ㅁ 적합성/장점

1. One-shot Generation

ㅇ 정의:
한 번의 입력(프롬프트)으로 최종 결과물을 생성하는 방식의 생성 모델 접근법을 의미하며, 추가적인 반복 학습이나 피드백 루프 없이 결과를 산출함.

ㅇ 특징:
– 빠른 응답 속도와 단순한 처리 절차
– 모델이 학습 단계에서 이미 충분한 패턴과 규칙을 내재화해야 함
– 결과 품질이 모델 사전 학습 데이터 품질과 다양성에 크게 의존
– 후처리나 추가 수정 과정이 필요할 수 있음

ㅇ 적합한 경우:
– 시간 제약이 크고 빠른 결과물이 필요한 경우(예: 실시간 번역, 간단 이미지 생성)
– 반복 피드백이 어려운 환경
– 결과 품질보다 속도가 중요한 프로토타이핑 단계

ㅇ 시험 함정:
– One-shot Generation이 항상 품질이 높다고 오해
– Few-shot, Zero-shot과의 개념 혼동
– 후속 수정이 불가능하다고 단정하는 오류

ㅇ 시험 대비 “패턴 보기” 예시:
O: “One-shot Generation은 한 번의 입력으로 결과를 생성하며, 속도가 빠르다.”
O: “One-shot Generation은 사전 학습 데이터 품질에 따라 결과 품질이 좌우된다.”
X: “One-shot Generation은 반드시 반복 피드백 과정을 거친다.”
X: “One-shot Generation은 Few-shot 학습과 동일하다.”

ㅁ 추가 학습 내용

Zero-shot Generation: 예시 없이 문제를 해결하는 방식. 모델이 사전 학습된 지식을 바탕으로 직접 답을 생성함.
Few-shot Generation: 소수의 예시를 제공하여 모델이 패턴을 파악하고 문제를 해결하는 방식.
One-shot Generation: 단 하나의 예시를 제공하여 문제를 해결하는 방식.

차이점:
– Zero-shot은 예시가 전혀 없고, Few-shot은 여러 개(소수)의 예시, One-shot은 한 개의 예시를 제공.
– 예시 수에 따라 모델이 문제를 이해하고 패턴을 추론하는 방식과 성능이 달라짐.

One-shot Generation의 한계:
– 복잡한 조건이나 다단계 추론이 필요한 경우 품질이 저하될 가능성이 큼.
– 이러한 한계를 보완하기 위해 사전 프롬프트 엔지니어링과 후처리(Post-processing) 기법이 활용됨.

시험 출제 포인트:
– 속도와 품질 간의 트레이드오프 이해.
– 사전 학습 데이터 품질에 대한 의존성.