桁違いに小さく済みます。この構造こそが、一般企業でもLLMのカスタマイズに手が届く理由です。

隣接する選択肢として知識蒸留も候補に入ります。蒸留は、大きなモデルの出力を教師として小さなモデルを学習させ、推論コストを落とす技術で、目的が「安く速く動かす」ならこちらが本命になります。振る舞いを変えたいのか、同じ振る舞いを軽く動かしたいのかで分岐するため、判断材料として知識蒸留の仕組みと実装手順も並べて検討してください。

LoRAなどの軽量手法：全パラメータ更新を避けて費用を抑える選択肢

モデル全体の重みを更新するフルファインチューニングは、大型モデルでは膨大なGPUメモリと時間を要します。この負担を下げる代表的な技術がLoRA（Low-Rank Adaptation）です。2021年にMicrosoftの研究チームが発表した手法で、元の重みは固定したまま、小さな追加行列だけを学習します（原論文はarXiv:2106.09685）。更新対象のパラメータを大幅に減らせるため、必要なGPUメモリと学習時間を大きく圧縮できます。

圧縮の度合いは公式ドキュメントの実測例で把握できます。Hugging FaceのPEFT（0.20系のドキュメント・2026年9月時点）のクイックツアーでは、12.4億パラメータ規模のモデルに対しLoRAを当てた場合の学習対象が524,288パラメータ、全体の0.0424%と示されています。学習結果として保存されるのもアダプタだけで、同ドキュメントが挙げる例では約6.3MBのファイル1つと設定ファイル1つに収まる形です。元のモデル本体が数百MB以上あるのに対し、用途別の調整結果は数MBで持ち回れるという構造です。

LoRAをはじめとする軽量手法（PEFT：パラメータ効率型ファインチューニングと総称されます）は、オープンウェイトモデルを自前で調整する際の事実上の標準になっています。学習結果が小さなファイルとして分離されるため、用途別に複数の調整版を切り替える運用がしやすい点も実務上の利点です。LoRA自体の仕組みはLoRAとは何かと低ランク適応の仕組み、QLoRAやDoRAまで含む手法の系統整理はPEFTとLoRAの違いと派生手法の比較で扱っています。フルファインチューニングが必要になるのは、挙動を根本から変えたい特殊なケースに限られます。

ファインチューニングとRAG・プロンプト調整の違いと使い分けの基準

LLMを自社用途に合わせる手段は、プロンプト調整・RAG・ファインチューニングの3段階があります。どれを選ぶかは「何を変えたいのか」で決まります。

RAGとの違い：知識の追加はRAG・振る舞いの固定はファインチューニング

最も混同されやすいのがRAGとの違いです。RAGは、質問のたびに社内文書などを検索し、見つけた内容を根拠としてLLMに渡して回答させる仕組みで、モデル自体は変更しません。両者の違いは次のとおりです。

観点	ファインチューニング	RAG
変えるもの	モデルの振る舞い	参照する知識
情報の更新	再学習が必要	文書差し替えで即反映
根拠の提示	不可	出典を示せる
向く用途	形式・口調・分類	社内知識の応答
初期の工数	データ整備が主	文書整備と検索実装

判断基準は1つに絞れます。「答えの中身（知識）を足したいのか、答え方（挙動）を変えたいのか」。頻繁に更新される情報や根拠提示が要る用途でファインチューニングを選ぶのは典型的な誤りで、学習した知識はすぐ古くなり、更新のたびに再学習費用が発生します。RAGの仕組み自体の詳細はRAGとは？仕組みとLLM・ファインチューニングとの違いの解説、コストまで含めた実装方針の比較はRAGとファインチューニングの使い分けの判断基準を参照してください。

プロンプト調整との違い：指示で足りる範囲と学習が必要になる境界

費用ゼロで今日から試せるプロンプト調整を飛ばして、いきなり学習に進む理由はありません。役割・条件・出力例を明示したプロンプトで要件を満たせるなら、それが最も安く速い解です。実際、出力形式の指定程度なら、例を2〜3件示すFew-shotプロンプティングで十分なケースが多数を占めます。

学習が必要になる境界は、①プロンプトが長大化して毎回のコストと管理負担が無視できない、②例を示しても出力のブレが業務許容範囲に収まらない、③数千件規模の分類・抽出を安定した精度で回したい、のいずれかに達したときです。境界の見極めには「良い出力・悪い出力」の判定基準が要るため、プロンプト調整の段階で評価基準を文書化しておくと、そのままファインチューニングの学習データ設計に流用できます。

併用パターン：RAGで知識・ファインチューニングで形式を担う構成

3つの手段は排他ではありません。実務で成果が出やすいのは役割分担の併用です。代表例は、社内規程への質問応答システムで、規程の中身はRAGが検索して渡し、回答の構成・トーン・引用形式はファインチューニング済みモデルが担う構成です。知識の鮮度と出力の安定性を同時に確保できます。

ただし併用は構築・評価の複雑さも足し算になります。順序としては、まずRAG単体＋プロンプト調整で本番投入し、出力形式の安定が課題として残った場合にファインチューニングを追加する2段階が安全です。RAG側の構築工程はRAG構築の手順の解説で詳しく扱っています。

問い合わせ窓口のように、回答の型と口調が事業の顔になる用途では、この併用構成が費用に見合いやすい領域です。想定質問の分布・回答テンプレート・エスカレーション条件を先に決めてから学習データへ落とす設計を、株式会社一創はAIチャットボット開発として受託しています。RAGだけで済むのか学習まで踏み込むべきかの切り分けから相談できます。

学習データをJSONLで書く：OpenAI形式のファイルを組み立てる手順

実施の全体像は、①目的とタスクの定義、②学習データの準備、③学習の実行、④評価、⑤運用と再学習の5工程です。成否の8割方は②で決まるため、書式まで下ろして具体化します。

学習データの品質基準：模範回答の書式と件数の目安を決める手順

学習データは「入力（指示や質問）」と「理想の出力」のペアで用意します。件数の下限は公式ガイドで明示されており、教師ありファインチューニングに渡せる例は最小10件、推奨は作り込んだ50件からの開始です（OpenAI公式の教師ありファインチューニングガイド・2026年9月時点）。タスクの複雑さに応じて数百〜数千件へ拡張するのが一般的な進め方になります。件数より先に効くのは品質と一貫性で、模範回答の書式・判断基準が作成者によってバラつくと、そのブレをモデルが学習してしまいます。

実務での品質基準は3点です。①同じ入力タイプに対して回答の形式が統一されている、②誤答・古い情報が混じっていない（学習前の全件レビュー必須）、③実際の業務入力の分布を反映している（きれいな例だけでなく、崩れた入力や例外ケースも含める）。データ整備は地味な工程ですが、ここを外注や片手間で済ませた案件は精度が出ない、というのが定説になっています。件数の見積もりやサンプル形式の詳細はファインチューニング用データセットの作り方にまとめました。

JSONLの書き方：役割つきメッセージ配列を1行1件で並べる書式

商用APIに渡すファイルはJSONL（1行に1つのJSONを並べた形式）です。各行は役割つきのメッセージ配列で、systemに前提、userに入力、assistantに模範回答を入れます。次が最小構成の2件で、実際のファイルはこの行を必要件数だけ並べたものになります。

{"messages": [{"role": "system", "content": "社内規程に答える窓口担当として、根拠条文を1行目に書き、結論を2行目に書く。"}, {"role": "user", "content": "有給休暇は入社から何か月で付与されますか"}, {"role": "assistant", "content": "根拠: 就業規則 第32条\n結論: 入社6か月経過時点で10日付与されます。"}]}
{"messages": [{"role": "system", "content": "社内規程に答える窓口担当として、根拠条文を1行目に書き、結論を2行目に書く。"}, {"role": "user", "content": "退職の申し出は何日前までですか"}, {"role": "assistant", "content": "根拠: 就業規則 第18条\n結論: 退職希望日の30日前までに書面で提出します。"}]}

この書式で学習させると、systemの指示を毎回書かなくても「根拠→結論」の2行構成が出るようになります。ここが知識の追加ではなく形式の固定である点に注意してください。条文の中身が改定されたら学習では追えないため、条文本体はRAGで渡し、並べ方だけを学習で固定する分担にすると保守が破綻しません。

ファイルを作る際の実務的な注意は3つあります。1行あたりの改行はJSON文字列の中でエスケープする、assistantの回答に社外秘や個人情報を残さない、検証用に取り分ける行を最初から別ファイルへ分ける。この3つを崩すと、学習が通っても評価と情報管理でやり直しになります。

学習ジョブを実行する：APIへの投入とLoRAでの自前学習コード

学習の実行には2つの系統があります。第1が商用APIのファインチューニング機能、第2がオープンウェイトモデルをLoRA等で自前学習する系統です。順に、そのまま動かせる形で手順を示します。

商用APIで学習する：ファイル投入からジョブ作成までのコマンド

商用APIでは、整形済みのJSONLをアップロードし、返ってきたファイルIDを指定して学習ジョブを作るだけで、学習処理はクラウド側で完結します。GPUの用意は不要です。次の2コマンドが最小の実行手順で、モデル名の部分は日付つきのスナップショット名を指定します。

# 1. 学習ファイルをアップロードしてファイルIDを受け取る
curl https://api.openai.com/v1/files \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -F purpose="fine-tune" \
  -F file="@train.jsonl"

# 2. 受け取ったファイルIDで学習ジョブを作成する
curl https://api.openai.com/v1/fine_tuning/jobs \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -d '{
    "training_file": "file-RCnFCYRhFDcq1aHxiYkBHw",
    "model": "gpt-4.1-nano-2025-04-14"
  }'

ジョブ作成時に手法を指定しなければ教師ありが既定で選ばれます。対応モデルと料金は改定が入るため、着手時点で公式の一覧を見てください（対応状況はモデル調整ガイド、単価はOpenAIの料金ページ）。学習が終わると調整済みモデルの名前が払い出され、通常のモデル名の代わりに指定して呼び出す形になります。手軽さで選ぶならこの系統が第一候補です。

ChatGPTのチャット画面そのものを学習させる操作は用意されていません。API経由の調整と、画面側の記憶機能やGPTsによる指示・ファイル添付は別の仕組みで、混同すると要件がずれます。画面側でできることとの線引きはChatGPTのファインチューニングとGPTsの違いで整理しています。

オープンウェイトをLoRAで学習する：設定と学習コードの書き方

データを外部に出せない要件では、LlamaなどのオープンウェイトモデルをPEFTで学習します。次のコードは、対象層と低ランク行列の大きさを指定してモデルを包み、学習対象パラメータの割合を表示するところまでの最小形です（PEFT公式のクイックツアーの構成に沿っています）。

from peft import LoraConfig, TaskType, get_peft_model
from transformers import AutoModelForCausalLM

model = AutoModelForCausalLM.from_pretrained("meta-llama/Llama-3.2-1B")

peft_config = LoraConfig(
    target_modules=["q_proj"],
    task_type=TaskType.CAUSAL_LM,
    inference_mode=False,
    r=8,
    lora_alpha=32,
    lora_dropout=0.1,
)

peft_model = get_peft_model(model, peft_config)
peft_model.print_trainable_parameters()
# trainable params: 524,288 || all params: 1,236,338,688 || trainable 0.0424 percent

peft_model.save_pretrained("output_dir")

触るべきつまみは限られています。target_modulesで層を広げるほど表現力は上がる一方、学習対象も増えます。rは低ランク行列の大きさで、8前後から始めて効果が足りなければ上げる進め方が無難です。lora_alphaは学習した差分の効き具合、lora_dropoutは過学習の抑制に対応します。保存されるのはアダプタだけなので、用途別に複数の学習結果を持ち、推論時に切り替える運用が組めます。

この系統は、モデルの選択と調整の自由度が高い反面、GPU環境と機械学習エンジニアリングの知見を要します。必要なGPUメモリの目安や、学習ループまで含む実装はファインチューニングの実行環境と学習コードで扱いました。機密データでの学習が要件ならこちら一択で、そうでなければ商用APIで小さく試してから移行を検討する順序が無理のない進め方です。

学習後の評価と再学習：過学習・破滅的忘却を検知して回す運用手順

学習が通ったことと、業務で使えることは別の話です。落ちる原因は2つに集約されるため、それぞれの検知手順と、劣化に追随する仕組みを決めておきます。

評価データの取り分け：過学習を学習の前に検知する分割の作り方

1つ目の失敗が過学習で、学習データには完璧に応じる一方、少し違う入力に弱くなる状態です。対策は分割の順序にあります。データを集め終えた直後に2〜3割を評価用として抜き、学習側からは一切見せません。抜くときは無作為ではなく、入力の種類が偏らないよう業務の分布に合わせて選ぶと、本番の精度と評価の数字がずれにくくなります。

合否は、評価用データでの正答率や書式一致率など、事前に決めた指標で判定します。ここで基準を作れないなら学習に進むべきではありません。判定に人手が必要な出力では、採点基準を先に文書化し、複数人で同じ判定になるかを確かめてから採点へ入る手順を踏みます。

破滅的忘却の比較テスト：学習の前後で一般応答の劣化を測る手順

2つ目が破滅的忘却で、特定タスクへの適応と引き換えに、もともとできていた一般的な応答が劣化する現象です。検知は単純で、業務外の一般的な質問を20〜30問そろえ、学習前のモデルと調整済みモデルに同じ質問を投げて回答を並べます。要約が雑になる、無関係な話題でも学習した書式を強引に当てる、といった症状が出ていれば劣化のサインです。

症状が出た場合の打ち手は、学習の強さを下げる方向に絞られます。エポック数を減らす、LoRAのrを小さくする、学習データに一般的な応答例を混ぜる、のいずれかを1つずつ試し、業務タスクの精度と一般応答の質の両方を毎回測り直すのが前提です。まとめて変えると、どれが効いたのか判別できなくなります。

再学習の周期：本番ログから失敗例を集めて学習データへ戻す運用

運用開始後は、業務ルールの変更や入力傾向の変化で精度が徐々に劣化します。本番の入出力ログから失敗例を収集し、学習データに追加して再学習する改善サイクルを、四半期〜半年程度の周期で回す前提を最初から計画に含めてください。ログの保存範囲と個人情報の取り扱いは、学習に回す前提で設計しておく必要があります。

回収の仕組みは、現場が失敗を報告できる導線を1つ用意するだけで動き出します。回答画面に「この回答は的外れ」の申告ボタンを置き、申告された入出力を週次で棚卸しして、模範回答を書き直したものだけを次回の学習データに積む。作りっぱなしで劣化に気づかない運用が、導入効果を静かに失わせる主因です。調整済みモデルを業務プロセスへ組み込む発展形はAIエージェントの仕組みと判断基準で扱っています。

ファインチューニングを見送るべき場面と費用対効果の判断の進め方

検索上位の解説はメリットの紹介が中心ですが、受託開発の現場で価値があるのは「やらない判断」の基準です。ここを言い切ります。

見送りが正解のケース：知識更新目的・少量データ・要件不明確の3類型

次の3類型では、ファインチューニングは採用しないでください。第1に、目的が知識の追加・更新であるケース。前述のとおりRAGの領分で、学習で知識を持たせる設計は更新のたびに再学習費用が発生し続けます。第2に、質の揃った学習データを数十件も用意できないケース。公式ガイドの最小が10件、推奨が50件という水準にすら届かないなら学習は成立せず、まず業務の中で模範回答を蓄積する段階から始めるべきです。

第3に、「精度を上げたい」としか要件を言語化できていないケースです。何の入力に対しどんな出力が正解かを定義できなければ、学習データも評価基準も作れません。この状態での着手は、プロンプト調整段階に差し戻すのが正しい判断です。3類型に共通するのは、ファインチューニングという手段が先に決まっていて要件が後付けになっている構図で、提案時にこの順序の逆転を見つけたら止めるのが専門家の仕事だと考えています。

費用と進め方：小さく検証してから本格学習に進む段階投資の手順

費用の内訳は、学習データ整備の人件費、学習実行費（API学習料金またはGPU費用）、評価・再学習の運用費の3つで、多くの案件で最大の費目はデータ整備の人件費です。判断手順としては、①まず数十件の高品質データで小規模学習を実施、②評価用データで効果を数値確認、③効果が確認できた場合のみデータを数百件規模に拡張して本格学習、という段階投資でリスクを抑えます。

API側の費用は、学習時のトークン量に応じた学習料金と、調整済みモデルの利用料金の2段階で発生します。単価は改定されるため見積もり時点で公式の料金表を見る運用にし、社内の概算では「調整済みモデルの単価は元のモデルより高めに置かれる」前提で余裕を持たせておくのが安全です。稟議の作り直しは、この一手間で避けられます。自前学習を選ぶ場合は、GPUの時間単価と失敗した学習の再実行分を見込みに入れます。

タスク定義・データ設計・学習方式の選定には機械学習の実務知見が要るため、社内に担当者がいない場合は設計段階から外部と組む選択肢があります。ローカル環境での学習まで視野に入れるなら、必要スペックの前提をローカルLLMの構築手順で確認したうえで、手段の選定から相談するのが手戻りの少ない進め方です。

よくある質問

ファインチューニングの検討時によく出る質問に答えます。

ChatGPTでもファインチューニングはできますか？

チャット画面のChatGPT自体を学習させることはできませんが、OpenAIがAPI経由で提供するファインチューニング機能を使えば、対象モデルを自社データで調整し、APIから利用できます。対象となるモデルや料金は更新が頻繁なため、OpenAIの公式ドキュメントで最新の対応状況を確認してください。なお、チャット画面で過去のやり取りを踏まえた応答がされるのは記憶機能によるもので、ファインチューニングとは別の仕組みです。

ファインチューニングの料金はどのくらいかかりますか？

商用APIの場合、学習時のトークン量に応じた学習料金と、調整済みモデルの利用料金（通常モデルより単価が高めに設定される傾向）の2段階で発生します。金額は各社の料金ページで公開されており、改定も多いため、見積もり時点の公式情報で必ず確認してください。実務では、API料金よりも学習データを整備する人件費のほうが大きくなるケースが多い点を予算計画に含めることを推奨します。

ファインチューニングに必要なデータ件数はどのくらいですか？

OpenAIの公式ガイドでは最小10件から受け付けられ、推奨は作り込んだ50件からの開始とされています（2026年9月時点）。形式の固定のような単純なタスクなら少量でも効果が確認でき、分類の精度向上など難度の高いタスクでは数百〜数千件が目安になります。ただし件数を増やすより先に、回答の書式と判断基準が全件で一貫していることが効きます。まず50〜100件の高品質データで小さく検証し、効果を見てから増やす進め方が安全です。

ファインチューニングとRAGはどちらを先に検討すべきですか？

ほとんどの場合RAGが先です。企業のニーズの多数派は「自社の情報に基づいて答えてほしい」という知識系の要件で、これはRAGの領分だからです。RAGを入れた後、回答の形式や口調の安定が課題として残ったときに、ファインチューニングを追加する順序が費用対効果に優れます。最初からファインチューニングが正解になるのは、知識ではなく挙動の調整が主目的だと明確な場合に限られます。

ローカルLLMでもファインチューニングできますか？

できます。むしろローカルLLMとしてオープンウェイトモデルを自社環境で運用する場合、LoRAなどの軽量手法で自由に追加学習できることがローカル運用の利点の1つです。機密データを外部に出さずに学習できるため、データの社外送信が禁じられた業務ではローカルでの学習が唯一の選択肢になります。学習にはGPU環境が必要なので、モデル規模と手法に応じた機材の見積もりを先に行ってください。