AI - 프롬프트 엔지니어링 심화 학습

기본적인 사용법에 이어서 심화된 방법을 알아보자. 이번엔 하나씩 실제로 사용해 볼 계획이다.

 

In-context learning

ICL(In-context learning)은 프롬프트 엔지니어링의 방법으로, LLM 모델을 조정하지 않고 새로운 작업을 처리할 수 있다. 프롬프트의 내용을 기반해, 실시간으로 학습하는 것처럼 보이지만 실제로 LLM에 영향을 주지는 않는다.

 

이 방법을 활용해 생성형 AI를 더욱 맞춤형으로 사용할 수 있다. 이에 대해 자세히 알아보자.

 

 

퓨샷 러닝(Few-shot learning)

매우 적은 양의 데이터만으로 모델을 학습시키는 것이다. ICL에서의 퓨샷 러닝은 일부 예시만으로 올바른 응답을 할 수 있도록 하는 것이다. 프롬프트로 약간의 예시를 줌으로써 원하는 값을 얻을 수 있다.

 

원샷 러닝(One-shot learning)

하나의 샘플만으로 모델을 학습시키는 것이다. 활용은 아래와 같이 할 수 있다.

 

제로샷 러닝(Zero-shot learning)

AI 모델이 한 번도 본 적 없는 클래스나 카테고리에 대해 학습하지 않고도 예측할 수 있는 것

 

개인적으로, 이에 대해 이해를 확실하게 하지 못했다. 이전에 학습시킨 내용이 없거나 데이터 수집이 어려울 때 활용하는 방법이라고 하는데, 프롬프트 엔지니어링의 특성상 쉬운 학습이 가능하기 때문에 사용하진 않을 것 같다.

 

사고의 사슬(Chain of thinking, CoT)

복잡한 질문에 대해 모델이 답을 할 때, 이 사고 과정을 명시적으로 작성하여 정교한 답변을 생성하는 방법이다.

곧바로 답을 요구하는 것이 아니라 생략된 과정을 프롬프트에 추가하여 답이 나오는 과정을 참조할 수 있도록 한다.

처음엔 무슨 일인지 답을 아예 하지 않았다. 하지만, 다시 생성하니 아래와 같이 답했다.

원하는 결과가 아니라서 아쉽다. 이 기술에 대한 내용은 아래 사이트에 자세히 나와있다.

https://www.ncloud-forums.com/topic/63/

생각의 사슬(Chain-of-Thought) 프롬프트를 사용하여 추론 작업의 성능 높이기

 

 

역할극

AI에게 가상의 역할을 부여해 더욱 의도에 맞는 답을 얻는 방법이다.

자신이 기자인 것처럼 답을 작성했다.

 

질문의 사슬(Chain of question, CoQ)

앞서 이야기한 프롬프트 엔지니어링 기법을 총동원하여 연쇄적으로 질문하는 방법이다.