AI901-Concept#71-1
注: この問題は、同じ前提を持つ一連の問題の一部です。それぞれの問題には異なる解決策が提示されます。
前提
ある法律事務所が、頻繁に追加・改訂される社内判例データベース (1 万件) を参照してクライアント問い合わせに応答するアシスタントを Azure AI Foundry で構築します。判例は週次で更新され、最新情報を常に参照させる必要があります。
解決策
ベース モデルは GPT-4o などの高精度 LLM をそのまま用い、判例データを Azure AI Search の vector index に登録、ユーザー質問のたびに関連判例を retrieve して prompt に注入する RAG パイプラインを Foundry で構成します。
この解決策は目的を満たしますか?
解説
【判定: はい】の理由
本シナリオは「事実情報 / 最新性 / 大量ドキュメント参照」が要件で、RAG が最適です。判例の追加・改訂は vector index の差分更新で済み、モデル再訓練が不要なため運用コストが極めて低く、最新性も保証されます。Azure AI Search は文書の chunk 化 / embedding 生成 / semantic ranker を含むエンドツーエンドのインデクシング機能を提供し、Foundry の RAG パイプラインに直接統合可能です。GPT-4o の長 context と citation 出力により、応答に根拠判例を引用させることもでき、Transparency と Accountability の観点でも合格です。
【「いいえ」が違う理由】
本ソリューションは Microsoft 公式が推奨する RAG の典型実装で、要件 (最新性 / 大量参照 / 正確性) を完全に満たします。「目的を満たさない」と判定する根拠はありません。
本シナリオは「事実情報 / 最新性 / 大量ドキュメント参照」が要件で、RAG が最適です。判例の追加・改訂は vector index の差分更新で済み、モデル再訓練が不要なため運用コストが極めて低く、最新性も保証されます。Azure AI Search は文書の chunk 化 / embedding 生成 / semantic ranker を含むエンドツーエンドのインデクシング機能を提供し、Foundry の RAG パイプラインに直接統合可能です。GPT-4o の長 context と citation 出力により、応答に根拠判例を引用させることもでき、Transparency と Accountability の観点でも合格です。
【「いいえ」が違う理由】
本ソリューションは Microsoft 公式が推奨する RAG の典型実装で、要件 (最新性 / 大量参照 / 正確性) を完全に満たします。「目的を満たさない」と判定する根拠はありません。
コメント