AIF生成AIの基礎
企業のAIエンジニアがAmazon Bedrockを使ったカスタマーサポートシステムを構築しています。要件として「製品固有の専門用語を必ず使用し、社内の回答スタイル（箇条書き禁止・丁寧語統一・製品名は略称不使用）を一貫して守ること」が求められています。製品情報の更新は年に1〜2回程度です。RAGではなくファインチューニング（Fine-tuning）が特に有効な主な理由はどれですか？
Aファインチューニングはモデルを再学習するためのデータ・インフラ・時間コストがRAGより常に低く抑えられ、迅速に導入できるため
ファインチューニングにはトレーニングデータの準備・学習ジョブ実行・モデルホスティングなどのコストが発生します。RAGは既存の基盤モデルをそのまま活用するため構成によってはコストを抑えられる場合もあり、常にファインチューニングが安価というわけではありません。
Bファインチューニングはモデルのパラメータ自体を更新することで、特定の出力スタイル・語彙・フォーマットのパターンをモデルに直接学習させることができるため
✓ 正解
ファインチューニングはモデルの重み（パラメータ）そのものを更新するため、特定のトーン・フォーマット・専門用語といった振る舞いのパターンをモデルに定着させることができます。更新頻度が低くスタイルの一貫性が主要件の今回のケースに最も適したアプローチです。
Cファインチューニングにより、外部ナレッジベースやデータベースをリアルタイムで検索・参照してから最新情報を含む回答を生成できるため
リアルタイムでの外部データ検索・参照はRAGの特徴です。ファインチューニングはトレーニング時点の知識をパラメータに組み込むものであり、学習後に外部ソースをリアルタイムで参照する機能はありません。
DRAGは日本語の埋め込みモデルや検索インデックス構築に対応しておらず、日本語を使用するシステムではファインチューニングが唯一の実装方法となるため
RAGは日本語対応の埋め込みモデル（Amazon Titan Embeddingsなど）を使用することで日本語環境でも十分に機能します。RAGが日本語に対応していないというのは事実ではなく、日本語システムでもRAGは有効な選択肢の一つです。
解説
ファインチューニングはモデルのパラメータを直接更新するため、特定のトーン・スタイル・専門用語パターンなど「振る舞い」の変更に最適です。一方RAGは外部ドキュメントから「知識」を動的に取得するアプローチで、頻繁な情報更新に強みがあります。今回のケースは更新頻度が低く、スタイル・語彙の一貫性が主要件のためファインチューニングが適しています。
選択肢Aの「ファインチューニングはRAGよりも常に実装コストが低いため」はファインチューニングが常に安価なわけではありません。
選択肢Cの「ファインチューニングを使えば外部データベースをリアルタイムで参照できるため」はこれはRAGの特徴です。
選択肢Dの「RAGは日本語テキストに対応していないため」はRAGは日本語にも対応しています。
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 →