AIP基盤モデルの統合、データ管理、コンプライアンス
大手金融機関が Amazon Bedrock Knowledge Bases と OpenSearch Serverless を使用したRAGシステムを構築しています。知識ベースには「レポレート」「CDO（Collateralized Debt Obligation：債務担保証券）」「LIBOR（London Interbank Offered Rate：ロンドン銀行間取引金利）」などの金融専門用語を含む技術文書が格納されています。ベクトル検索のみでは専門用語を含む検索クエリで関連文書が取得できないケースが頻発しています。精度を改善するために採用すべき最適な検索戦略はどれですか？
A埋め込みモデルを Amazon Titan Embeddings V2 に変更し、金融ドメイン特化の事前学習済みモデルを使用する
埋め込みモデルをTitan Embeddings V2に変更するだけでは、専門用語のキーワード一致という根本課題は解決しません。
Bハイブリッド検索を有効化し、スパース検索（BM25アルゴリズムによるキーワード一致）とデンス検索（ベクトル類似度）の両結果を組み合わせてスコアリングする
✓ 正解
ハイブリッド検索はBM25（スパース、キーワード完全一致に強い）とベクトル検索（デンス、意味的類似に強い）を組み合わせます。金融専門用語は汎用埋め込みモデルの学習データに少なく意味的表現が弱いため、BM25補完が有効です。Bedrock Knowledge BasesはOpenSearch Serverlessでハイブリッド検索をネイティブサポートしています。
CAmazon Kendra を Knowledge Bases のフロントエンドとして統合し、機械学習ベースのエンタープライズ検索に移行する
Amazon Kendra統合はエンタープライズ文書検索向けサービスであり、既存のBedrock Knowledge Bases構成から大規模なアーキテクチャ移行が必要になります。
Dチャンクサイズを256トークンに縮小し、max_results を20件に増加させてリランキングモデルで精度を向上させる
チャンクサイズスケーリングとリランキングはコンテキストの断片化を招く可能性があり、キーワードマッチングの根本問題を解決しません。
解説
ハイブリッド検索はBM25（スパース、キーワード完全一致に強い）とベクトル検索（デンス、意味的類似に強い）を組み合わせます。金融専門用語は汎用埋め込みモデルの学習データに少なく意味的表現が弱いため、BM25補完が有効です。Bedrock Knowledge BasesはOpenSearch Serverlessでハイブリッド検索をネイティブサポートしています。
選択肢Aの埋め込みモデルをTitan Embeddings V2に変更するだけでは、専門用語のキーワード一致という根本課題は解決しません。
選択肢CのAmazon Kendra統合はエンタープライズ文書検索向けサービスであり、既存のBedrock Knowledge Bases構成から大規模なアーキテクチャ移行が必要になります。
選択肢Dのチャンクサイズスケーリングとリランキングはコンテキストの断片化を招く可能性があり、キーワードマッチングの根本問題を解決しません。
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 →