AWS認定資格 無料問題集

解答

正しい解答：Ｂ. Ｅ.

1. Ｂ. 事前トレーニング済みモデルを活用して、最小限の追加データで適応させる。
2. Ｅ. パラメーター効率の高い手法（PEFT、LoRAなど）を利用する。

　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

　ファインチューニングにかかるコストを削減したい場合に適切なアプローチは、「事前トレーニング済みモデルを活用して、最小限の追加データで適応させる」 ことと 「パラメーター効率の高い手法（PEFT、LoRAなど）を利用する」 ことです。基盤モデル（FM：Foundation Models）のファインチューニングとは、大規模データによって事前学習されたFMに対して、特定の用途に合わせた追加データを用いて再学習させることで、タスク特化の性能を引き出す手法です。必要なデータ量や更新パラメーターを調整することで、効率的にモデルを適応させることができます。Amazon Bedrock 上の事前トレーニング済みモデルは、すでに大規模データで学習されているため、用途に応じた少量の追加データで性能を引き出せます。また、すべてのパラメーターを更新すると計算量が増えて、GPU処理時間やストレージにかかるコストが大きくなりますが、PEFT（Parameter-Efficient Fine-Tuning）や LoRA（Low-Rank Adaptation）のようなパラメーター効率の高い手法では、モデル全体ではなく一部の追加パラメーターのみを学習するため、計算リソースと時間を大幅に削減することができます。これによって、データ準備やトレーニングにかかるコストを抑えつつ、ビジネス要件に合ったモデルを効率的に構築できます。

ちなみに...
　PEFTやLoRAといった具体的な手法そのものが試験で直接問われる可能性は高くありませんが、ファインチューニングでは更新するパラメーター量や必要なデータ量を最小限に抑えることで、効率的にモデルを適応させられる点を理解しておくことが重要です。また、Amazon Bedrock では軽量ファインチューニングが採用されていることを押さえておくとよいでしょう。なお、Amazon SageMaker などで独自にトレーニングを行う場合には、スポットインスタンスを利用してコストを削減する方法もあります。スポットインスタンスは未使用キャパシティを割引価格で利用できますが、中断される可能性があるため、チェックポイントの設定が必要です。