ある企業が、Amazon Bedrock 上の大規模な基盤モデルを使った業務処理システムを運用しています。応答品質には満足しているものの、1リクエストあたりの推論コストとレイテンシーが課題となっています。この企業は、自社の業務シナリオにおける大規模モデルの応答品質を維持しながら、より小さく安価なモデルを作成してコストとレイテンシーを削減したいと考えています。Amazon Bedrock が提供するこのユースケースに最も適した機能はどれですか？
Amazon Bedrock のモデル蒸留（Model Distillation）は、大規模な「教師モデル（teacher model）」が業務シナリオに対して生成した応答を合成トレーニングデータとして活用し、より小さな「生徒モデル（student model）」をファインチューニングする機能です。これにより大規模モデルの応答品質を小規模モデルに転移させつつ、推論コストとレイテンシーを大幅に削減できます。 選択肢Aのファインチューニングは人間がラベル付けした入出力ペアデータでモデルを特化させる手法ですが、大規模モデルの知識を自動転移する仕組みではなく、ラベル付けコストも発生します。 選択肢Cの継続事前学習はラベルなし文書でモデルのドメイン知識を拡充する手法であり、大規模モデルの応答品質を引き継ぐことはできません。 選択肢DのKnowledge Bases による RAG は外部ドキュメントを参照して品質を補完しますが、モデル自体を軽量化する解決策ではなく、推論コストとレイテンシーの根本的な削減にはなりません。