AWS Certified AI Practitioner 1-10

Amazon OpenSearch Serviceは、ベクトル検索（k-NN）機能を備え、テキストや画像を数値化した埋め込み（エンベディング）をベクトルデータベースとして保存・検索できます。
RAGでは、この保存された埋め込みに対して意味的な類似度検索を行い、関連文書を取得して基盤モデルへ渡すことで回答の精度を高めます。
「埋め込みの保存先＝ベクトルデータベース＝Amazon OpenSearch Service」という結び付きを覚えることが得点の近道です。
Ground Truthはデータのラベル付け、Transcribeは音声からテキストへの変換、Textractは文書からのテキスト・データ抽出を担うサービスであり、いずれもベクトル保存の役割は持ちません。
k-NN search – Amazon OpenSearch Service

F1スコアは、分類モデルの性能を評価する指標で、適合率（precision）と再現率（recall）の両方を考慮します。
適合率は「陽性と予測したもののうち実際に陽性だった割合」、再現率は「実際の陽性のうち正しく検出できた割合」を表します。
F1スコアは適合率と再現率の調和平均であり、両者のバランスを1つの数値で示すため、データの偏り（クラス不均衡）がある場合に特に有用です。
速度・コスト・エネルギー効率は性能の別側面であり、F1スコアの定義とは関係しません。
Evaluate the performance of models – Amazon Bedrock

Amazon Bedrock Guardrailsは、生成AIアプリケーション向けに設定可能な安全対策を提供する機能です。
入力プロンプトとモデルの応答の両方に対して、有害なコンテンツ（ヘイト・侮辱・性的・暴力など）の検出・フィルタリングや、PII（個人情報）の除去を行える点が正解の根拠です。
Agentsは外部システムと連携してタスクを自動実行する機能、inference APIsはモデルを呼び出す推論用API、custom modelsは独自データでの微調整（ファインチューニング）に用いるものであり、いずれも有害コンテンツのフィルタリングそのものを目的とはしていません。
Detect and filter harmful content by using Amazon Bedrock Guardrails

Amazon SageMaker AIは、MLモデルの構築・学習・デプロイを一貫して行えるフルマネージドサービスです。
最新データでモデルを繰り返し再学習（再トレーニング）できるため、精度を継続的に改善したいという要件に最も適合します。
Personalizeはレコメンデーションに特化し任意の需要予測モデルを柔軟に反復学習する用途には不向き、CloudWatchは監視・可観測性、Rekognitionは画像・動画分析のサービスであり、食品廃棄予測モデルの精度改善という目的には合致しません。
What is Amazon SageMaker AI?

正解ラベルが与えられていないデータから、類似性に基づいて自動的にグループ（クラスタ）を形成する処理は、教師なし学習のクラスタリングに該当します。
「ラベルなしで、特徴の類似性に基づき自動的にグループ化する」というキーワードが出たら教師なし学習と判断できます。
教師あり学習は正解ラベル付きデータで予測・分類を学習し、強化学習は試行錯誤と報酬で行動を学習、半教師あり学習は少量のラベル付きと大量のラベルなしデータを併用する手法であり、いずれも本要件の中心ではありません。
教師なし学習とは何ですか？ – AWS

LLM-as-a-judgeは、別の大規模言語モデル（LLM）を「審査員」として用い、出力の有用性・正確性・口調といった主観的な観点を自動で採点する評価手法です。
人手を介さず、自動的かつ再現可能に、主観的な品質軸で複数モデルを比較したいという要件にちょうど合致します。
文字列一致は完全一致の照合、ROUGEは要約と参照文の語句の重なりを測る指標で、いずれも口調のような主観評価には不向きです。
RAGは評価手法ではなく、外部知識を検索して回答を補強する生成の仕組みです。
Evaluate the performance of models – Amazon Bedrock

回帰モデルは、連続値（数値）を予測するために用いる手法です。
「将来の気温」のような連続した数値を予測するタスクが、回帰の典型的なユースケースです。
ジャンルを一覧から提案するのは分類（classification）や推薦、映画のクラスタリングは教師なし学習、画像の生成は生成モデルのタスクであり、いずれも連続値の予測ではありません。
「カテゴリを当てる＝分類」「数値を当てる＝回帰」という対比で覚えると判別しやすくなります。
機械学習（ML）とは何ですか？ – AWS

Amazon Bedrockは、複数の基盤モデル（FM）をAPI経由で利用できるフルマネージドサービスです。
一貫した文体でホテル説明文などの自然な文章を生成する（生成AIの）タスクには、基盤モデルを提供するAmazon Bedrockが最適です。
Comprehendはテキストからの感情分析やエンティティ抽出などの解析、Personalizeはレコメンデーション、Rekognitionは画像・動画分析のサービスであり、いずれも一貫した文体での文章生成を主目的とはしていません。
What is Amazon Bedrock?

多様性を反映したモデルにするには、学習データにおける各グループ（クラス）の代表性が偏らないよう、バランスを整えることが重要です。
クラスの代表性のバランスを取ることで、特定集団への偏り（バイアス）を抑え、公平で多様性を反映したモデルに近づけられます。
特定地域限定のデータではグローバルな多様性を欠き、多数派の過剰サンプリングや少数派レコードの削除は、いずれも偏りを悪化させ多様性の反映を損なうため不適切です。
Fairness, model explainability, and bias detection with SageMaker Clarify

プロンプトインジェクションは、悪意ある入力によって、システムに設定された本来の指示を上書き・逸脱させ、意図しない動作をさせる攻撃です。
「これまでの指示を無視して〜」のように、入力を通じて元の指示を乗っ取ろうとする典型がプロンプトインジェクションです。
データポイズニングは学習データを汚染する攻撃、モデル反転攻撃はモデル出力から学習データを推測する攻撃であり、いずれも本シナリオとは異なります。
ジェイルブレイクは制約回避を狙う点で近いものの、入力で既存の指示を上書きする本例はプロンプトインジェクションとして分類されます。
Detect and filter harmful content by using Amazon Bedrock Guardrails