AIF基盤モデルのアプリケーション
開発者が Amazon Bedrock Knowledge Bases を使用して社内ドキュメントを管理するRAG（Retrieval-Augmented Generation：検索拡張生成）システムを構築しています。ドキュメントが Knowledge Bases に取り込まれる（インジェスション）際に内部で行われる処理として、正しいものはどれですか？
Aドキュメントはそのままのテキスト形式で Amazon S3 に保存され、転置インデックス（逆索引）を用いたキーワードマッチングで検索・取得される
テキスト形式での保存とキーワードマッチング検索では、意味的な類似性に基づくセマンティック検索が実現できません。RAGシステムが必要とする「概念的に近い文書を検索する」能力を提供できず、Knowledge Bases の動作原理とは根本的に異なります。
Bドキュメントはチャンク（小さなテキスト断片）に分割され、Embedding Model（埋め込みモデル）でベクトル化された後、ベクトルストアに格納される
✓ 正解
Knowledge Bases のインジェスションパイプラインの正確な説明です。チャンクへの分割と Embedding Model によるベクトル化・ベクトルストアへの格納により、セマンティック検索に基づく RAG システムが実現されます。
Cドキュメントは Amazon Kendra のフルテキストインデックス（全文検索エンジン）に登録され、Amazon Kendra の検索 API で取得される
Amazon Kendra は AWS の別個のエンタープライズ検索サービスであり、Bedrock Knowledge Bases のインジェスションパイプラインには組み込まれていません。Knowledge Bases は内部でベクトルストア（OpenSearch Serverless 等）を使用します。
Dドキュメントのトークンは基盤モデルのパラメータにファインチューニング（Fine-tuning：追加学習）で直接組み込まれ、モデル自体が情報を記憶する
ファインチューニング（Fine-tuning）の説明です。RAG はモデルの重みを変更せず外部ドキュメントを動的に検索してコンテキストとして提供するアーキテクチャです。Knowledge Bases はモデルへの追加学習は行いません。
解説
Amazon Bedrock Knowledge Bases のインジェスションパイプラインでは、ドキュメントをチャンクに分割し、Embedding Model（埋め込みモデル）で高次元ベクトルに変換して Amazon OpenSearch Serverless 等のベクトルストアに格納します。クエリ時も質問をベクトル化し、コサイン類似度等でセマンティック検索（意味的類似検索）を行うため、キーワードが一致しなくても意味的に近い情報を検索できます。
選択肢Aは、テキスト形式でのキーワードマッチングでは意味的な類似性に基づくセマンティック検索が実現できません。RAGシステムに不可欠な「概念的に近い文書を検索する」能力がなく、Knowledge Bases の動作原理とは根本的に異なります。
選択肢Cは、Amazon Kendra はフルテキスト検索に特化した別個のエンタープライズ検索サービスです。Bedrock Knowledge Bases のインジェスションパイプラインは Kendra ではなくベクトルストアを使用しており、選択肢のアーキテクチャは Knowledge Bases の処理内容と一致しません。
選択肢Dは、基盤モデルへの直接的な追加学習（ファインチューニング）の説明です。RAG はモデルの重みを変更せず外部ドキュメントを動的に検索してコンテキストとして提供するアーキテクチャであり、Knowledge Bases は Fine-tuning ではなくベクトル検索を採用しています。
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 →