ある企業がコールセンターの通話録音を自動でテキスト化し、Amazon Bedrock の基盤モデルで「顧客感情の分類（肯定・中立・否定）」と「クレーム内容の要約」を同時に行うシステムを構築している。推論コストを最小化しつつ精度を維持するため、どのアーキテクチャが最も適切か。

正解: C

単一プロンプトで複数タスク（分類＋要約）を同時出力させることで API 呼び出しコストを半減できる。また「感情分類＋要約」程度のタスクであれば大型モデルでなく中型モデル（例: Claude Haiku や Claude Sonnet）で十分な精度が出ることが多く、トークン単価を大幅に下げられる。モデル選択ではレイテンシ・コスト・精度のバランスを評価することが重要。Dの複数 API 呼び出しは同じ入力テキストに対して2倍の課金が発生し、コスト最小化の要件に反する。Aのルールベース感情分類は精度が限定的で、複雑なニュアンスやコンテキスト依存の感情判定に対応しにくい。Bの Amazon Comprehend は感情分析（センチメント）機能を持つが、カスタム要件に対応する要約機能はなく、全処理を移行することはできない。