「AI_COMPLETE構造化出力」（およびその前身である「COMPLETE構造化出力」）では、JSONスキーマを「response_format」引数として指定することで、完了レスポンスが定義済みの構造に従うことを保証できます。これにより、AIデータパイプラインにおける後処理の必要性が大幅に軽減され、確定的なレスポンスを必要とするシステムとのシームレスな統合が可能になります。JSONスキーマオブジェクトは、必須フィールドを含む構造、データ型、制約を定義します。モデルに「JSONで応答」するように指示することで複雑なタスクの精度を向上させることができますが、「response_format」引数はスキーマを適用するための直接的なメカニズムです。「temperature」を0に設定すると、構造化出力タスクでより一貫性のある結果が得られます。オプションAはプロンプトエンジニアリングの一種であり、役立ちますが、「response_format」のように厳密な準拠を保証するものではありません。オプションBは出力構造ではなく、ランダム性と長さを制御します。オプションDは、単一の構造化出力呼び出しと比較して、複数の関連フィールドを抽出する効率が低くなります。オプション E の「ガードレール」は、安全でないコンテンツや有害なコンテンツをフィルタリングするためのものであり、出力形式を強制するためのものではありません。

「COMPLETE (SNOWFLAKE.CORTEX)」関数でステートフルな会話型エクスペリエンスを提供するには、以前のすべてのユーザープロンプトとモデル応答を引数の一部として渡す必要があります。この引数はオブジェクトの配列を受け入れます。各オブジェクトはターンを表し、「role」（「system」、「user」、「assistant」）と「content」キーが時系列で表示されます。Streamlitでは、st.session_statesがアプリケーションの再実行間でデータを保存および管理するための標準かつ推奨されるメカニズムであり、チャット履歴の維持に最適です。オプションAは、「COMPLETE」が本質的に外部テーブルからの履歴を管理しないため、非効率的で誤りです。オプションBは、「COMPLETE」が通話間の状態を保持しないため、履歴を明示的に管理する必要があるため誤りです。オプションDは、意味的なロールの区別が失われ、LLMの精度が低下する可能性があるため、構造化された履歴よりも効果が低くなります。オプションEは、「COMPLETE」関数に存在しないパラメータについて説明しています。

オプション B は正解です。パラメータを 'ANY_REGION' に設定すると、デフォルトとは異なるリージョンで推論リクエストを処理できるようになり、ローカルリージョンでネイティブにサポートされていないモデルにアクセスできるようになります。たとえば、 claude- 3 - 5- sonnet は AWS US East 1 (N. Virginia) で使用でき、クロスリージョン推論を介して米国東部 (オハイオ) からアクセスできます。オプション C は正解です。クロスリージョン推論は、インバウンドまたはアウトバウンドの推論リクエストのいずれに対しても、米国 SnowGov リージョンでは明示的にサポートされていないためです。オプション A は不正解です。クロスリージョン推論中は、ユーザー入力、サービス生成プロンプト、および出力は保存またはキャッシュされません。オプション D は不正解です。レイテンシーはクラウドプロバイダーのインフラストラクチャとネットワークの状態によって異なるため、テストをお勧めします。オプション E は不正解です。 CORTEX_ENABLED_CROSS_REGION はセッションパラメータではなく、アカウントレベルのパラメータです。

オプション B は正解です。Cortex Search は、Snowflake データからのコンテキスト情報を使用して LLM 応答を強化する RAG エンジンとして明示的に設計されており、事実の正確性に直接対処し、幻覚を軽減します。オプション C は正解です。AI Observability の評価機能 (「事実の正確性」および「根拠」スコアを含む) は、取得されたコンテキストに基づいて応答の真実性と関連性を検出し、特に要約タスクで幻覚頻度の高い LLM を回避するために特に言及されています。オプション D は正解です。Cortex Analyst Verified Query Repository (VQR) は、特定の自然言語の質問に対して事前検証済みの SQL クエリのコレクションを提供し、SQL 生成の精度と信頼性を大幅に向上させ、テキストから SQL へのコンテキストで「幻覚」と見なされる可能性のあるエラーを削減します。オプションAは不正解です。「SNOWFLAKE.CORTEX.FINETUNE」を使用した微調整によってモデルを特定のタスクやデータに適応させることはできますが、微調整データ自体が限られている場合やモデルの一般化が不十分な場合など、LLMタスクにおける「すべての」事実上の不正確さや「幻覚」を直接的に防ぐことはできません。RAGは、最新の外部知識に基づいて応答をグラウンディングする場合に一般的に推奨されます。オプションEは不正解です。Cortex Guardは、「有害または安全でない」LLM応答をフィルタリングするように設計されており、事実の正確性を直接的に保証したり、コンテンツの正確性やグラウンディングに関連する幻覚を防いだりするものではありません。