AIP実装と統合
製薬会社のMLチームは、独自の創薬研究論文・特許文書・臨床試験レポート（合計150GB、ラベルなし）を保有しています。基盤モデルが業界固有の専門用語（化合物名、作用機序、臨床指標など）や概念を深く理解できるようにしたいと考えています。ラベル付きQ&Aペアは現時点では存在しません。Amazon Bedrockで最も適切なカスタマイズアプローチはどれですか？
A指示ファインチューニング（IFT: Instruction Fine-Tuning）を使用し、ラベルなし文書をプロンプトフィールドにそのまま入力する
IFT（Instruction Fine-Tuning）はプロンプト/応答ペアのラベル付きデータが必須であり、ラベルなし文書をプロンプトフィールドにそのまま入力するだけでは指示学習として正しく機能せず、専門知識の内在化には不適切です。
B継続事前学習（CPT: Continued Pre-training）を使用し、ラベルなしの専門ドキュメントでモデルの基礎知識を追加学習する
✓ 正解
継続事前学習（CPT）はラベルなしのドメイン固有テキストでモデルを追加学習し、専門領域の語彙・概念・表現パターンをパラメータに内在化させます。ラベルなしの150GB専門文書というシナリオに最も適した手法です。
CBedrock Knowledge Basesに全ドキュメントをRAGとして登録し、ファインチューニングは行わない
Bedrock Knowledge BasesによるRAGは検索した文書を参照させて回答品質を高めますが、モデル自体のパラメータは更新されないため、基礎的な専門知識や概念理解そのものは向上しません。
DAmazon SageMaker Data Wranglerでラベルを自動付与してからBedrockでIFTを実行する
Data Wranglerはデータ前処理・特徴量変換のツールであり、専門文書から高品質な指示Q&Aペアを自動生成することはできません。ラベルなしの150GB専門文書にはIFTではなくCPTが最適なため、このアプローチは不適切です。
解説
継続事前学習（CPT）は、ラベルなしのドメイン固有テキストを使ってモデルを追加学習し、専門領域の語彙・概念・表現パターンをモデルのパラメータに内在化させる手法です。ラベルなしの150GB専門文書というシナリオに最も適しています。
選択肢AのIFT（Instruction Fine-Tuning）にラベルなし文書をプロンプトフィールドに入れる方法は、プロンプト/応答ペアのラベル付きデータが必須であり、ラベルなし文書を入れるだけでは正しく機能しません。
選択肢CのBedrock Knowledge Basesに全ドキュメントをRAGとして登録する方法は、検索時の参照には有効ですが、モデル自体の基礎的な専門知識は向上しません。
選択肢DのData Wranglerでラベルを自動付与してIFTを実行する方法は、Data Wranglerはデータ前処理ツールであり高品質な指示Q&Aペアを自動生成できず、不要な複雑さを招きます。ラベルなし文書にはCPTが適切です。
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AIP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 →