AIF-C01#77(fundamentals-generative-ai)
ある企業は、生成 AI アプリケーションの応答の精度を向上させたいと考えています。このアプリケーションは、Amazon Bedrock 上の基礎モデル（FM）を使用しています。これらの要件を最もコスト効率よく満たすソリューションはどれですか？
正解：D
正解の根拠
プロンプトエンジニアリングはモデルの重みを変更せず、入力プロンプトの設計のみで応答品質を改善する手法で、追加の学習コストやインフラ費用が発生しません。Bedrock の標準オンデマンド料金で完結するため、ファインチューニングや再訓練と比べ最も低コストで精度向上を試せる第一選択肢となります。
精度向上手法のコスト比較
| 手法 | 相対コスト |
|---|---|
| Prompt Engineering | 低 (標準推論料金のみ) |
| RAG | 低〜中 (ベクトル DB 費用) |
| Fine-tuning | 中〜高 (訓練+ホスティング) |
| Pre-training | 非常に高 (大規模 GPU) |
不正解の理由
- A: ファインチューニングは訓練ジョブと専用 Provisioned Throughput が必要でコストが高くなります。
- B: 再訓練 (Continued Pre-training) はさらに大規模な計算資源を要しコスト効率が悪いです。
- C: 新規 FM のゼロからの訓練は数百万ドル規模の計算費用が発生し非現実的です。
コメント