AIP基盤モデルの統合、データ管理、コンプライアンス
グローバル EC 企業が Amazon Bedrock Knowledge Bases を使用した多言語商品検索システムを構築しています。商品カタログには 500 万件の商品が含まれ、商品説明は日本語・英語・スペイン語・フランス語で記述されています。最も重要な要件は、日本語で検索した場合に英語のみで記述された商品も意味的に適切に返せるクロスリンガル検索の実現です。ナレッジベースの埋め込みモデルを選定する際に最も適切なものはどれですか？
AAmazon Titan Text Embeddings V2 をコサイン類似度向上のために normalize=true と 1,024 次元を設定して使用する
Amazon Titan Text Embeddings V2 は 25 以上の言語をサポートしますが、単言語内のセマンティック検索向けに最適化されており、日本語クエリで英語商品説明を検索するクロスリンガル精度は Cohere Embed Multilingual v3 に劣ります。
BCohere Embed Multilingual v3 を使用する。100 以上の言語を単一の共有ベクトル空間にマッピングし、クロスリンガルセマンティック検索をネイティブにサポートする
✓ 正解
Cohere Embed Multilingual v3 は 100 以上の言語を単一の共有ベクトル空間にマッピングするため、日本語クエリと英語商品説明が意味的に近ければ同一空間内で近傍に配置されます。クロスリンガル検索要件を満たす最適なモデルです。
CAmazon Titan Multimodal Embeddings G1 を使用して商品画像とテキストを同一ベクトル空間に埋め込み、言語に依存しない類似度検索を実現する
Titan Multimodal Embeddings G1 は画像とテキストを組み合わせるマルチモーダル埋め込みモデルであり、言語をまたいだ多言語テキスト間のクロスリンガル検索精度向上を主目的とした設計ではなく、このユースケースには適していません。
D言語ごとに個別の Amazon Titan Text Embeddings V2 インスタンスを用意し、各言語の検索結果を逆ランク融合（Reciprocal Rank Fusion）で統合する
言語ごとに個別の埋め込みモデルを使用する構成では各モデルが自言語のベクトル空間に閉じているため、日本語ベクトルと英語ベクトルを直接比較できません。逆ランク融合を用いても日本語クエリによる英語ドキュメントのクロスリンガル検索は解決できません。
解説
Cohere Embed Multilingual v3 は 100 以上の言語を単一の共有ベクトル空間にエンコードするよう設計されています。日本語のクエリと英語の商品説明が意味的に近い場合、同一のベクトル空間内で近い位置に配置されるため、言語を指定せずともクロスリンガルな類似度検索が自然に機能します。Amazon Bedrock Knowledge Bases の埋め込みモデルとして設定でき、単一の KB で多言語コーパスへのクロスリンガル検索を実現できます。
選択肢Aの Amazon Titan Text Embeddings V2 は複数言語に対応していますが、単言語内のセマンティック検索に最適化されており、日本語クエリで英語ドキュメントを検索するクロスリンガル精度では Cohere Embed Multilingual v3 に劣ります。
選択肢Cの Amazon Titan Multimodal Embeddings G1 は画像とテキストを同一ベクトル空間に埋め込むマルチモーダルモデルであり、多言語テキスト間のクロスリンガル検索精度向上を目的とした設計ではありません。
選択肢Dの言語別モデル＋逆ランク融合は各言語モデルが自言語のベクトル空間に閉じており、日本語クエリで英語ドキュメントを直接検索するクロスリンガル検索を根本的に解決できません。
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 →