프롬프트 엔지니어링(Prompt Engineering)

오늘은 Chat GPT를 하기 위해 반드시 필요한 프롬프트 엔지니어링에 대해 알아보려한다.

Chat GPT의 이해는 선택이 아닌 필수이며, 그 중에서도 개발 영역과 비개발 영역의 구분 없이 모두에게 필요한 기술이 프롬프트 엔지니어링이라 생각한다. 그 이유에 대해 알아보겠다.

1. 정의

 윈도우에서 명령 프롬프트 창을 열고 명령어를 실행한 적이 한 번은 있을 것이다. 명령 프롬프트 창에서 특정 지령을 내리기 위해 입력하는 텍스트를 프롬프트라고 한다. 

 

AI도 동일한 의미로 사용이 된다. AI에게 지령을 내리기 위해 입력하는 값이 프롬프트인 것이다. 또한, 이런 프롬프트를 사람이 보다 정교하게, 구체적으로 만듬으로 최적의 결과물을 만들어낼 수 있도록 하는 방법이 프롬프트 엔지니어링이다.

 

프롬프트(Prompt)

- AI 분야에서 프롬프트 (Prompt)는 AI 모델로부터 응답을 생성하기 위한 입력값

 

프롬프트 엔지니어링(Prompt Engineering)

 - AI가 최적의 결과물을 만들어낼 수 있도록, AI 프롬프트를 작성하는 일

2. 프롬프트 엔지니어링의 장점

프롬프트 엔지니어링을 잘 했을 경우 아래의 5가지 장점을 가진다고 한다.

- 정확한 결과물 생성

- 더 빠른 결과 도출

- 스타일 및 톤의 조절

- 개인화된 대화

- 다양한 활용 가능성

3. 프롬프트 엔지니어링 가이드

In-context Learning

In-Context Learning과 Fine tuing의 가장 큰 차이점은 모델의 파라미터를 건드리지 않는다는 것이다. Fine tuning은 모델 학습 시에 발생하는 자원을 보다 효율적으로 튜닝하기 위한 기법이다. 그럼에도 불구하고 LLM을 튜닝하기에는 너무나도 큰 자원이 들어가기에 나온 방식이 In-context Learning이다. In-context Learning의 취지는 학습이 아닌 추론 시에(질문할 때) 기존의 모델에 가이드를 주면서 질문을 잘 해보자는 접근 방식이다.

 

=> Zero Shot Learning: 예제는 없이 기본 가이드만 주는 방식

=> One Shot Learning: 기본 가이드와 예제 1개만 제시하는 방식

=> Few Shot Learning: 기본 가이드와 여러개의 예제를 제시하는 방식으로 In-context Learning에서 가장 좋은 성능을 낸다.

 

Chain-of-Thought Prompting

- COT는 프롬프트를 보다 논리적으로 순서대로 작성해서 결과값의 성능을 높이는 방식이다.

- COT의 내용은 정리가 잘된 블로그 글이 있어서, 링크로 대체한다.
https://velog.io/@nkw011/nlp-chain-of-thought