過去の顧客属性と解約/継続の結果があり、新しい顧客の解約リスクを数値やクラスで把握したい。
別の業務では、確認済みの商品仕様を入力にして説明文の草案を作り、人が公開前に確認したい。必要な出力と評価の目的を比較し、モデルの名称だけで用途を決めない。
必要な出力に対する対応として適切なものを2つ選べ。
解約リスクの推定と商品説明文の草案生成を、必要な出力と評価で使い分ける。生成モデルでも分類できる場合があり、予測/生成を常に排他的なモデル分類として扱わない。
詳細解説
流暢さだけでは事実の正確さを示さない。本問の確認済み仕様と公開前レビューという条件を保つ。
入力条件に応じた文章の生成が目的である。草案を生成できることと、商品仕様の正確さや公開可否の確認は分ける。
既知の結果をもとに新しい入力の結果を推定する用途である。解約リスクに合うデータと評価を用意する。
必要な出力に対応する評価が必要である。文章の読みやすさだけでは、解約の予測が役に立つことを確認できない。
LLMを分類に使うこともできる。予測用途と生成用途は要求する出力の違いとして整理し、モデルの能力が常に排他的だとは扱わない。
公式資料で確認する
以下の項目を公式資料の記述と照合して確認します。
AWSの教師あり学習・生成AIの説明とBedrockの分類/文章生成の例を確認する。必要な出力・利用データ・評価方法を整理し、生成モデルでも分類できる点と、草案の事実確認を別に説明する。
参考にした公式資料
確認できる内容
解約リスク推定と商品説明文の生成を要求する出力で区別できる。生成モデルの分類利用を一律に否定せず、文章の自然さだけで予測性能や商品仕様の正確さを保証しない。
理解のポイント
- 必要な出力
- 予測と生成
- 分類利用
- 評価とレビュー
確認時の注意
- 確認環境: AWS公式AIF-C01 Task1.1と各AI/ML概念の一次資料を照合する。実モデルの訓練・本番操作は行わない。
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
要求する出力を先に整理する
解約のクラスや確率を見積もることと、商品説明文の草案を作ることでは必要な出力が異なる。名称や流行ではなく、業務上の目的・データ・制約をもとに方法を比較する。
モデルの能力を排他的に決めつけない
生成モデルを分類へ使える場合もある。予測か生成かという用途の整理を、どのモデルにも当てはまる厳密な二分法へ拡張しない。
評価と公開前の確認を対応付ける
解約予測にはその予測に合う評価、生成草案には仕様との照合や表現の確認が必要になる。流暢な文章や一度の成功だけで、事実の正確さや業務への適合を保証しない。