多言語RAGの検索：ベクトル・メタデータ・性能を整理する

例題

金融サービス会社は、ユーザークエリとのセマンティック類似性に基づき、データベースから関連する金融規制文書を取得するカスタマーサポートアプリケーションを構築しています。 アプリケーションは、応答を生成するために Amazon Bedrock と統合する必要があります。 アプリケーションは、英語、スペイン語、ポルトガル語の文書を検索できる必要があります。 アプリケーションは、公開日、規制機関、文書の種類などのメタデータで文書をフィルタリングしなければなりません。 このデータベースは、約 10 百万件の文書 埋め込み を保存しています。 運用上の負担を最小限に抑えるため、当社は管理および保守作業を最小限に抑えるソリューションを求めています。 アプリケーションは、リアルタイムの顧客対応に対して低遅延の応答を提供しなければなりません。 どのソリューションがこれらの要件を満たしますか？

• A：ベクトル検索機能とメタデータフィルタリングを提供するために、Amazon OpenSearch Serverless を使用してください。 Amazon Bedrock Knowledge Bases に接続して、Anthropic Claude 基礎モデル（FM）を使用したリトリーバル拡張生成（RAG）機能を有効にしてください。
• B：pgvector拡張機能を使用してAmazon Aurora PostgreSQLデータベースを展開してください。 埋め込み とメタデータを格納するテーブルを定義してください。 SQL クエリを使用して類似性検索を実行してください。 取得した文書を Amazon Bedrock に送信し、応答を生成してください。
• C：Amazon S3 ベクターを使用して、ベクトルインデックスとフィルタリングできないメタデータフィールドを構成します。 S3 ベクトルを Amazon Bedrock と統合し、取得拡張生成（RAG）機能を有効にします。
• D：Amazon Neptune Analytics のグラフデータベースを設定する。 適切な次元を持つベクトルインデックスを設定し、ドキュメント 埋め込み を格納してください。 Amazon Bedrock を使用して、グラフベースの検索を実行し、応答を生成してください。

正解と元の解説

正解：A

A：Serverless ベクトル検索とメタデータ絞り込みを Knowledge Bases に接続できます。多言語に適した埋め込みも必要です。C の非フィルター項目は要件と逆です。千万件での応答は索引・負荷次第なので性能検証を行います。

見分けるポイント

意味の近い文書を探すことと、公開日や文書種別で候補を絞ることは別の検索条件です。両方を満たしたうえで、埋め込みモデルが対象言語に合うかを確認します。マネージド構成を選んでも、文書数が多い場合の応答時間は実際のデータと負荷で評価します。

考える順序

1. 多言語の意味検索に適した埋め込みを使う前提を確認する。
2. 検索対象から外したい文書を、メタデータ条件で表現する。
3. 文書数だけで低遅延を保証せず、索引・検索条件・同時負荷を含めて測定する。