AWSが検索エージェントの多ターン強化学習を解説、4評価中3つで改善

例はBM25とベクトル検索を使い、nDCG@10で品質を評価します。失敗した軌跡には-1を与え、ターン数やトークン上限の超過も失敗に含めます。サーバーレス訓練、MLflowによる観測、再開可能なジョブも説明します。

作者は4つの独立した評価のうち3つで改善を報告しています。FreshStackは0.4112から0.4089へ小さく低下しました。対象構成の結果であり、強化学習がどの検索負荷でも改善する証拠ではありません。

自分の課題で基準を再現し、ツールと制限を固定して、順位品質と失敗軌跡を両方確認することが次の手順です。記事の日付は10月2日で、正確な時刻はAWS公式ブログRSSに基づきます。