無限ノック › AIP 練習問題一覧 › 問題AIP 基盤モデルの統合、データ管理、コンプライアンス
多国籍メーカーが Amazon Bedrock Knowledge Bases を使用して社内技術マニュアルのナレッジベースを構築しています。文書は日本語・英語・中国語・韓国語で作成されており、従業員が任意の言語でクエリを実行した際に、異なる言語で書かれた関連文書も取得できるクロスリンガル検索（言語横断検索）が要件です。単一のベクトルインデックスで全言語文書を管理する場合、埋め込みモデルの選択として最も適切なものはどれですか？
A Amazon Titan Embeddings V1 を使用し、全文書をあらかじめ英語に機械翻訳してからインデックスすることでクロスリンガル検索を実現する
Amazon Titan Embeddings V1 を使用し、全文書をあらかじめ英語に機械翻訳してからインデックスすることでクロスリンガル検索を実現するは、翻訳パイプラインは精度損失とコスト増大を招き、翻訳エラーにより検索漏れが発生する可能性があります。
B 言語ごとに個別の Knowledge Base を作成し Amazon Titan Embeddings V2 でインデックスして、クエリ時に全 Knowledge Base を並列検索して結果をマージする
言語ごとに個別の Knowledge Base を作成し Amazon Titan Embeddings V2 でインデックスして、クエリ時に全 Knowledge Base を並列検索して結果をマージするは、管理コストが増大し、各 Knowledge Base を個別に維持・更新する運用負荷が高くなります。
C Cohere Embed Multilingual モデルを使用し、100以上の言語を単一のベクトル空間にマッピングすることで言語をまたいだクロスリンガル検索を実現する
✓ 正解
Cohere Embed Multilingualは100以上の言語を共通のベクトル空間に埋め込むため、日本語クエリで英語文書を取得するクロスリンガル検索が単一インデックスで実現できます。各言語の意味的な関係性を共通ベクトル空間で保持するため、言語横断での検索精度が高いです。
D Amazon Titan Multimodal Embeddings G1 を使用し、テキストと画像を統合した多言語ベクトルインデックスを構築する
Amazon Titan Multimodal Embeddings G1 を使用し、テキストと画像を統合した多言語ベクトルインデックスを構築するは、テキストとImageの統合用途に特化しており、クロスリンガル特化ではありません。複数言語テキスト間のクロスリンガル検索には最適化されていません。
解説 Cohere Embed Multilingualは100以上の言語を共通のベクトル空間に埋め込むため、日本語クエリで英語文書を取得するクロスリンガル検索が単一インデックスで実現できます。各言語の意味的な関係性を共通ベクトル空間で保持するため、言語横断での検索精度が高いです。
選択肢A の Amazon Titan Embeddings V1 を使用し、全文書をあらかじめ英語に機械翻訳してからインデックスすることでクロスリンガル検索を実現するは、翻訳パイプラインは精度損失とコスト増大を招き、翻訳エラーにより検索漏れが発生する可能性があります。
選択肢B の 言語ごとに個別の Knowledge Base を作成し Amazon Titan Embeddings V2 でインデックスして、クエリ時に全 Knowledge Base を並列検索して結果をマージするは、管理コストが増大し、各 Knowledge Base を個別に維持・更新する運用負荷が高くなります。
選択肢D の Amazon Titan Multimodal Embeddings G1 を使用し、テキストと画像を統合した多言語ベクトルインデックスを構築するは、テキストとImageの統合用途に特化しており、クロスリンガル特化ではありません。複数言語テキスト間のクロスリンガル検索には最適化されていません。
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 →