ChatGPT - 프롬프트 엔지니어링 (prompt engineering)
prompt engineering(프롬프트 엔지니어링)이란?
인공지능(AI) 모델, 특히 자연어 처리(NLP)를 다루는 모델에 특정 입력 형식을 제공하여 원하는 출력을 유도하는 기술입니다. 이 방법은 주로 대화형 AI나 언어 생성 모델에 사용되며, 사용자의 질문이나 요청을 AI가 이해하기 쉬운 방식으로 변환하여 효과적인 대답이나 결과를 얻기 위해 사용됩니다.
기본 원칙
명확하고 구체한 질문 또는 안내 작성
원하는 작업, 데이터, 출력 형식 등을 명시하고, 텍스트의 어조나 스타일도 지정해 주세요. 프롬프트가 길고 상세할수록 모델이 더 정확하고 관련된 결과를 생성할 가능성이 높습니다.
20세기 초 미국의 경제 상황에 대해 500자 내외로 요약해 줘. 이 내용은 중학생이 이해하기 쉬운 어휘와 문장 구조로 작성하고, 주요 산업 발전과 그 영향에 초점을 맞춰서 설명해 줘.
예시와 함께 요청하기
원하는 작업의 성공적인 실행 예시를 제공하면, AI가 그 예시에 맞춰 일관된 스타일로 대답하도록 유도할 수 있습니다. 예시는 텍스트나 이미지 등 다양한 형태로 제공할 수 있습니다.
나는 신화적인 동물들에 대한 짧은 이야기를 원해. 이를 위해 다음과 같은 예시를 제공할게:
‘어느 날, 한 작은 마을에 신비한 드래곤이 나타났다. 이 드래곤은 밤하늘을 밝히는 별들의 에너지를 흡수하여 마을을 보호해주었다. 하지만 어느 날, 별들이 사라지기 시작하자 마을 사람들은 드래곤과 함께 별들을 찾아 떠나는 여정을 시작했다.’
이 이야기처럼, 신화적인 동물이 주인공인 짧은 이야기를 작성해 줘. 이야기는 판타지와 모험 요소가 가미되어 있어야 해. 대략 500자 정도로 작성해 줘.
단계를 나눠서 요청하기
복잡한 작업의 경우, 세부적으로 필요한 단계를 나누어 정해서 알려줍니다. 예를 들어, 텍스트를 요약하고 번역하고 요약문에 있는 이름을 나열하는 작업을 요청한다면, 첫째, 둘째, 셋째로 순서대로 요청하세요.
다음 작업을 순차적으로 수행해 줘.
첫째, 톨스토이의 ‘전쟁과 평화’의 주요 줄거리를 300자로 요약해 줘.
둘째, 이 요약문을 영어로 번역해 줘.
셋째, 요약문에서 등장하는 주요 인물들의 이름을 나열해 줘
조건을 충족하는지 확인하기
알고 싶은 내용 중 일부에만 조건이 해당하는 경우, 어떤 결과를 알고 싶은지 명확하게 요청하세요.
다음의 조건을 만족하는 정보를 찾아서 알려줘.
나는 유럽의 주요 강들 중에서 길이가 1000킬로미터 이상인 강들에 대해서만 알고 싶어. 이 강들의 이름을 나열하고, 각각의 강이 흐르는 주요 국가들과 그 강의 특징을 간단히 설명해 줘. 예를 들어, 강의 길이, 주요 지류, 역사적 중요성 등에 대해 언급해 줘.
반복 피드백을 활용하기
모델의 응답이 만족스럽지 않을 경우, 피드백을 제공하여 수정을 요청합니다. 이 과정을 반복함으로써 점점 더 정확하고 적합한 응답을 얻을 수 있습니다.
나는 20세기 초반 뉴욕의 건축 양식에 대한 간략한 설명을 원해. 먼저 100자 내외로 이 주제에 대해 설명해 줘.
[첫 번째 피드백] - 설명이 너무 일반적임.
나는 아르누보와 아르데코 양식에 초점을 맞춘 설명을 원해.
[두 번째 피드백]
대표적인 건축물 예시를 몇 개 추가해 줘
문맥과 목적 고려하기
요청하는 작업의 목적과 문맥을 AI에게 명확히 설명하는 것이 중요합니다. 이렇게 하면 AI가 보다 적절한 방식으로 정보를 처리하고 제공할 수 있습니다.
나는 중학생을 대상으로 한 과학 프로젝트를 준비하고 있어. 이 프로젝트의 목적은 태양계의 행성들에 대한 기본적인 이해를 돕는 것이야. 그래서 네가 도와줬으면 하는 것은, 태양계의 각 행성에 대해 쉽고 이해하기 쉬운 언어로 간단한 설명을 해주는 거야. 각 행성의 주요 특징, 크기, 거리 등을 포함시켜서 약 50자 내외로 각 행성에 대해 설명해 줘. 이 정보는 중학생들이 과학 프로젝트에서 사용할 수 있도록 적합해야 해
In-context learning(인컨텍스트 러닝)
“In-context learning”은 인공지능, 특히 자연어 처리를 위한 머신러닝 모델에서 사용되는 개념입니다. 이 방식은 모델이 주어진 프롬프트 내의 맥락을 바탕으로 학습하고 그에 따라 응답을 생성하는 것을 의미합니다.
주요 특징
- 대량의 텍스트 데이터로 사전 학습 지식(언어의 기본 구조, 문맥, 다양한 주제에 대한 지식 등)을 활용합니다.
- 모델은 주어진 프롬프트의 맥락(예: 이야기의 연속, 질문에 대한 답변, 특정 주제에 대한 설명 등)을 분석하여 이에 적합한 응답을 생성합니다.
- 사용자의 프롬프트(예: 특정 스타일이나 형식을 요구 등)가 모델의 응답을 직접적으로 가이드합니다.
In-context learning은 모델이 새로운 특정 정보를 학습하기보다는 사전에 학습한 지식과 사용자의 입력을 통합하여, 보다 정확하고 일관된 응답을 제공하는 데 중점을 둡니다. 이 방식은 특히 복잡하고 다양한 사용자 요구에 대응하기 위한 중요한 방법입니다.
예시
다음은 세계 여러 나라의 수도에 대한 정보야.
1) 프랑스의 수도는 파리다.
2) 일본의 수도는 도쿄다.
3) 호주의 수도는 캔버라다.캐나다의 수도를 말해 줘
Zero-shot learning(제로샷 러닝)
모델이 훈련 과정에서 본 적 없는 새로운 데이터나 태스크에 대해 예측을 수행하는 능력을 말합니다. 이 방식은 모델이 훈련 동안 축적한 일반 지식과 추론 능력을 활용하여 완전히 새로운 상황에 적응합니다. Zero-shot learning은 데이터가 부족하거나 다양성이 필요한 상황에서 특히 유용합니다.
‘우주 탐사’라는 주제에 대해 설명해 줘. 우주 탐사의 기본 개념, 중요성, 그리고 미래 기술의 발전 방향에 대해 200자 내외로 요약해 줘.
One-shot learning(원샷 러닝)
모델이 한 개의 예시를 통해 특정 태스크를 학습하고 수행하는 방법입니다. 이 방식은 제한된 데이터에서도 높은 수준의 일반화와 패턴 인식 능력을 요구합니다. One-shot learning은 특히 데이터 수집이 어려운 분야에서 중요한 역할을 합니다.
주어진 문장: ‘책임감 있는 리더는 팀의 목표 달성을 위해 공정하고 윤리적인 결정을 내리며, 팀원들의 성장을 적극적으로 지원한다.’ 주어진 문장을 바탕으로, 책임감 있는 리더십의 중요성과 리더가 갖춰야 할 다른 특성에 대해 200자 내외로 추가적인 설명을 해 줘.
Few-shot learning(퓨샷 러닝)
모델이 소수의 예시(보통 몇 개에서 수십 개 사이)를 통해 특정 태스크를 학습하고 수행하는 방법입니다. 이 방식은 적은 양의 데이터를 통해 모델이 빠르게 학습하고 적응할 수 있도록 설계되어 있으며, 특히 특정 도메인이나 특이한 상황에 적용됩니다.
다음은 서로 다른 세 가지 시나리오의 요약이야:
- 소설에서 주인공은 시간 여행을 통해 과거를 바꾸려 한다.
- 다큐멘터리는 멸종 위기에 처한 동물들을 보호하기 위한 노력을 다룬다.
- 코미디 영화에서 주인공은 우연히 유명 인사가 되어 버린다.
이 세 가지 시나리오를 바탕으로, 새로운 시나리오 ‘미래의 도시에서 벌어지는 모험 이야기’를 개발해 줘. 이야기는 흥미롭고 창의적이어야 하며, 앞서 제공한 세 가지 시나리오의 요소들을 통합하거나 참고할 수 있어야 해
Chain-of-thought
인공지능, 특히 자연어 처리 분야에서 사용되는 접근 방식으로, 문제 해결 과정에서 중간 단계의 추론을 명시적으로 표현하는 방법을 말합니다. 이 방식은 AI가 복잡한 문제를 해결할 때 단순히 답만을 제시하는 것이 아니라, 그 과정에서 발생하는 생각의 연쇄를 드러내며 답에 이르는 과정을 보여줍니다.
논문에서 제시한 예시를 살펴보겠습니다.
Standard Prompting
Q: Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have now?
A: The answer is 11
Q: The cafeteria had 23 apples. If they used 20 to make lunch and bought 6more, how many apples do they have?
A: The answer is 27 (틀린 답)
Chain-of-Thought Prompting
Q: Roger has 5 tennis balls. He buys 2 more cans of tennis balls. Each can has 3 tennis balls. How many tennis balls does he have now?
A: Roger started with 5 balls. 2 cans of 3 tennis balls each is 6 tennis balls. 5 + 6 = 11. The answer is 11.
Q: The cafeteria had 23 apples. If they used 20 to make lunch and bought 6more, how many apples do they have?
A: The cafeteria started with 23 apples originally. They used 20 to make lunch. So they had 23 - 20 = 3. They bought 6 more apples, so they have 3 + 6 = 9. The answer is 9. (맞는 답)
그 외 여러가지
이전 대화를 기억하는가?
인공지능 모델은 이전 대화를 기억하고 있지 않습니다. 모델이 하나의 함수 이므로 입력 값이 함수를 거쳐서 출력 값이 나오는 것입니다. 이전 대화라는 개념이 없습니다.
웹서비스에서는 이전 대화를 기억 하던데요?
- 네 맞습니다. openai가 제공하는 웹서비스에서는 이전 대화 내용을 기억합니다. 웹 프로그래밍을 하여 구현한 것입니다. 모델 자체가 이전 대화를 기억하는 것은 아닙니다.
- API를 사용 해 보시면 바로 알 수 있습니다. API를 사용하면 이전 대화를 기억하지 않습니다. 이전 대화를 기억하게 하려면 이전의 대화와 답변도 하나의 입력으로 넣어야 합니다.
- 참고로 웹서비스도 이전 대화를 모두 기억하는 것은 아닙니다. 상황에 따라 다른 것 같습니다.
해시태그: #ChatGPT #prompt-engineering #인컨텍스트-러닝 #제로샷-러닝 #원샷-러닝 #퓨샷-러닝 #Chain-of-thought
댓글남기기