AIF-C01：AWS Certified AI Practitioner 基盤モデルの応用 問1
基盤モデルの応用／基盤モデルを使うアプリの設計上の考慮（推論パラメーター・RAG・ベクターストア）社内の製品マニュアルは毎日更新されます。問い合わせ対応用の生成 AI アプリで、最新のマニュアル内容に基づいて回答させたいと考えています。モデルの再学習は行わずに実現する必要があります。採用する構成として適切なものはどれか。
当サイトのオリジナル問題（AIF-C01：AWS Certified AI Practitionerの出題範囲「基盤モデルの応用」に対応。実際の試験問題ではありません）
- AAmazon Bedrock ナレッジベースにマニュアルを取り込み、質問に関連する箇所を検索して基盤モデルへのプロンプトに加える
- B更新があるたびにマニュアル全文を使って基盤モデルのファインチューニングを実行し、カスタムモデルを作り直す
- Cマニュアルのテキストを使って基盤モデルの継続的事前トレーニングを毎日実行し、新しいモデルに入れ替える
- Dマニュアルをもとにモデル蒸留を実行し、小型のカスタムモデルを毎日生成してアプリに反映する
正解：A
解説
最新の社内文書に基づいて回答させ、かつ再学習を避けたい場合は、検索拡張生成（RAG）が適しています。Amazon Bedrock ナレッジベースは文書の取り込み、埋め込み化、ベクターストアへの格納、検索をマネージドに行い、検索結果を基盤モデルへのプロンプトに加えます。文書が更新されたらデータソースを同期するだけで最新内容が反映されます。学習系の手法は更新のたびに時間とコストがかかります。
選択肢ごとの解説
- A正しい。RAG により、再学習なしで更新済みの文書を回答に反映できます。
- B誤り。ファインチューニングは更新のたびにモデルを作り直す必要があり、毎日更新される知識の反映には運用負荷とコストが大きすぎます。
- C誤り。継続的事前トレーニングも学習ジョブが必要で、日次の更新反映には不向きです。再学習を行わないという要件にも反します。
- D誤り。モデル蒸留は大きなモデルの能力を小型モデルへ移す手法で、最新文書を参照させる目的の手段ではありません。