AWS認定資格 WEB問題集＆徹底解説
会員登録/ログイン

生成AIデベロッパー-プロフェッショナル

正解 D問題

分野1：基盤モデルの統合、データ管理、コンプライアンスタスクステートメント1.5：FM 拡張向けの検索メカニズムの設計

1 2 3 4

前の問題

問題文と選択肢

ある産業機械メーカーは、設備保守マニュアルとトラブルシューティング手順書をAmazon Bedrockのナレッジベースで検索し、現場エンジニア向けアシスタントに手順を提示するシステムを構築している。ベクトルストアにはAmazon Aurora（pgvector拡張）を使用し、1件の問い合わせにつき類似度上位15件の手順文書を取得しているが、実際に最も適切な手順は6〜12番目あたりに埋もれていることが多く、エンジニアが必要な情報にたどり着くまでに時間がかかっている。

運用チームは、追加のインフラ管理や複雑な実装をできる限り避けながら、取得結果の並び順を改善し、最も関連性の高い手順を上位に表示したいと考えている。

運用負荷を最小限に抑えながら検索結果のランキングを改善する方法はどれか。

Amazon Auroraのpgvector拡張に2つ目のベクトル列を追加し、汎用埋め込みモデルと設備マニュアル特化の埋め込みモデルで並列にクエリを実行する。2つの結果セットをアプリケーション側でreciprocal rank fusionにより統合してから提示する
取得件数の上限を大幅に増やし、あわせて手順書のカテゴリを絞り込むメタデータフィルタをクエリに追加する。取得件数を増やせば関連する手順が結果に含まれる可能性が高まると想定する
Amazon SageMaker AIで現場エンジニアからのフィードバックを教師データとして埋め込みモデルをファインチューニングし、生成したカスタム埋め込みモデルをデプロイしたうえでナレッジベースの全文書を再インデックスする
検索で取得した候補文書をAmazon Bedrockのリランカーモデルに渡し、クエリと各候補との意味的な関連性をより深く分析して並べ替えたうえでアシスタントへ提示する

解説頻出度★★★★★

この問題は、「取得はできているが順位が悪い × 追加のインフラ管理を避けたい」という要件で、取得済み候補を並べ替えるマネージドなリランカーモデルを選べるかがポイント

A. Amazon Auroraのpgvector拡張に2つ目のベクトル列を追加し、汎用埋め込みモデルと設備マニュアル特化の埋め込みモデルで並列にクエリを実行する。2つの結果セットをアプリケーション側でreciprocal rank fusionにより統合してから提示する

2 つ目のベクトル列を追加して 2 種類の埋め込みで並列検索し、reciprocal rank fusion で統合する構成はハイブリッド検索として理屈は通るものの、運用負荷が要件に反します。
列の追加に伴う全文書の再埋め込みとインデックス再構築、2 系統の埋め込みモデルのバージョン管理、フュージョンロジックの自作と維持が発生します。
マネージド機能で同じ「並べ替え」の目的を達成できる以上、「複雑な実装をできる限り避けたい」という条件で落ちる選択肢です。

B. 取得件数の上限を大幅に増やし、あわせて手順書のカテゴリを絞り込むメタデータフィルタをクエリに追加する。取得件数を増やせば関連する手順が結果に含まれる可能性が高まると想定する

取得件数を増やしても、関連性の高い手順が上位に来ないという問題そのものは解決しません。むしろ候補が増える分だけノイズが混ざり、エンジニアが読む量とトークンコストが増えます。
メタデータフィルタは対象範囲の絞り込みには有効ですが、本問の課題は「対象外が混ざる」ことではなく「順位が悪い」ことです。「可能性が高まると想定する」という書きぶり自体が、保証の無い対症療法であることを示しています。

C. Amazon SageMaker AIで現場エンジニアからのフィードバックを教師データとして埋め込みモデルをファインチューニングし、生成したカスタム埋め込みモデルをデプロイしたうえでナレッジベースの全文書を再インデックスする

埋め込みモデルのファインチューニングは検索精度の根本改善になり得ますが、本問の要件（追加のインフラ管理と複雑な実装を避ける）とは正反対です。
教師データの収集・学習ジョブの実行・カスタムモデルのデプロイと運用に加え、ナレッジベースの全文書の再インデックスまで必要で、モデルを更新するたびに同じ作業が発生します。効果が出るまでのリードタイムも長く、まず試すべき手段ではありません。

正解

D. 検索で取得した候補文書をAmazon Bedrockのリランカーモデルに渡し、クエリと各候補との意味的な関連性をより深く分析して並べ替えたうえでアシスタントへ提示する

取得した候補文書を Amazon Bedrock のリランカーモデルに渡すと、クエリと各候補の関連性を個別に計算し直してスコア順に並べ替えられます。埋め込みのベクトル類似度より深くクエリと文書の対応を評価するため、6〜12 番目に埋もれていた手順を上位へ引き上げられます。
Amazon Bedrock ナレッジベースでは Retrieve / RetrieveAndGenerate の呼び出し時にリランキングを指定してデフォルトの順位付けを上書きでき、再インデックスも追加インフラも不要です。
上位のみを基盤モデルへ渡せば入力トークンが減り、コストとレイテンシーの低減にもつながる、運用負荷最小の正解です。

これだけ覚える（記憶フック）
「上位に来ない」＝リランキング。再インデックスも自作フュージョンも要らず、取得後に並べ替えるだけ。

正解への思考ルート

問題文から要件を抽出し、選択肢の適否を判断するのがポイントです。

要件	判断ポイント
最適な手順は取得済みだが 6〜12 番目に埋もれている	課題は再現率ではなく順位付け。取得後に並べ替えるリランキングが直球の解 →選択肢（D）が正解
追加のインフラ管理や複雑な実装をできる限り避けたい	マネージド機能を呼ぶだけで済むか、再インデックスや自作ロジックが要るかで切り分ける →選択肢（A・C）を消す
取得件数は既に上位 15 件	件数を増やしても順位は改善せず、ノイズとトークンコストが増えるだけ →選択肢（B）を消す
ベクトルストアは Amazon Aurora（pgvector）を利用中	リランキングは取得後の後段処理なので、ベクトルストアの構成を変えずに追加できる →選択肢（D）が正解

ひっかけポイント

選択肢 A の reciprocal rank fusion は用語として高度で正解らしく見えるが、2 つ目のベクトル列＝全文書の再埋め込みとフュージョンロジックの自作を伴い「運用負荷を最小に」の条件で落ちる
選択肢 B の「取得件数を増やす」は、再現率（取れているか）と順位（上位に来るか）の取り違え。本問は既に 15 件の中に正解が入っている
選択肢 C のファインチューニングは効果が大きそうに見えるが、学習データ収集・モデル運用・全文書の再インデックスという最も重い経路。RAG の精度問題でまず再学習に飛びつくのは典型的な誤答パターン
リランキングは取得（Retrieve）の後に候補を並べ替える処理であり、インデックスの作り直しは不要。「検索精度の改善＝埋め込みのやり直し」と短絡しないこと

出題バリエーション

同じ知識が本番では条件を変えて出題されます。

問題文がこう変わったら	正解はこう変わる
「そもそも関連する手順が取得結果に入っていない」	チャンキング戦略の見直しやハイブリッド検索・クエリ拡張など、取得段階の改善が正解軸に。
「特定の機種・版数の手順だけに絞りたい」	メタデータフィルタによる検索スコープの限定が正解軸に。
「基盤モデルへ渡すトークン量とコストを減らしたい」	リランキング後の上位数件のみを渡す構成＋プロンプトキャッシュ等の最適化が問われる。
「検索品質を継続的に評価したい」	Amazon Bedrock の RAG 評価（関連性スコアリング・コンテキスト一致検証）が正解軸に。

AWS認定資格 WEB問題集＆徹底解説
会員登録/ログイン

B. 取得件数の上限を大幅に増やし、あわせて手順書のカテゴリを絞り込むメタデータフィルタをクエリに追加する。取得件数を増やせば関連する手順が結果に含まれる可能性が高まると想定する

D. 検索で取得した候補文書をAmazon Bedrockのリランカーモデルに渡し、クエリと各候補との意味的な関連性をより深く分析して並べ替えたうえでアシスタントへ提示する

前の問題

会員機能

お役立ち情報

姉妹サイト

アンケート

サイト情報