ㅁ 프롬프트 설계

ㅇ 정의:
– 프롬프트 설계는 AI 모델이 사용자 입력에 대해 적절한 응답을 생성할 수 있도록 입력 구조를 설계하는 과정이다.

ㅇ 특징:
– 사용자의 요구를 명확히 반영해야 하며, 모델의 성능을 극대화하기 위한 최적화가 필요하다.
– 다양한 입력 조건에 대해 일관된 결과를 도출할 수 있도록 설계된다.

ㅇ 적합한 경우:
– 복잡한 문제를 단계적으로 해결해야 할 때.
– 모델의 응답 품질을 향상시키고자 할 때.

ㅇ 시험 함정:
– 프롬프트가 지나치게 복잡하거나 불명확하면 모델이 비일관적인 응답을 생성할 수 있다.
– 특정 사례에만 적합한 프롬프트를 일반적인 상황에 적용하려는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “프롬프트 설계는 모델의 성능을 향상시키기 위한 중요한 과정이다.”
– X: “프롬프트 설계는 모델의 모든 문제를 해결할 수 있다.”

================================

1. Chain-of-Thought

ㅇ 정의:
– Chain-of-Thought는 복잡한 문제를 단계적으로 해결하기 위해 모델이 논리적 추론 과정을 따르도록 유도하는 프롬프트 설계 방법이다.

ㅇ 특징:
– 모델이 문제를 해결하는 과정을 명시적으로 표현하도록 돕는다.
– 다단계 문제 해결에 적합하며, 응답의 신뢰성을 높인다.

ㅇ 적합한 경우:
– 수학적 계산이나 논리적 추론이 필요한 문제.
– 다단계로 나뉘는 복잡한 문제를 해결할 때.

ㅇ 시험 함정:
– Chain-of-Thought를 사용했음에도 불구하고 모델이 잘못된 추론을 하는 경우.
– 단순한 문제에 불필요하게 복잡한 Chain-of-Thought를 적용하는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Chain-of-Thought는 다단계 문제 해결에 적합하다.”
– X: “Chain-of-Thought는 모든 문제를 해결하는 데 필수적이다.”

================================

1.1 Chain-of-Thought의 하위 주요 기술

ㅇ 정의:
– 하위 주요 기술에는 Self-Consistency와 Zero-shot Chain-of-Thought 등이 포함된다. 이는 모델의 추론 과정을 더 정교하게 조정하는 기술들이다.

ㅇ 특징:
– Self-Consistency는 여러 추론 경로를 생성하여 가장 일관된 응답을 선택한다.
– Zero-shot Chain-of-Thought는 추가 학습 없이도 논리적 추론을 수행하도록 모델을 유도한다.

ㅇ 적합한 경우:
– Self-Consistency: 다양한 논리적 경로를 생성하여 최적의 결과를 도출할 때.
– Zero-shot Chain-of-Thought: 학습된 데이터 없이도 추론 능력을 활용해야 할 때.

ㅇ 시험 함정:
– Self-Consistency를 사용할 때 너무 많은 경로를 생성하여 계산 비용이 증가하는 문제.
– Zero-shot Chain-of-Thought를 과대평가하여 모델의 한계를 간과하는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “Self-Consistency는 여러 경로를 생성하여 최적의 결과를 선택한다.”
– X: “Zero-shot Chain-of-Thought는 모든 상황에서 완벽한 결과를 생성한다.”

================================

ㅁ 추가 학습 내용

프롬프트 설계에서 중요한 두 가지 개념은 Contextual Prompting과 Few-shot Learning이다.

1. Contextual Prompting:
– 정의: 사용자 입력에 추가적인 맥락을 제공하여 모델의 응답 품질을 향상시키는 방법.
– 목적: 모델이 보다 정확하고 유용한 응답을 생성하도록 돕는 것.
– 특징: 맥락은 질문의 배경 정보, 관련된 세부 사항, 또는 지시사항 형태로 추가될 수 있다.
– 사례: 특정 주제에 대한 질문을 할 때, 질문과 함께 관련된 정보를 제공하여 모델이 더 나은 답변을 생성하도록 유도.
예시: “다음 문장에 대한 요약을 작성하시오. 문장: ‘기후 변화는 전 세계적으로 심각한 영향을 미치고 있으며, 이를 해결하기 위한 국제 협력이 필요하다.'”

2. Few-shot Learning:
– 정의: 소량의 예제 데이터를 제공하여 모델의 성능을 개선하는 학습 방법.
– 목적: 모델이 적은 수의 예제를 통해 특정 작업을 이해하고 수행하도록 돕는 것.
– 특징: 몇 가지 예제를 제공함으로써 모델이 패턴을 학습하고 유사한 작업을 수행할 수 있게 한다.
– 사례: 문장 분류 작업에서 몇 개의 샘플을 제공하여 모델이 분류 기준을 이해하도록 함.
예시: “다음 문장을 긍정적 또는 부정적으로 분류하시오. 예시: 1) ‘이 영화는 정말 재미있다.’ -> 긍정적, 2) ‘이 제품은 매우 실망스럽다.’ -> 부정적. 문장: ‘이 식당의 서비스는 훌륭하다.'”

이 두 가지 개념은 시험 대비를 위해 사례와 함께 깊이 이해하고 연습하는 것이 중요하다. Contextual Prompting과 Few-shot Learning을 활용하면 모델의 응답 품질과 작업 수행 능력을 효과적으로 향상시킬 수 있다.