変更要約: in-scope サービス網羅: 第2章2節に生成 AI 開発・エージェントの in-scope サービス節を追加（Kiro/Strands Agents/Amazon Bedrock AgentCore）
2.1生成 AI と基盤モデルの基礎
生成 AI、大規模言語モデル（LLM）、トークン、プロンプトと補完、基盤モデルといった生成 AI の基本概念を理解します。
生成 AI（Generative AI）は、学習した大量のデータをもとに文章・画像・コードなど新しいコンテンツを生成する AI です。その中核を担うのが 基盤モデル（foundation model）です。
2.1.1プロンプトと補完
- 基盤モデル（foundation model）：膨大なデータで事前学習され、幅広い用途に転用できる大規模モデル（例：Amazon Nova、Anthropic Claude、Amazon Titan、Meta Llama。いずれも Amazon Bedrock から利用可能）。タスクごとに作り直さなくてよい。
- 大規模言語モデル（LLM）：基盤モデルの一種で、次のトークンを確率的に予測して文章を生成する（Transformer 基盤）。
- プロンプト＝モデルへの入力（指示・質問）、補完（completion）＝モデルの出力、トークン＝テキストの処理単位（料金・コンテキスト長の基準）。
- マルチモーダル：テキストに加え画像・音声など複数種類を扱えるモデル。埋め込み（embeddings）：テキストを数値ベクトル化し意味の近さを比較（検索・RAG に利用）。
基盤モデルの出力を用途に合わせる方法は、手軽な順に3段階あります。
①プロンプトエンジニアリング＝指示・例・役割（システムプロンプト）の与え方を工夫する最も手軽な方法。
②RAG（検索拡張生成）＝社内文書などを検索してプロンプトに添え、最新・固有の情報に基づかせる方法（ハルシネーション低減）。
③ファインチューニング＝追加データでモデル自体を再学習する最も重い方法。AIF-C01 では「まずプロンプト工夫や RAG で足りないかを検討し、それでも不足ならファインチューニング」という順序感が問われます。
| 用語 | 意味 |
|---|---|
| 基盤モデル | 幅広く使える大規模事前学習モデル |
| LLM | 次トークン予測で文章生成 |
| プロンプト/補完 | 入力／出力 |
| トークン | テキストの処理単位（料金/長さ） |
| RAG | 検索した情報で回答を根拠付け |
| ファインチューニング | 追加データでモデルを再学習 |
シナリオ：社内ナレッジボット。 1つの基盤モデルを使い、まずプロンプト工夫で役割と回答形式を指定。社内規程に基づく正確な回答が必要なのでRAGで文書を検索して根拠付け（出典も提示）。独自の文体や専門タスクに深く適応させたい場合のみファインチューニングを検討。1モデルを多用途に転用できるのが基盤モデルの強みです。
混同に注意：
①プロンプト（入力）と補完（出力）を取り違えない。
②トークンは「文字数」ではなく独自の単位で、料金とコンテキスト長に効く。
③RAG（検索で根拠付け・モデルは変えない）とファインチューニング（モデル自体を再学習）は別物。
④基盤モデルは「1つを多用途に」、用途別 AI サービス（前章）は「特定タスク専用」。
Q. 基盤モデルと LLM の違いは？ 基盤モデルは画像・音声も含む広い概念、LLM はそのうち言語に特化したもの。Q. RAG とファインチューニングの選び方は？ 最新・社内データに基づかせたいなら RAG、独自の文体・専門タスクに深く適応させたいならファインチューニング。Q. トークンが多いとどうなる？ コンテキスト長の上限に近づき、料金も上がります。
「基盤モデル＝大規模な事前学習モデル」「LLM は次のトークンを予測」「プロンプト＝入力／補完＝出力」「トークン＝長さ・料金の基準」、および調整3段階（プロンプト＜RAG＜ファインチューニング）は頻出です。
2.1.2この節のまとめ
- 生成 AI の中核は基盤モデル、文章生成はLLM（次トークン予測）
- プロンプト（入力）→ 補完（出力）、単位はトークン。マルチモーダル・埋め込みも基本語
- 調整は手軽な順にプロンプト工夫＜RAG＜ファインチューニング
進捗の記録にはログインが必要です。
理解度チェック
（軽い確認用）Q1. 幅広い用途に使える大規模な事前学習モデルを表す用語はどれですか？
Q2. 大規模言語モデル（LLM）が文章を生成する基本的な仕組みはどれですか？
Q3. 生成 AI で、モデルへの「入力（指示や質問）」を表す用語はどれですか？