MLA-C01 練習問題 10

ある ML エンジニアが、Amazon Bedrock で検索拡張生成（RAG）を使用して AI アシスタントを開発する必要があります。同社は PDF テキストファイルのコレクションを Amazon S3 バケットに保存しています。ML エンジニアは、PDF ファイルを処理し、処理されたファイルをベクトルストアに保存するために、Amazon Bedrock ナレッジベースを作成しなければなりません。 これらの要件を満たすソリューションはどれですか？

【正解】D

【0からの解説】
Amazon Bedrock ナレッジベースの仕組みを理解しましょう。ナレッジベースは、S3 などのデータソースから文書を取り込み、チャンクに分割し、「埋め込みモデル（エンベディングモデル）」で各チャンクを数値ベクトルに変換してベクトルストアに保存します。検索時はクエリも同じ埋め込みモデルでベクトル化し、意味の近い文書を取得します。

つまりナレッジベースの作成時に必要なのは「埋め込みモデル」の選択です。Bedrock のナレッジベースがサポートする埋め込みモデルには、Amazon Titan Text Embeddings 系と Cohere Embed 系（英語版・多言語版）があります。選択肢の中で実際に埋め込みモデルであるのは Cohere Embed Multilingual だけなので、D が正解です。

【誤りの選択肢】
A：Amazon Titan Text Premier はテキスト「生成」モデルであり、埋め込みモデルではありません。埋め込みを行うのは Amazon Titan Text Embeddings という別のモデルです（名前のひっかけに注意）。
B・C：Mistral 7B Instruct や Anthropic Claude Sonnet はテキスト生成モデルであり、また「指示チューニング」はモデルを指示に従うように追加学習する手法であって、文書をベクトル化してベクトルストアに保存するというナレッジベース構築の処理とは無関係です。

【参考】
Amazon Bedrock ナレッジベースの作成
Amazon Bedrock でサポートされている基盤モデル