ㅁ 프롬프트 설계

ㅇ 정의:
프롬프트 설계는 AI 모델이 사용자 요청에 적합한 응답을 생성할 수 있도록 입력 텍스트를 구성하는 과정이다. 이 과정은 모델의 성능을 극대화하고 원하는 결과를 얻기 위해 중요하다.

ㅇ 특징:
– 명확하고 간결한 문구를 사용하여 모델이 혼란 없이 이해할 수 있도록 한다.
– 다양한 사례를 포함하여 모델이 더 많은 정보를 학습하도록 유도한다.
– 사용자 요구에 맞는 결과를 얻기 위해 반복적인 테스트와 수정이 필요하다.

ㅇ 적합한 경우:
– AI 모델이 복잡한 작업을 수행해야 할 때.
– 명확한 결과물이 필요한 경우.
– 사용자 요청이 구체적일 때.

ㅇ 시험 함정:
– 프롬프트가 너무 길거나 복잡하면 모델이 오히려 혼란스러워질 수 있다.
– 지나치게 간단한 프롬프트는 원하는 결과를 얻지 못할 수 있다.
– 모델의 한계를 과대평가하여 비현실적인 기대를 설정하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 프롬프트 설계는 AI 모델의 성능을 향상시키기 위해 필요하다. (O)
2. 프롬프트는 항상 짧아야만 한다. (X)
3. 프롬프트 설계는 반복적인 테스트가 필요하지 않다. (X)

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

1. Few-shot

ㅇ 정의:
Few-shot은 AI 모델이 적은 수의 예제만으로도 학습하거나 적응할 수 있는 능력을 뜻한다. 이는 기존의 대량 데이터 학습 방식과는 다른 접근법이다.

ㅇ 특징:
– 모델이 소량의 데이터를 통해 빠르게 학습할 수 있다.
– 높은 일반화 능력을 요구한다.
– 데이터 준비 시간이 상대적으로 짧다.

ㅇ 적합한 경우:
– 데이터가 제한적이거나 수집이 어려운 경우.
– 새로운 작업에 빠르게 적응해야 할 때.
– 모델의 성능을 빠르게 검증하고자 할 때.

ㅇ 시험 함정:
– Few-shot 방식이 모든 상황에서 효과적일 것이라는 오해.
– 적은 데이터로 학습했기 때문에 항상 정확도가 낮을 것이라는 편견.
– 모델이 Few-shot 학습으로 일반화 능력을 갖추려면 사전 학습이 충분히 이루어져야 한다는 점을 간과하는 경우.

ㅇ 시험 대비 “패턴 보기” 예시:
1. Few-shot 학습은 적은 데이터로도 모델 학습이 가능하다. (O)
2. Few-shot 방식은 대량 데이터 학습보다 항상 더 우수하다. (X)
3. Few-shot 학습은 데이터가 부족할 때 적합하다. (O)

ㅁ 추가 학습 내용

Few-shot 학습은 모델이 소수의 예제만으로도 새로운 작업을 학습할 수 있는 능력을 의미하며, 이를 위해 사전 학습된 대규모 데이터셋을 활용하는 경우가 많다. 이는 모델이 사전 학습을 통해 이미 풍부한 언어적, 개념적 지식을 습득했기 때문에 적은 양의 데이터로도 특정 작업을 잘 수행할 수 있게 된다. 반면, Zero-shot 학습은 어떠한 예제도 없이 새로운 작업을 수행하는 능력을 말한다. Zero-shot 학습은 모델이 사전 학습 과정에서 얻은 일반화된 지식을 기반으로, 처음 접하는 작업에서도 적절한 결과를 도출할 수 있도록 한다. 시험 대비를 위해서는 Few-shot과 Zero-shot 학습의 정의, 차이점, 그리고 사전 학습된 대규모 데이터셋의 중요성을 명확히 이해하는 것이 필요하다. Few-shot 학습은 제한된 데이터 환경에서의 효율성을 강조하며, Zero-shot 학습은 완전한 일반화 능력을 테스트한다는 점에서 서로 다른 접근 방식을 가진다.