Eラーニングプラットフォームが Amazon Bedrock Knowledge Bases を使った AI チューターシステムを本番運用しています。ユーザーから「AIが教材の内容と矛盾する回答をしている」という報告が増加しており、チームは回答がソースドキュメントに根拠を持たないケースをリアルタイムで検出・ブロックし、ユーザーへの誤情報提供を防ぐ仕組みを、追加の開発工数を最小限に抑えて実装したいと考えています。最も適切なアーキテクチャはどれですか？
Bedrock Guardrails のグラウンディングチェックは、RAG パイプラインにおいて取得されたソースコンテキストと生成レスポンスの整合性をリアルタイムで評価するマネージド機能です。Knowledge Bases と統合すると、ソースドキュメントに記載のない主張や文書内容と矛盾する情報を含む回答を自動的に検出してブロックできます。設定はしきい値の調整のみで、カスタムコードの実装が最小限で済むため開発工数を抑えられます。 選択肢BのLambda + セルフ評価プロンプトは、追加の Bedrock API 呼び出しによるレイテンシ増加とコスト増大を招くうえ、同一モデルによるセルフチェックは評価の独立性が低くハルシネーションを見逃すリスクが高い。 選択肢CのOpenSearch 検索関連性スコアは、ドキュメントとクエリの取得関連性は評価できるが、生成テキストがそのドキュメントに実際に根拠を置いているかどうかは検証できない。 選択肢DのトークンCount比率は応答パターンの統計的偏りを検出するものであり、個々のレスポンスの事実的グラウンディングを評価する信頼できる手法ではなく誤検知率が高くなる。