AIF基盤モデルのアプリケーション
ある法律事務所は、毎月更新される判例データベースや法令改正情報を参照しながら、クライアントの質問に正確に回答するAIアシスタントを構築したいと考えています。情報は毎月追加・更新されます。このユースケースに最も適したアプローチはどれですか？
AAmazon Bedrock の基盤モデルを毎月の最新判例データでファインチューニングし、モデルを定期的に更新する
Amazon Bedrock の基盤モデルを毎月の最新判例データでファインチューニングする方法はファインチューニングは静的な知識習得に向いていますがコストと時間がかかります。
BAmazon Bedrock Knowledge Bases を使用して判例データベースをベクトルストアに格納し、RAGアーキテクチャでリアルタイムに最新情報を参照する
✓ 正解
頻繁に更新されるデータにはRAGが最適です。Amazon Bedrock Knowledge Basesを使えば、モデルを再学習させることなく、ドキュメントをベクトル化して格納し、質問に応じて関連情報を動的に検索・参照できます。
CAmazon SageMaker Autopilot で自動機械学習を実行し、判例分類モデルを毎月再学習させる
Amazon SageMaker Autopilot は表形式データを対象とした分類・回帰タスク向けのAutoMLサービスであり、ドキュメントを参照して質問に回答するユースケースには適していません。
D基盤モデルのコンテキストウィンドウにすべての判例データを含めて、モデルに直接回答させる
基盤モデルのコンテキストウィンドウにすべての判例データを含める方法はコンテキストウィンドウにはサイズ制限があり、膨大な判例全体を収めることは非現実的です。
解説
頻繁に更新されるデータにはRAG（Retrieval-Augmented Generation：検索拡張生成）が最適です。Amazon Bedrock Knowledge Basesを使えば、モデルを再学習させることなく、ドキュメントをベクトル化して格納し、質問に応じて関連情報を動的に検索・参照できます。
選択肢Aのファインチューニングは静的な知識習得には向いていますが、コストと時間がかかり、毎月の頻繁な更新には不向きです。
選択肢CのAmazon SageMaker Autopilot は表形式データを対象とした分類・回帰タスク向けのAutoMLサービスであり、ドキュメントを参照して質問に回答するユースケースには適していません。
選択肢Dの基盤モデルのコンテキストウィンドウにすべての判例データを含める方法はサイズ制限があり、膨大な判例全体を収めることは非現実的です。
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 →