AWS認定資格 無料問題集

解答

正しい解答：Ｄ. 思考の連鎖（CoT：Chain-of-thought）を使用する。

　URL を直接入力して「解答・解説」画面を表示した場合、何を選択・解答したかを特定できないため、解答の正誤判定ができません。必要に応じて「同じ問題に再挑戦」ボタンをクリックして、この問題に再チャレンジしてみてください。

徹底解説

　大規模言語モデル（LLM：Large Language Model）を利用して、設備点検レポートを作成する本問題のようなケースにおいて、モデルが一貫したステップごとの推論過程を示して評価精度を向上させるための最適なアプローチは、「思考の連鎖（CoT：Chain-of-thought）を使用する」 ことです。CoTは、モデルが結論に至るまでの推論手順を段階的に言語化して、複雑な問題の理解とモデルの論理的な応答精度を高めるための手法です。いきなり最終結論を求めるのではなく、人間が問題を解くときのように思考の流れを段階的に展開するよう促します。このアプローチは、複雑なタスクを細かく分解して処理できるようにして、推論過程の透明性と説明可能性を高めながら、より信頼性の高い回答の生成につなげることができます。例えば、CoT を使用する場合と使用しない場合のプロンプトの違いを示す例として、最小コストで Amazon S3 に保存された大量の設備点検レポートのデータを分類する場合のアプローチを考えます。

[ CoTを使用しないプロンプト ] 
> Amazon S3 に保存された1万件の点検結果データをLLMを使用して、
> 分類する場合の最も安い方法を教えて。

[ 応答例 ] 
> Amazon Bedrock の小規模モデルを使うとコストを抑えられます。

　このように、結論だけが示され、なぜその方法が最も安いのかという根拠が不明瞭な回答となる場合があります。一方で、CoTを使用した場合、結論に至った経緯とともに応答が示されます。

[ CoTを使用したプロンプト （簡潔な推論）] 
> Amazon S3 に保存された1万件の点検結果データをLLMを使用して、
> 分類する場合の最も安い方法を検討しています。
> 前提条件を整理しながら、段階的に考えて説明してください。

[ 応答例 ] 
> まず、1万件の結果データを直接LLMに投げるとトークン量が増えて
> コストが高くなります。また、分類タスクは、大規模モデルを使う
> 必要がないため、小規模モデルで十分です。
> さらに、バッチ処理を行うことでAPI呼び出し回数を減らせます。
> これらを踏まえると、Amazon Bedrock の軽量モデル（例：Titan
> や Claude Haiku）を使用して、バッチ推論で分類する方法が最も
> 低コストとなります。

　CoTを用いることで、前提条件の整理からコスト要因の分析、中間結論、最終的な推奨方法までの思考プロセスが明示されて、説明可能性と信頼性の高い回答となります。
　その他の選択肢は、モデルが一貫したステップごとの推論過程を示して評価精度を向上させるための最適なアプローチではありません。「Few-shot prompting を使用して、モデルに例示を与える」 ことについて、これは、モデルにいくつかの入出力例を提示して、望ましい出力形式やタスクのパターンを学習させるのに有効な手法です。しかしながら、本問題で求められているのは 「ステップごとの推論過程を明示させること」 であり、Few-shot 自体は必ずしも推論の分解や思考の透明化を保証するものではありません。推論プロセスの一貫性や説明可能性を高めるという目的に直接的に対応しているCoTを使用するほうがよりよい解答となります。「プロンプトの長さを制限して、モデルのトークン使用量を最適化する」 ことについて、トークン数を制限することで、モデルの処理効率やコストを抑えることはできますが、推論プロセスの一貫性や説明可能性とは無関係であり、的外れな対応です。また、「出力の多様性を高めるためにTop-pサンプリングの値を大きくする」 ことについて、Top-pサンプリングの値を大きくすると、モデルがより多様な候補トークンから出力を選ぶようになり、創造性やバリエーションは増えますが、出力の一貫性や安定性が低下しやすくなります。推論過程の明示や精度向上という目的にも合致しないため、これも適切なアプローチとはいえません。

ちなみに...
　ここで示したような 「前提条件を整理しながら、段階的に考えて説明してください」 といったプロンプトは、ゼロショットCoTと呼ばれる単純なトリガーフレーズを追加する例のひとつです。