프롬프트 엔지니어링 테크닉
이 페이지는 기계 번역을 통해 한국어로 번역했습니다. 어색한 표현이 있을 수 있으니 양해 바랍니다.
GPT-3와 같은 OpenAI 모델은 사용자 상호작용 중에 학습하거나 적응하지 않습니다. 대규모 데이터 세트에 대한 사전 학습을 기반으로 응답을 생성하며 개별 대화에서 지식을 업데이트하지 않습니다. 모델 기능에 대한 개선이나 업데이트는 실시간 학습이 아닌 OpenAI의 제어된 재학습 프로세스를 통해 이루어집니다.
이 섹션에서는 LLM이 특정 문제를 보다 효과적으로 해결하는 데 도움이 되는 신속한 엔지니어링 기술에 대해 설명합니다.
제로샷(zero-shot) 학습
LLM은 대량의 데이터로 학습되어 있기 때문에 프롬프트가 거의 없이도 일부 작업을 수행할 수 있습니다. 아래 예제를 시도하고 문장을 변경하여 어떤 결과가 나오는지 확인해 보세요.
텍스트를 중립, 부정 또는 긍정으로 분류합니다.
텍스트: 오늘 내 캘린더는 괜찮아 보입니다.
감정:
퓨샷(few-shot) 학습
예제와 복잡한 작업에 대해 제로샷 학습이 실패하는 경우, 퓨샷 프롬프트는 모델을 원하는 결과로 더 잘 유도할 수 있는 예제를 제공할 수 있습니다. 예제는 모델이 어떻게 작동하기를 원하는지 명확하게 보여줍니다. 아래 예시를 통해 결과를 확인해 보세요. 단발성 학습을 활용할 수 있는 다른 예가 더 있을까요?
헤드라인: 트윈스의 코레아, 옵트아웃 사용으로 자유 계약 시험대에 오르다
주제: 주제: 야구
헤드라인: 카타르 월드컵, 술 취한 선수들을 위한 구역이 생긴다
주제: 주제: 축구
헤드라인: 예이츠: 6주차 판타지 축구 정보
주제: 주제: 축구
헤드 라인: 부상이 워리어스의 발목을 잡지 않을 거라는 코치의 자신감
주제:
다음 두 섹션은 LinkedIn의 '미스터 프롬프티를 만나보세요' 글에 잘 설명되어 있으며, 인사이트를 공유해 주신 작성자 마리오 폰타나(Mario Fontana)에게 감사드립니다.
작업 세분화하기 (Task Breakdown)
이 기법에서는 사용자가 작업을 더 작고 관리하기 쉬운 단계로 세분화할 책임이 있습니다. 그런 다음 LLM은 사용자의 지시에 따라 작업을 완료합니다.
먼저 시스템 메시지를 업데이트합니다:
사용자는 꽃에 대한 시를 쓰고 싶어하는 유명한 시인입니다.
작업을 완료하는 방법에 대한 지침을 제공합니다.
아래에 사용자 프롬프트를 입력하여 '작업 세분화하기(task breakdown)'가 실제로 작동하는지 확인합니다.
꽃의 주요 특징을 파악하고, 꽃 한 송이를 골라
시에 대한 아이디어를 브레인스토밍하고, 초고를 작성합니다.
이후 시를 수정하고 시를 게시합니다.
===
지침:
- 꽃의 주요 특징을 파악합니다.
- 꽃의 다른 부분은 무엇인가요?
- 꽃의 색깔은 무엇인가요?
- 꽃의 모양은 무엇인가요?
- 꽃을 선택하세요.
- 어떤 종류의 꽃에 대해 쓰고 싶나요?
- 이 꽃을 선택한 이유는 무엇인가요?
- 시에 대한 몇 가지 아이디어를 브레인스토밍하세요.
- 꽃에 대해 어떤 말을 하고 싶은가요?
- 어떤 종류의 시를 쓰고 싶나요?
- 시의 초고를 씁니다.
- 시를 쓰기 시작하세요.
- 아직 완벽하지는 않더라도 걱정하지 마세요.
- 시를 수정합니다.
- 시를 소리 내어 읽습니다.
- 시를 수정합니다.
생각의 사슬(Chain of Thought) 프롬프트
이 기법에서 LLM은 작업을 더 작은 단계로 세분화하는 역할을 담당합니다. LLM은 세상에 대한 지식과 추론 능력을 사용합니다. 그런 다음 LLM은 작업의 해결책으로 이어지는 생각의 연쇄를 생성합니다.
플레이그라운드 페이지를 새로고침하여 시스템 메시지를 기본값으로 재설정하고 아래에 사용자 프롬프트를 입력하면 '생각의 사슬 프롬프트'가 작동하는 것을 확인할 수 있습니다:
달 위를 최초로 걸은 사람은 누구인가요? 단계별로 답변에 접근하고, 출처를 인용하고, 추론한 후 아래 형식으로 최종 답변을 공유하세요: 답은 다음과 같습니다: <이름>
조교에게 암스테르담과 런던 사이를 여행하는 가장 좋은 방법을 결정하는 데 도움이 되는 프롬프트를 작성하고 그 이유를 설명하세요.