AIF基盤モデルのアプリケーション
ある製薬会社が、Amazon Bedrockで利用可能な基盤モデルをカスタマイズしたいと考えています。この会社は膨大な社内の研究論文・医学文献（ラベルなしテキストデータ）を保有しており、モデルが医薬品の専門用語や概念をより深く理解できるようにしたいと考えています。この目的に最も適したAmazon Bedrockのカスタマイズ手法はどれですか？
Aファインチューニング（Fine-tuning）：入出力ペアのラベル付きデータで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入出力ペアのラベル付きデータを用いて応答スタイルを調整するものです。
B継続事前学習（Continued Pre-training）：ラベルなしのドメイン固有テキストでモデルの知識・語彙を拡張する
✓ 正解
継続事前学習（Continued Pre-training）は、ラベルなしのドメイン固有テキストを使って基盤モデルの事前学習を延長し、特定領域の知識・語彙を深める手法です。
CRAG（Retrieval-Augmented Generation、検索拡張生成）：推論時に外部ナレッジベースを参照してコンテキストを補強する
RAGは学習コストなく動的に知識を補完しますが、モデル自体の理解は変わりません。
Dプロンプトエンジニアリング：システムプロンプトに専門用語の定義を大量に埋め込む
プロンプトエンジニアリングは、大量の専門用語定義をシステムプロンプトに埋め込む方法ですが、コンテキストウィンドウの容量制限があり膨大な医学文献の知識を網羅することは不可能で、毎リクエストのトークンコストも増大するため、モデルの根本的な専門理解向上には不適切です。
解説
継続事前学習（Continued Pre-training）は、ラベルなしのドメイン固有テキストを使って基盤モデルの事前学習を延長し、特定領域の知識・語彙を深める手法です。
選択肢Aのファインチューニングは入出力ペアのラベル付きデータを用いて応答スタイルを調整するものです。
選択肢CのRAGは学習コストなく動的に知識を補完しますが、モデル自体の理解は変わりません。
選択肢Dのプロンプトエンジニアリングは、大量の専門用語定義をシステムプロンプトに埋め込む方法ですが、コンテキストウィンドウの容量制限があり膨大な医学文献の知識を網羅することは不可能で、毎リクエストのトークンコストも増大するため、モデルの根本的な専門理解向上には不適切です。
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 →