ある企業が Amazon Bedrock でカスタムモデルを作成する方法を検討している。「社内の業務フロー特有の文体・形式で文書を生成させる」という要件と「業務ドメイン固有の専門知識を正確に回答させる」という 2 つの要件がある。それぞれの要件に最適なカスタマイズ手法を 2 つ選択してください。
- A. 「業務フロー特有の文体・形式」の習得には RAG（Knowledge Bases）が適している
- B. 「業務ドメイン固有の専門知識の正確な回答」には RAG（Knowledge Bases）が適している
- C. 「業務フロー特有の文体・形式」の習得にはファインチューニング（Supervised Fine-Tuning）が適している
- D. 「業務ドメイン固有の専門知識の正確な回答」には継続事前学習が最も適している
- E. どちらの要件もプロンプトエンジニアリングだけで対応できるため、追加のカスタマイズは不要
解答と解説を見る
正解: B, C
ファインチューニングと RAG はそれぞれ異なる種類の課題を解決する相補的な手法として理解することが重要。Cのファインチューニングはプロンプト＋正解ペアのデータセットを使ってモデルの重みを更新することで、特定の「文体・形式・トーン・出力構造」を学習させるのに最も適している。これは「どう答えるか」（How）の学習。Bの RAG は信頼性の高い外部ドキュメントをリアルタイムで検索して回答生成に使うため、「専門知識・事実情報」を正確に参照させるのに最も適している。これは「何を答えるか」（What）の担保。Aは RAG が文体学習に適しているというのは誤り。RAG は文書の参照・検索であり、モデルの出力スタイルの変更には直接寄与しない。Dの継続事前学習はラベルなしコーパスからの言語パターン習得に適しているが、正確な知識回答の保証という意味では RAG より幻覚リスクが残る。Eのプロンプトエンジニアリングだけでは複雑なドメイン知識や一貫した文体制御に限界がある。