WEB問題集
正解：B
正解の根拠
Agents for Amazon Bedrock は LLM に Action Group を介して外部 API 呼出やビジネスロジック実行能力を付与し、Knowledge Bases for Bedrock は社内ドキュメントを RAG として参照可能にします。両者を組み合わせることで、従業員が自然言語でクレームを確認し、関連ドキュメントを参照して詳細を引き出すアプリケーションを迅速に構築できます。
主要サービスの役割
| サービス | 役割 |
|---|---|
| Bedrock Agents | API 連携と多段推論 |
| Bedrock Knowledge Bases | RAG によるドキュメント検索 |
| Fraud Detector | 不正検出専用モデル |
| Personalize | レコメンデーション専用 |
不正解の理由
- A: Fraud Detector は不正取引検出に特化したサービスで、本問のクレーム照会と関連ドキュメント検索の用途には適合しません。
- C: Personalize はパーソナライゼーション専用で、Bedrock Agents のような多段推論や API 呼出機能は提供していません。
- D: SageMaker でゼロからモデル訓練するアプローチは構築期間と運用負荷が大きく、本問の要件には過剰な選択です。
正解：C
正解の根拠
基盤モデルがビジネス目標を効果的に達成しているかを判断するには、特定のユースケースとの整合性を評価することが最も重要です。汎用ベンチマーク性能が高くても、業務固有の要件 (出力品質、トーン、ドメイン知識、KPI への寄与) を満たさなければビジネス価値は出ません。Bedrock のモデル評価ではユースケースに即した独自データセットや人間評価を実施でき、目標との適合度を測定できます。
FM 評価アプローチの比較
| 観点 | 内容 |
|---|---|
| ユースケース整合性 | 業務目標との適合度を評価 |
| ベンチマーク性能 | 汎用指標、業務適合は別途必要 |
| アーキテクチャ分析 | 技術的特性、ビジネス成果と直結せず |
| 計算リソース | 運用コスト評価の指標 |
不正解の理由
- A: ベンチマークは標準データセットでの汎用性能評価で、特定業務での実際のビジネス価値を直接示すわけではありません。
- B: アーキテクチャやハイパーパラメータ分析は技術的特性の理解に有用ですが、ビジネス目標達成度の判断軸ではありません。
- D: 計算リソースの測定はコストやレイテンシ評価には役立ちますが、ビジネス成果との適合性を評価する指標ではありません。
正解：A
正解の根拠
AI モデルの説明可能性 (Explainability) はモデルの複雑さと強くトレードオフの関係にあります。線形回帰や決定木のようなシンプルなモデルは判断ロジックを直接追跡できますが、ディープニューラルネットワークや大規模 FM のような複雑モデルは内部表現が膨大で説明が困難です。ローン承認のような監査要件のある場面では、SageMaker Clarify や SHAP 等の補助手法、もしくは比較的単純なモデル選定が有効です。
説明可能性に影響する要因
| 要因 | 影響 |
|---|---|
| モデルの複雑さ | 複雑ほど説明困難 |
| トレーニング時間 | 学習効率の指標、説明性とは別 |
| ハイパーパラメータ数 | 調整自由度、説明性に直結せず |
| デプロイ時間 | 運用指標 |
不正解の理由
- B: トレーニング時間は学習効率や計算コストの観点であり、出来上がったモデルの判断根拠の理解しやすさを決める要因ではありません。
- C: ハイパーパラメータ数はチューニング対象の多さを示すもので、推論結果の説明可能性に直接影響を与えるものではありません。
- D: デプロイ時間は運用指標で、モデルの内部判断ロジックを人間に提示できるかどうかとは無関係の要素です。
正解：B
正解の根拠
ネガティブプロンプト (Negative Prompt) は、画像生成モデルに対して「生成してほしくない要素」を明示的に指定する手法です。Stable Diffusion や Amazon Titan Image Generator、Nova Canvas などで利用でき、不要なオブジェクト、低品質、特定スタイル等を除外することで、プロンプトとの関連性を高めた出力を得られます。プロンプトのテクニックを修正して無関係画像を減らす本問の要件に最適です。
画像生成プロンプト技法の比較
| 技法 | 特徴 |
|---|---|
| Negative Prompt | 除外要素を指定し関連性向上 |
| Zero-shot | 例示なしの単発指示 |
| Positive Prompt | 含めたい要素の指定 |
| 曖昧プロンプト | 無関連出力を増やす要因 |
不正解の理由
- A: ゼロショットプロンプトは例示を与えない手法で、無関係画像を抑制する仕組みではなく、本問の関連性向上要件には対応しません。
- C: ポジティブプロンプトだけでは生成してほしくない要素を排除できず、無関連出力を確実に減らす手段としては不十分です。
- D: 曖昧なプロンプトは指示の解釈幅を広げ、むしろ無関係な画像生成を増やす方向に作用するため要件に逆行します。
正解：A
正解の根拠
Amazon Q Developer は AWS サービス全般に関する質問応答、コード生成、トラブルシューティングを支援する生成 AI アシスタントです。AWS Glue のジョブスクリプト (PySpark/Scala) の生成や ETL ロジックの説明、API の使い方の案内が可能で、プログラミング経験が浅いユーザーでも自然言語の指示から Glue ベースのソリューションを構築できます。コンソールや IDE 内で対話的に活用できます。
関連 AWS サービスの役割
| サービス | 役割 |
|---|---|
| Amazon Q Developer | コード/AWS 利用支援 |
| AWS Config | リソース構成の評価/監査 |
| Personalize | レコメンデーション専用 |
| Comprehend | マネージド NLP |
不正解の理由
- B: AWS Config はリソース構成の変更追跡やコンプライアンス評価が目的で、Glue 開発者を支援する生成 AI アシスタントではありません。
- C: Personalize はレコメンデーション専用のマネージド AI で、Glue ジョブのコード生成や開発支援は提供していません。
- D: Comprehend はテキスト分析を提供する NLP サービスで、Glue 用のスクリプト生成や開発ガイダンスを行う機能はありません。