AIF-C01#34(fundamentals-generative-ai)
ある企業が Amazon Bedrock を使用して AI アシスタントを構築しています。この AI アシスタントは、顧客におすすめを提示することで、関連商品を見つける手助けをします。しかし、AI アシスタントの回答は、一般的（ generic）すぎて関連性が低い（irrelevant）ことがよくあります。この企業は、プロンプトエンジニアリングを使用して AI アシスタントの回答を改善したいと考えています。 この要件を満たすソリューションはどれですか？
正解：A
正解の根拠
Few-shot プロンプティングはプロンプトに少数の良質な例 (例: 顧客属性と推奨商品の対応例) を含めることで、LLM がドメイン固有のパターンを文脈学習し、一般的すぎる回答を避けて関連性の高い推奨を生成できるようになります。さらに明確な指示と制約条件を併記することで、Bedrock 上での回答品質を効率良く改善できます。
プロンプト技法の比較
| 技法 | 特徴 |
|---|---|
| Few-shot | 例示でドメイン適応 |
| Zero-shot | 例示なしの単発指示 |
| Chain-of-thought | 段階的推論を誘発 |
| RAG | 外部検索結果を注入 |
不正解の理由
- B: 推論ステップを隠してドメイン指示を無視するアプローチは、関連性向上の方向性に逆行する設定です。
- C: フォーマルな会話スタイル変更だけでは、回答が一般的すぎるという根本原因のドメイン情報不足を解消できません。
- D: ゼロショットはドメイン例示を含めない手法で、現状の一般的回答を改善する文脈学習効果が得られません。
コメント