AIF生成AIの基礎
ある製薬企業が、Amazon Bedrockの基盤モデルを自社の専門領域に最適化したいと考えています。同社には大量の未ラベルの医薬専門文書（学術論文・社内レポート）があり、モデルにこの分野の専門用語や文体を全体的に習得させたいですが、入力と期待出力がペアになった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継続事前学習（Continued Pre-training）で、未ラベルのドメイン文書を使ってモデルを追加学習させる
✓ 正解
未ラベルのドメイン文書をそのまま使って事前学習を継続し、専門用語や文体をモデルの重みに取り込む手法であり、ラベル付きデータが不要という制約と、分野全体を習得させたい目的の双方に合致するため適切。
Bファインチューニングで、入力と出力がペアになったラベル付きデータを使ってモデルを調整する
ファインチューニングは入力と期待出力のラベル付きペアデータを用いて挙動を調整する手法であり、そのようなラベル付きデータを用意できない本シナリオでは前提を満たせず実施できないため不適切。
CRAGを構成し、推論時に外部の専門文書を検索してプロンプトに挿入して回答させる
RAGは推論時に外部文書を検索してプロンプトに挿入する構成で、モデルの重み自体は変化しない。専門用語や文体をモデルに恒久的に習得させたいという要件には根本的に対応しないため誤り。
Dプロンプトエンジニアリングで、フューショットの例をプロンプトに含めて出力を誘導する
プロンプトエンジニアリングはモデルを学習させず、フューショット例で都度出力を誘導するに留まる。大量文書から分野全体の知識・文体を習得させる目的には根本的に不足するため不適切。
解説
継続事前学習は、ラベルのないドメイン固有のテキストコーパスを使って基盤モデルの学習を継続し、専門用語・文体・分野知識をモデルの重みに取り込む手法です。ラベル付きデータが不要で、大量の未ラベル文書から分野全体の傾向を習得させたいという本要件に最も適合します。
選択肢Bのファインチューニングは、入力と出力のラベル付きペアデータを前提とするため、ラベルを用意できない本シナリオでは実施できない。
選択肢CのRAGは、推論時に外部文書を検索して文脈に加えるだけでモデル自体の重みは変わらず、専門用語や文体を恒久的に習得させる要件には合わない。
選択肢Dのプロンプトエンジニアリングも、モデルを学習させずプロンプトで都度誘導するに留まり、分野全体の知識を習得させる目的には不十分。
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 →