AIF生成AIの基礎
ある企業が社内ドキュメント検索システムをRAG（Retrieval-Augmented Generation：検索拡張生成）アーキテクチャで構築しています。ユーザーの質問と文書の意味的類似度をベクトル空間で計算するために、Amazon Bedrock 上でどのモデルタイプを使用するべきですか？
AAmazon Titan Text Express（テキスト生成特化の言語モデル）
テキスト生成に特化した言語モデルであり、入力プロンプトから自然なテキストを出力することが目的です。テキストをベクトル表現に変換する埋め込み機能を持たないため、RAGリトリーバルフェーズの意味的類似度計算には利用できません。
BAmazon Titan Embeddings G1（テキストをベクトルに変換する埋め込みモデル）
✓ 正解
RAGのリトリーバルフェーズに必要なテキストの埋め込み表現生成に特化したモデルです。入力テキストを高次元ベクトルに変換し、ベクトル空間でのコサイン類似度計算によってクエリと文書の意味的な関連性を正確に評価できます。
CAmazon Titan Image Generator G1（テキストから画像を生成するモデル）
テキストプロンプトから高品質な画像を生成することに特化したモデルです。テキストの意味をベクトルに変換する機能は持たないため、RAGシステムで意味的類似度を計算するリトリーバルコンポーネントとして使用できません。
DAmazon Titan Text Lite（軽量なテキスト生成モデル）
軽量なテキスト生成に最適化された言語モデルです。入力テキストをベクトルに変換する埋め込み機能を持たないため、クエリと文書の意味的類似度を計算するRAGのリトリーバル処理には適していません。
解説
選択肢BのAmazon Titan Embeddings G1はRAGのリトリーバル（検索）フェーズで必要なテキストのベクトル変換に特化した埋め込みモデルです。テキストを高次元の数値ベクトルに変換し、ベクトル空間でのコサイン類似度などを使って意味的類似度を計算できます。
選択肢AのAmazon Titan Text Expressはテキスト生成特化の言語モデルであり、テキストをベクトルに変換する埋め込み機能を持たないため、意味的類似度の計算には使用できません。
選択肢CのAmazon Titan Image Generator G1はテキストから画像を生成するモデルであり、テキストの意味的類似度計算には使用できません。
選択肢DのAmazon Titan Text Liteはテキスト生成に特化した軽量な言語モデルであり、テキストをベクトルに変換する埋め込み機能は持たないため、意味的類似度の計算には使用できません。
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 →