MLA-C02：AWS Certified Machine Learning Engineer - Associate ML モデルと基盤モデルの開発 問2
ML モデルと基盤モデルの開発／モデリングアプローチの選択社内ドキュメントに基づいた最新かつ根拠のある回答を生成させたいのですが、ドキュメントは頻繁に更新され、そのたびにモデルを再学習するのは避けたいと考えています。最も適切なアプローチはどれですか。
当サイトのオリジナル問題（MLA-C02：AWS Certified Machine Learning Engineer - Associateの出題範囲「ML モデルと基盤モデルの開発」に対応。実際の試験問題ではありません）
- Aドキュメントが更新されるたびに基盤モデルをフルで再学習する
- B基盤モデルをゼロから自前で学習し直す
- Cプロンプトだけで対応し、社内ドキュメントは参照させない
- DRAG（検索拡張生成）を採用し、更新される社内ドキュメントを検索して根拠として与える（例: Amazon Bedrock ナレッジベース）
正解：D
解説
頻繁に更新される社内ドキュメントに基づく回答には、RAG（検索拡張生成）が適します。Amazon Bedrock ナレッジベースなどで、更新されたドキュメントを検索して根拠としてモデルに与えれば、再学習なしで最新情報に対応できます。更新のたびのフル再学習やゼロ学習は高コスト、ドキュメントを参照しないプロンプトのみでは根拠を与えられません。
下線の用語は 用語集 で意味を確認できます。
選択肢ごとの解説
- A誤り。更新のたびのフル再学習は高コストで、頻繁な更新に追従できません。
- B誤り。ゼロからの自前学習は非現実的で、要件に合いません。
- C誤り。社内ドキュメントを参照しないと、根拠ある最新回答を生成できません。
- D正しい。RAG（例: Bedrock ナレッジベース）なら、再学習なしで更新ドキュメントを根拠に回答できます。