AIF-C01#53(fundamentals-generative-ai)
ある企業が、人事（HR）ポリシーに関する質問に答えるチャットボットを作成したいと考えています。この企業は大規模言語モデル（LLM）を使用しており、膨大なデジタルドキュメント（社内資料）を保有しています。 生成される回答を最適化するために、この企業が使用すべき手法はどれですか？
正解：A
正解の根拠
RAG (Retrieval-Augmented Generation) は LLM のコンテキストに、ベクトル検索で取得した社内 HR ポリシードキュメントを動的に注入する手法です。Bedrock Knowledge Bases に社内資料をインデックス化し、質問に応じた関連箇所を引用しながら回答することで、最新ポリシーに基づく正確な応答が得られ、ファインチューニングなしで実装できます。
HR Q&A 最適化手法の比較
| 手法 | 効果 |
|---|---|
| RAG | 社内資料を根拠に回答 |
| Few-shot | 例示で形式制御 |
| Temperature 調整 | 多様性制御のみ |
| トークン縮小 | コスト/精度低下 |
不正解の理由
- B: Few-shot は出力形式の誘導に有効ですが、膨大な社内ドキュメント全体の知識統合には RAG が適切です。
- C: Temperature を 1 にしても多様性が増すだけで、社内資料に基づく正確性は逆に低下する恐れがあります。
- D: トークンサイズを小さくしても回答品質が向上する根拠はなく、参照可能な情報量が減り精度低下を招きます。
コメント