ある医療系スタートアップが Amazon Bedrock を使って患者の症状説明から疾患候補を提案するシステムを開発している。モデルが誤った医療情報を自信を持って出力する「幻覚（ハルシネーション）」を最小化したい。最も適切なアプローチはどれか。
- A. プロンプトに「必ず 100 文字以内で回答してください」と制約を追加する
- B. Amazon Bedrock Knowledge Bases で医療ガイドラインドキュメントをベクトル検索可能にし、RAG で回答を生成させる
- C. モデルを Amazon SageMaker でファインチューニングして医療用語を覚えさせる
- D. temperature を 1.0 以上に設定して出力の多様性を高める
解答と解説を見る
正解: B
RAG（検索拡張生成）は信頼できる外部ドキュメントをリアルタイムで検索し、その内容に基づいて回答を生成させることでハルシネーションを抑制する最も効果的なアーキテクチャ。Knowledge Bases for Amazon Bedrock はこの仕組みをマネージドで提供する。Dの temperature を高く設定するとランダム性が増し、むしろ幻覚が起きやすくなる。Aの文字数制限は簡潔さを促すが、ハルシネーション抑制には直結しない。Cのファインチューニングはモデルのスタイルや形式を学習させるには有効だが、ハルシネーション自体を減らす保証はなく、むしろ新たな事実誤りを学習させるリスクもある。
📚 関連サービスの解説: Amazon Bedrock