AIF基盤モデルのアプリケーション
医療機器メーカーが、500ページを超える製品マニュアル100冊分を参照して技術的な質問に答えるAIシステムを構築しようとしています。「全文書をプロンプトのコンテキストに含める」という方法と比較して、Amazon Bedrock Knowledge Basesを活用したRAGアーキテクチャを推奨する最も重要な技術的理由はどれですか？
ARAGはモデルをリアルタイムで追加学習するため、文書の内容をモデルの重みに永続的に記憶させられ、追加コンテキストなしで質問に回答できる
RAGは推論時に外部ドキュメントを検索して活用する仕組みであり、モデルの重みを変更するファインチューニングとは根本的に異なります。文書内容はモデルの内部パラメータには記憶されません。
B基盤モデルのコンテキストウィンドウには上限があり、RAGはクエリに関連する文書チャンクのみを動的に取得してコンテキストに渡す
✓ 正解
基盤モデルはコンテキストウィンドウのトークン数に上限があり、500ページ超の書類100冊を一括入力することは現実的に不可能です。RAGはベクトル検索で関連チャンクのみを取得するため大規模文書コーパスにも対応できます。
CRAGは文書索引化により検索を効率化するため、追加知識なしのモデルと比較して推論速度が常に2倍以上に向上することが保証されている
RAGはクエリに関連するチャンクのみを処理するため入力量を削減できますが、ベクトル検索と文書取得という追加ステップが発生します。推論速度が常に2倍以上向上することを保証するサービス仕様は存在しません。
DAmazon Bedrock Knowledge BasesによるRAGはAmazon S3との統合が必須なため、文書の保存時暗号化が自動適用されセキュリティが向上する
Amazon Bedrock Knowledge BasesはS3以外のデータソースもサポートしており、S3との統合が必須というわけではありません。また、RAGアーキテクチャ自体が暗号化を提供するのではなく、暗号化はS3の設定に依存します。
解説
基盤モデルは一度に処理できるトークン数（コンテキストウィンドウ）に上限があります。500ページを超える製品マニュアル100冊分の全文をプロンプトに含めることは技術的に不可能です。RAGは質問に意味的に類似した文書チャンク（断片）のみをベクトル検索で動的に取得し、コンテキストとして渡すため、大規模な文書コーパス（文書群）にも対応できます。
選択肢Aは、RAGがリアルタイムで追加学習してモデルの重みに文書内容を記憶するという誤解に基づいています。RAGは推論段階で外部の知識を検索・活用する仕組みであり、モデルの重みは変更しません。
選択肢Cは、RAGの推論速度向上を誤って説明しています。RAGは関連文書の取得ステップを追加するため処理時間が増加する場合もあり、常に2倍以上の速度向上を保証するような仕様は存在しません。
選択肢Dは、RAGとS3暗号化の関係を誤って説明しています。Amazon Bedrock Knowledge BasesはS3以外のデータソースもサポートしており、暗号化はRAGアーキテクチャではなくS3の設定に依存します。
ドメイン別正答率・予想スコアでリアルタイムに実力把握
無限ノックでAIFを徹底対策。全問AI生成のオリジナル問題。
無料で演習を始める →