AIP実装と統合
ある医療系スタートアップは、医療コーディング（ICD-10コードの自動付与）タスクに特化したモデルを構築しようとしています。現在、Claude 3 Opusがこのタスクを高精度で実行できることを確認済みですが、月次処理量（100万件）では推論コストが採算に合いません。同社は50,000件の医療記録（正解ラベルなし）を保有しており、Claude 3 Opusにこれらを処理させることは可能です。コストを大幅に削減しながらOpusに近い精度を実現するには、Amazon Bedrockのどの機能を使用すべきですか？
AAmazon Bedrock Custom ModelsでClaude 3 Haikuを基盤モデルとして使用し、50,000件を手動でラベリングしてから指示ファインチューニング（IFT）を実行する
Custom ModelsでIFT（Instruction Fine-Tuning）を実行するには50,000件を手動でラベリングする必要があり、極めて非効率です。医療用途でのラベリング基準維持も困難です。
BAmazon Bedrock Model DistillationでClaude 3 Opusを教師モデル・Claude 3 Haikuを生徒モデルとして設定し、50,000件の医療記録を入力プロンプトとして提供する
✓ 正解
Model Distillationは大型教師モデル（Claude 3 Opus）が入力プロンプトに対して応答を自動生成し、その知識を小型生徒モデル（Claude 3 Haiku）に転移させます。ラベルなしでの実施が可能であり医療記録データに最適です。
CAmazon Bedrock Knowledge BasesにICD-10コードのリファレンスを登録し、Claude 3 HaikuでRAGベースの推論を実行する
RAG（Retrieval Augmented Generation）はモデル自体を最適化せず、外部コンテンツ検索結果を条件として推論するメカニズムです。モデルの知識蒸留には対応していません。
DAmazon SageMaker JumpStartで軽量な医療特化モデルをファインチューニングし、Bedrock Custom Model Importで取り込む
SageMaker JumpStartの軽量医療特化モデルでは商用FMの知識蒸留に非対応です。Bedrock Custom Model Importの対応範囲にも限定があります。
解説
Amazon Bedrock Model Distillationは、大型の教師モデル（Claude 3 Opus）が入力プロンプトに対して応答を自動生成し、その知識を小型の生徒モデル（Claude 3 Haiku）に転移させる機能です。ラベルなしの入力プロンプトを提供するだけでよく、手動ラベリングが不要なため50,000件の医療記録をそのまま活用できます。
選択肢AのIFT（指示ファインチューニング）は正解ラベルが必須であり、50,000件を手動でラベリングするコストと工数が発生するため、コスト削減という要件に反します。
選択肢CのRAGはモデル自体を最適化する手法ではなく、ICD-10リファレンスを参照させてもClaude 3 Haikuの基礎能力は変わらず、Opusに近い精度を実現することはできません。
選択肢DはSageMaker JumpStartで別のモデルをファインチューニングする手法で、Bedrockの商用FMに対して知識蒸留（Distillation）を適用することはできません。
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 →