Claude 3 Opus または Claude 3.5 Sonnet（最大200,000トークンのコンテキストウィンドウ、マルチモーダル対応）をBedrock で使用し、文書全体をテキストと画像の複合入力として1リクエストで処理する
✓ 正解
Claude 3 Opus および Claude 3.5 Sonnet は最大200,000トークンのコンテキストウィンドウを持ち、150,000トークンの文書全体を分割なしで処理できます。またマルチモーダル対応のため、テキストと画像（表・図等）を複合入力として扱えます。法的解釈の精度が最優先の場合、これらのモデルが最適です。
B
Amazon Titan Text Premier（最大32,000トークンのコンテキストウィンドウ）を使用し、Amazon Textract で事前にテキスト抽出してから Bedrock に送信する
Amazon Titan Text Premier は32,000トークンのコンテキストウィンドウを持つため150,000トークンの文書を処理できず、Amazon Textract によるテキスト抽出は画像の文脈情報を失います。
C
Amazon Rekognition で画像要素を個別に分析し、その結果をAmazon Titan Text と組み合わせてAWS Lambda でオーケストレーションする
Amazon Rekognition で画像要素を個別に分析し、その結果をAmazon Titan Text と組み合わせてAWS Lambda でオーケストレーションする方法はアーキテクチャが複雑で統合的な法的文書理解に劣ります。
D
Amazon Titan Text Express（最大8,000トークンのコンテキストウィンドウ）を使用し、ドキュメントをRAGアーキテクチャで複数チャンクに分割して処理する
Amazon Titan Text Express は最大8,000トークンのコンテキストウィンドウを持つため要件を全く満たしません。
解説
Claude 3 Opus および Claude 3.5 Sonnet は最大200,000トークンのコンテキストウィンドウを持ち、150,000トークンの文書全体を分割なしで処理できます。またマルチモーダル対応のため、テキストと画像（表・図等）を複合入力として扱えます。法的解釈の精度が最優先の場合、これらのモデルが最適です。
選択肢BのAmazon Titan Text Premier は32,000トークンのコンテキストウィンドウを持つため150,000トークンの文書を処理できず、Amazon Textract によるテキスト抽出は画像の文脈情報を失います。
選択肢CのAmazon Rekognition で画像要素を個別に分析し、その結果をAmazon Titan Text と組み合わせてAWS Lambda でオーケストレーションする方法はアーキテクチャが複雑で統合的な法的文書理解に劣ります。
選択肢DのAmazon Titan Text Express は最大8,000トークンのコンテキストウィンドウを持つため要件を全く満たしません。