Q69 — AWS AIF-C01 第3章

第 69/100 問 | ← 第3章

あるMLエンジニアが、ファウンデーションモデル（FM）をデプロイし、そのFMの出力フォーマットを調整する必要があると考えています。このMLエンジニアは、FMの出力フォーマットを調整するための技術を実装したいと考えています。この要件を最もコスト効率よく満たす技術はどれですか？

• A. 検索拡張生成（RAG）
• B. プロンプトエンジニアリング ✓
• C. 特徴エンジニアリング
• D. ファインチューニング

正解: B. プロンプトエンジニアリング

解説

機械学習分野において、モデル出力フォーマットの改善には、プロンプトエンジニアリングが有効な手法です。プロンプトエンジニアリングは、モデルへの入力プロンプトを最適化することに焦点を当てており、これによりモデルのパフォーマンスを向上させ、応答フォーマットの改善といった特定のビジネス要件を満たすことができます。この手法は、モデルの再学習や複雑な特徴エンジニアリングと比較して、通常コスト効率が高くなります。検索拡張生成（RAG）は、生成コンテンツの関連性および品質を向上させるために使用されますが、応答フォーマットの改善には特化していません。特徴エンジニアリングはモデルパフォーマンスに重要ですが、主にモデル入力特徴の処理・最適化に焦点を当てており、応答フォーマットには関係しません。ファインチューニングは、新しいデータセットやタスクに合わせてモデルパラメータを微調整するものですが、応答フォーマットの改善という目的に対して最もコスト効率の良い手法とは限りません。したがって、本問の要件を最もコスト効率よく満たす技術はプロンプトエンジニアリングです。