AIP基盤モデルの統合、データ管理、コンプライアンス
リーガルテック企業が Amazon Bedrock Knowledge Bases を使用した契約書分析システムを構築しています。契約書は「第1条（定義）」→「第1.1項（甲の定義）」のような階層的な条項構造を持ちます。現在の固定サイズチャンキング（500トークン）では条項の途中でチャンクが分割され、条項全体の意味が損なわれる問題が発生しています。ユーザーが「第3条の甲の義務」のような条項単位の質問をする際に最も正確な回答を提供できるチャンキング戦略はどれですか？
A固定サイズチャンキングのサイズを2048トークンに拡大し、オーバーラップを200トークンに設定する
（固定サイズチャンキングのサイズ拡大）は、条項の正確な境界を認識できません。
B意味的チャンキング（Semantic Chunking）を使用し、機械学習モデルが自動で文の意味的境界を検出してチャンクを分割する
（意味的チャンキング）も、条項の正確な境界を認識できません。
C階層チャンキング（Hierarchical Chunking）を使用し、小さな子チャンクを取得しつつ大きな親チャンクをコンテキストとして付与する
（階層チャンキング）は、親子構造を作るものの任意の法的構造には対応できません。Bedrock Knowledge BasesのカスタムチャンキングはLambda統合で任意のロジックを実装できます。
DLambda関数を使用したカスタムチャンキングを実装し、契約書の条番号・見出し構造を解析して条項単位でチャンクを生成する
✓ 正解
カスタムチャンキングはLambda関数で契約書の条項番号や見出しを解析し、条項境界に完全に沿ったチャンク分割が可能です。
解説
カスタムチャンキングはLambda関数で契約書の条項番号や見出しを解析し、条項境界に完全に沿ったチャンク分割が可能です。
選択肢A（固定サイズチャンキングのサイズ拡大）は、条項の正確な境界を認識できません。
選択肢B（意味的チャンキング）も、条項の正確な境界を認識できません。
選択肢C（階層チャンキング）は、親子構造を作るものの任意の法的構造には対応できません。Bedrock Knowledge BasesのカスタムチャンキングはLambda統合で任意のロジックを実装できます。
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 →