AIF基盤モデルのアプリケーション
金融サービス企業が自社の規制文書や業界固有の専門用語を深く理解できるよう基盤モデルを適応させたいと考えています。ラベルなし（正解なし）の内部文書が数千件あります。このユースケースに最も適した Amazon Bedrock のカスタマイズ手法はどれですか？
Aフューショット（few-shot：少数の例を示す）プロンプティング
フューショット（few-shot：少数の例を示す）プロンプティングはプロンプトエンジニアリングだけではモデルが知らない専門用語の習得は困難です。
Bファインチューニング（入力・出力のペアデータを使用）
ファインチューニング（入力・出力のペアデータを使用）は入力・出力ペアの教師ありデータが必要ですが、要件はラベルなし文書です。
C継続事前学習（ラベルなしドメイン文書を使用）
✓ 正解
継続事前学習（Continued Pre-training）はラベルなし文書を使ってモデルにドメイン固有の知識・用語を学習させる手法で、Amazon Bedrock でサポートされています。ラベルなしの内部文書が数千件あるという要件に最適です。
DKnowledge Bases を使った RAG（検索拡張生成）
Knowledge Bases を使った RAG（検索拡張生成）は推論時に外部知識を検索・参照しますがモデル自体のパラメータは変更しません。
解説
継続事前学習（Continued Pre-training）はラベルなし文書を使ってモデルにドメイン固有の知識・用語を学習させる手法で、Amazon Bedrock でサポートされています。ラベルなしの内部文書が数千件あるという要件に最適です。
選択肢Aのフューショット（few-shot：少数の例を示す）プロンプティングはプロンプトエンジニアリングだけではモデルが知らない専門用語の習得は困難です。
選択肢Bのファインチューニング（入力・出力のペアデータを使用）は入力・出力ペアの教師ありデータが必要ですが、要件はラベルなし文書です。
選択肢DのKnowledge Bases を使った RAG（検索拡張生成）は推論時に外部知識を検索・参照しますがモデル自体のパラメータは変更しません。
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 →