AIF生成AIの基礎
Eコマース企業のエンジニアが、10万件の商品レビューテキストを意味的に類似したグループにクラスタリングするシステムと、ユーザーの検索クエリに意味的に近いレビューを返すセマンティック検索機能を実装しようとしています。これらのユースケースに最も適したモデルの種類はどれですか？
Aテキスト生成モデル（Text Generation Model）を使って各レビューの要約を生成し、要約間の文字列一致でグループ化する（意味的な類似性は捉えられない）
要約生成後の文字列一致では、異なる表現で同じ意味を持つレビューを検出できません。意味的な類似性を計算する方法が必要です。
Bテキスト埋め込みモデル（Text Embedding Model）を使ってレビューを高次元ベクトルに変換し、ベクトル空間でのANN（近似近傍探索: Approximate Nearest Neighbor）によりクラスタリング・検索を行う
✓ 正解
テキスト埋め込みモデルはレビューを高次元ベクトルに変換し、ベクトル空間での距離により意味的に似たレビューをクラスタリング・検索できます。この用途に最適です。
Cテキスト分類モデルを使って、事前に定義したカテゴリラベル（例：肯定的・否定的・中立）にレビューを分類する
テキスト分類は事前定義ラベルへの分類が主な用途です。ユーザー定義でないカテゴリを自動発見して同様のレビューをグループ化することには向きません。
DAmazon Translateを使ってすべてのレビューを英語に統一してから、キーワードマッチングによる文字列検索を行う
Amazon Translateは言語変換ツールで、言語統一後もキーワード検索では単語の正確な一致が必要であり、意味的な類似性を発見できません。
解説
テキスト埋め込みモデル（Embedding Model）はテキストを高次元の数値ベクトルに変換し、意味的に近いテキストほどベクトル空間で近い位置に配置します。これによりクラスタリング（k-means等）やANN（近似近傍探索）による意味的類似検索が可能になります。Amazon Titan Embeddingsがその代表例です。
選択肢Aはテキスト生成モデルは新規テキスト生成が用途であり、要約間の文字列一致ではテキスト間の意味的類似性を正確に把握できません。
選択肢Cのテキスト分類モデルは事前定義ラベルへの分類が目的であり、ラベルのないクラスタリングや意味的類似検索には適しません。
選択肢DのAmazon Translateは言語変換専用ツールであり、意味的類似性に基づく検索機能は持ちません。
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 →