AIF基盤モデルのアプリケーション
ある製薬企業が、Amazon Bedrock の基盤モデルを自社の専門領域に適応させたいと考えています。手元には数十万件の社内研究文書（ラベルなしの平文）があり、モデルに業界特有の語彙や背景知識を獲得させたいですが、プロンプトと理想的な回答のペア（ラベル付きデータ）は用意できません。最も適切なカスタマイズ手法はどれですか。
Aファインチューニングで、ラベル付きのプロンプト・回答ペアを用いてモデルを特定タスクに適応させる
ファインチューニングはプロンプトと理想的な回答のラベル付きペアを学習データとして必要とします。本シナリオではラベル付きデータを用意できないため前提を満たせず、この手法は実施できません。
B継続事前学習（Continued Pre-training）で、ラベルなしの大量ドメインデータからモデルに知識を獲得させる
✓ 正解
ラベルなしの大量ドメインテキストで基盤モデルの学習を継続し、業界固有の語彙や知識をモデル自体に取り込めます。ラベル付きデータが不要で平文の社内文書のみで適応できるため、本要件に最も適合します。
C知識蒸留で、大規模モデルの知識を小規模モデルに移して推論コストを削減する
知識蒸留は大規模モデルの知識を小規模モデルへ移し推論コストや遅延を下げる手法です。目的はモデルの軽量化であり、新しいドメイン知識を獲得させる本シナリオの目的とは合致しません。
DRetrieval Augmented Generation で、検索した文書をコンテキストとしてプロンプトに付加する
RAG はモデル自体を変更せず、検索した文書をプロンプトに付加して回答を補強します。モデルに語彙や背景知識を恒久的に獲得させる要件とは異なり、知識はあくまで外部参照にとどまります。
解説
継続事前学習は、ラベルなしの大量なドメイン固有テキストを用いて基盤モデルの学習を継続し、業界特有の語彙や背景知識をモデル自体に取り込む手法です。
ラベル付きデータが不要で、平文の社内文書だけで専門領域への適応ができるため、本シナリオの「ラベルが用意できない／語彙と知識を獲得させたい」という条件に合致します。Amazon Bedrock のモデルカスタマイズ機能として提供されています。
選択肢1のファインチューニングは、プロンプトと回答のラベル付きペアが前提のため、ラベルが用意できない本要件では実施できません。
選択肢3の知識蒸留は、モデルの軽量化（推論コスト削減）が目的で、新しいドメイン知識の獲得を目的とする手法ではありません。
選択肢4の RAG は、モデル自体を変えず外部知識を検索して補う手法で、モデルに語彙・知識を恒久的に「獲得」させる要件とは異なります。
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 →