コンテンツ分野 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 1.1: 要件を分析し、GenAI ソリューションを設計する。
スキル 1.1.1: 特定のビジネスニーズと技術的制約に沿った包括的なアーキテクチャ設計を作成する (適切な FM、統合パターン、デプロイ戦略の使用など)。
スキル 1.1.2: 本格的なデプロイに進む前に概念実証の技術的実装を開発し、実現可能性、パフォーマンス特性、ビジネス価値を検証する (Amazon Bedrock の使用など)。
スキル 1.1.3: 標準化された技術コンポーネントを作成し、複数のデプロイシナリオにわたって一貫した実装を確保する (AWS Well-Architected フレームワーク、AWS WA Tool Generative AI Lens の使用など)。
タスク 1.2: FM を選定して設定する。
スキル 1.2.1: FM を評価して選定し、特定のビジネスユースケースや技術要件に沿って最適に調整する (パフォーマンスベンチマーク、能力分析、制限評価の使用など)。
スキル 1.2.2: 柔軟なアーキテクチャパターンを作成して、コードを変更せずに動的なモデル選択とプロバイダーの切り替えができるようにする (AWS Lambda、Amazon API Gateway、AWS AppConfig の使用など)。
スキル 1.2.3: レジリエントな AI システムを設計して、サービス中断中も継続的に運用できるようにする (AWS Step Functions サーキットブレーカーパターン、リージョンの可用性が限られているモデルに対する Amazon Bedrock クロスリージョン推論、クロスリージョンモデルのデプロイ、グレースフルデグラデーション戦略の使用など)。
スキル 1.2.4: FM カスタマイズデプロイとライフサイクル管理を実装する [Amazon SageMaker AI を使用したドメイン固有のファインチューニングされたモデルのデプロイ、モデルデプロイのための低ランク適応 (LoRA) やアダプターなどパラメータ効率の高い適応手法、SageMaker Model Registry を使用したバージョニングとカスタマイズ済みモデルのデプロイ、自動デプロイパイプラインを使用したモデルの更新、デプロイが失敗した場合のロールバック戦略、モデルの廃止と交換のためのライフサイクル管理の使用など]。
タスク 1.3: FM 消費のためのデータ検証と処理パイプラインを実装する。
スキル 1.3.1: 包括的なデータ検証ワークフローを作成して、データが FM 消費の品質基準を満たしているようにする (AWS Glue Data Quality、SageMaker Data Wrangler、カスタム Lambda 関数、Amazon CloudWatch メトリクスの使用など)。
スキル 1.3.2: テキスト、画像、音声、表形式データなどの複雑なデータタイプを、FM 消費に特化した処理要件に沿って処理するデータ処理ワークフローを作成する (Amazon Bedrock マルチモーダルモデル、SageMaker Processing、AWS Transcribe、高度なマルチモーダルパイプラインアーキテクチャの使用など)。
スキル 1.3.3: モデル固有の要件に従って FM 推論用の入力データをフォーマットする (Amazon Bedrock API リクエストには JSON フォーマット、SageMaker AI エンドポイントには構造化データ前処理、ダイアログベースのアプリケーションには会話フォーマットの使用など)。
スキル 1.3.4: 入力データの品質を高めて、FM の応答の品質と一貫性を向上させる (Amazon Bedrock を使用したテキストの再フォーマット、Amazon Comprehend を使用したエンティティの抽出、Lambda 関数を使用したデータの正規化など)。
タスク 1.4: ベクトルストアソリューションを設計して実装する。
スキル 1.4.1: FM 拡張に特化した高度なベクトルデータベースアーキテクチャを作成して、従来の検索機能を超える効率的なセマンティック検索を有効にする (Amazon Bedrock ナレッジベースを使用した階層組織、Amazon OpenSearch Service と Amazon Bedrock 統合用 Neural プラグインを使用したトピックベースのセグメンテーション、Amazon RDS と Amazon S3ドキュメントリポジトリ、Amazon DynamoDB とベクトルデータベースを使用したメタデータと埋め込みなど)。
スキル 1.4.2: 包括的なメタデータフレームワークを開発して、検索の適合率と FM インタラクションのコンテキスト認識を向上させる (S3オブジェクトメタデータを使用したドキュメントのタイムスタンプ、カスタム属性を使用した著者情報、タグシステムを使用したドメイン分類など)。
スキル 1.4.3: 高パフォーマンスのベクトルデータベースアーキテクチャを実装して、FM 検索のセマンティック検索パフォーマンスを大規模に最適化する (OpenSearch シャーディング戦略、ドメインに特化したマルチインデックスアプローチ、階層型インデックス作成手法の使用など)。
スキル 1.4.4: AWS のサービスを使用して、リソースに接続するための統合コンポーネントを作成する (ドキュメント管理システム、ナレッジベース、GenAI アプリケーションの包括的なデータ統合のための社内 Wiki など)。
スキル 1.4.5: データ管理システムを設計してデプロイし、ベクトルストアに FM 拡張のための正確な最新情報が含まれるようにする (増分更新メカニズム、リアルタイム変更検出システム、自動同期ワークフロー、定期更新パイプラインの使用など)。
タスク 1.5: FM 拡張のための検索メカニズムを設計する。
スキル 1.5.1: 効果的なドキュメントセグメンテーションアプローチを開発し、FM コンテキスト拡張の検索パフォーマンスを最適化する (Amazon Bedrock チャンク機能、固定サイズのチャンクを実装する Lambda 関数、コンテンツ構造に基づく階層型チャンク用のカスタム処理の使用など)。
スキル 1.5.2: 最適な埋め込みソリューションを選択して設定し、セマンティック検索のための効率的なベクトル表現を作成する (次元とドメインの適合性に基づく Amazon Titan 埋め込みの使用、Amazon Bedrock 埋め込みモデルのパフォーマンス特性の評価、埋め込みをバッチ生成する Lambda 関数の使用など)。
スキル 1.5.3: ベクトル検索ソリューションをデプロイして設定し、FM 拡張のセマンティック検索機能を有効にする (ベクトル検索機能を備えた OpenSearch Service、pgvector 拡張を備えた Amazon Aurora、マネージドベクトルストア機能を備えた Amazon Bedrock ナレッジベースの使用など)。
スキル 1.5.4: 高度な検索アーキテクチャを作成し、FM コンテキストに対して取得された情報の関連性と正解率を向上させる (OpenSearch を使用したセマンティック検索、キーワードとベクトルを組み合わせたハイブリッド検索、Amazon Bedrock リランカーモデルの使用など)。
スキル 1.5.5: 高度なクエリ処理システムを開発し、FM 拡張の検索効率と結果品質を向上させる (Amazon Bedrock を使用したクエリ拡張、Lambda 関数を使用したクエリ分解、Step Functions を使用したクエリ変換など)。
スキル 1.5.6: 一貫性のあるアクセスメカニズムを作成し、FM とのシームレスな統合を有効にする [関数呼び出しインターフェイスを使用したベクトル検索、モデルコンテキストプロトコル (MCP) クライアントを使用したベクトルクエリ、標準化された API パターンを使用した検索拡張など]。
タスク 1.6: FM インタラクションのためのプロンプトエンジニアリング戦略とガバナンスを実施する。
スキル 1.6.1: 効果的なモデル指示フレームワークを作成し、FM の挙動と出力を制御する (Amazon Bedrock Prompt Management を使用したロール定義の適用、Amazon Bedrock ガードレールを使用した責任ある AI ガイドラインの適用、テンプレート設定を使用した応答のフォーマットなど)。
スキル 1.6.2: インタラクティブな AI システムを構築し、コンテキストを維持して FM とのユーザーインタラクションを改善する (Step Functions を使用した明確化ワークフロー、Amazon Comprehend を使用した意図認識、DynamoDB を使用した会話履歴ストレージなど)。
スキル 1.6.3: 包括的なプロンプトマネジメントとガバナンスシステムを実装し、FM 運用の一貫性と監視を確保する (Amazon Bedrock Prompt Management を使用したパラメータ化テンプレートと承認ワークフローの作成、Amazon S3 を使用したテンプレートリポジトリの保存、AWS CloudTrail を使用した利用状況の追跡、Amazon CloudWatch Logs を使用したアクセスのログ記録など)。
スキル 1.6.4: 品質保証システムを開発し、FM のプロンプトの有効性と信頼性を確保する (Lambda 関数を使用した期待される出力の検証、Step Functions を使用したエッジケースのテスト、CloudWatch を使用したプロンプト回帰のテストなど)。
スキル 1.6.5: FM のパフォーマンスを強化して、基本のプロンプト手法を超えてプロンプトを繰り返し改良し、応答品質を改善する (構造化された入力コンポーネント、出力フォーマットの仕様、思考連鎖指示パターン、フィードバックループの使用など)。
スキル 1.6.6: FM で高度なタスクを処理する複雑なプロンプトシステムを設計する (Amazon Bedrock Prompt Flows を使用した順次プロンプトチェーン、モデル応答に基づく条件分岐、再利用可能なプロンプトコンポーネント、統合された前処理と後処理のステップなど)。
