あるグローバル企業が Amazon Bedrock を使って複数言語（英語・日本語・スペイン語）でのカスタマーサポート対応を自動化しようとしている。会社独自の対応ポリシーとトーンをすべての言語で一貫して適用させたい。最も効果的なアプローチはどれか。
- A. 各言語ごとに別々のモデルをファインチューニングして対応ポリシーを学習させる
- B. top-p を 0.1 に設定して出力を固定化し、ポリシー違反の回答を防止する
- C. 多言語対応の基盤モデルを選択し、システムプロンプトに対応ポリシーとトーン指針を詳細に記述する。加えて Knowledge Bases に自社ポリシー文書を格納して RAG で参照させる
- D. 英語のみでモデルを動作させ、出力を Amazon Translate で各言語に翻訳する
解答と解説を見る
正解: C
多言語対応の基盤モデル（例: Claude はもとより多言語能力を持つ）にシステムプロンプトで企業ポリシーとトーン指針を明確に定義し、さらに Knowledge Bases（RAG）で最新ポリシー文書を参照させることが、一貫性・精度・運用コストのバランスで最も優れたアプローチ。システムプロンプトはモデルの動作指針となり、RAG で具体的なポリシー内容を動的に参照することで正確性も確保できる。Aの各言語別ファインチューニングはコストが3倍以上になり、ポリシー更新のたびに再学習が必要になる。また多言語基盤モデルは最初から複数言語を同一モデルで処理できるため冗長。Dの機械翻訳経由のアプローチはニュアンスの喪失リスクがあり、特に日本語・スペイン語のビジネス文体では品質が落ちる。Bのtop-p 制限は確率分布の裾を切ることでランダム性を減らすが、ポリシー遵守を「強制」する仕組みではなく対策として不十分。