ある会社のカスタマーサポート部門は、自社の過去の問い合わせ 500 件を使って、Amazon Bedrock の 3 つの FM の要約の正確さを数値で比べたい。担当者の印象ではなく、自社の問い合わせでの成績で選ぶ必要がある。最も適切な方法はどれか。