1.오늘 학습 키워드
피그마의 기초 실습 및 AI 프롬프트의 이해
2. 오늘 학습한 내용을 나만의 언어로 정리하기
1) 데일리 스크럼 및 TO DO 작성
2) AI LITERACY 강의 및 피그마 강의 시청
3)1주차 피그마 과제 제출 및 TIL 작성
3. 학습하며 겪었던 문제점 & 에러
없음
4. 내일 학습 할 것은 무엇인지
피그마 2주차 강의 및 복습과 AI LITERACY 강의 1개 듣기
학습 내용
- AI literacy 프롬프트 이해
프롬프트란?
LLM한테 입력하는 모든 문장을 일컫는 말로 LLM의 정체성, 주임무, 사용자를 설명하기 위해 프롬프트 던저 지시하는 행동이다.
프롬프트의 요소
지시(instruction):LLM 수행해야하는 명령
입력값(input data):LLM을 받아들이는 값, 그림, 글
문맥(context):추가적인 정보, 어조, 말투
출력 지시자(output indicator): 출력틀, 양식
예시(example): 사용자가 원하는 추가적인 예시
자유도 & 토큰
자유도(temperature): LLM 답변을 자유도 설정
※자유도가 높으면 환각이 발생하지만 자유도가 떨어지면 추론 능력이 낮아진다.
토큰(token): LLM문장을 자르는 기준
※LLM 용량이 클수록 토큰 수가 늘어난다.
prompt Engineering: 프롬프트를 조정하는 활동
프롬프트의 종류
1)zero-shot prompting: 모델에 예시없이 원하는 작업을 지시, 사전 학습된 일반적인 지식과 문제를 해결
장점: 별도의 학습 수행하지 않고 사용자 입장에선 직관적이고 간편하다.
단점: LLM의 기존 학습된 내용에 오로지 의존해야한다.
2)Few- shot prompting: 프롬프트 내에 소수 관련 예시 포함시켜 AI 모델의 성능을 향상시키는 프롬프트 조정 활동이다
장점: 예시를 포함시켜 출력결과 예시를 볼 수 있다.
단점: 예시가 명확해야 하며 정확한 답변을 원할수록 더 많은 예시와 예외처리가 필요하다
3)Chain of Thought Prompting: 복잡한 문제를 해결할 때, 정답을 바로 제시하는 대신 사고 과정을 단계별로 걸처 추론하도록 유도하는 방식
.
장점: LLM추론 해나가는 과정을 볼 수 잇어 잘못된 부분이 있으며 피드백이 가능하다
단점:필요없는 내용까지 방대해질 수 있으며 답변을 후처리 가공이 필요하다
4)Tree of Thoughts: 복잡한 문제를 해결 과정의 나무처럼 여러가지 가능성을 탐색하고 최적의 경로를 찾는 방식이다.
ㅈㅏㅇ점: 여러 해결책을 구할수 있다.
단점: 어 느 답이 제일 적절한지 환각이 없는지 검증하거나 검증하기 힘들다.
5)Structured Prompting:구조를 갖춰서 절차 지향적으로 프롬프트를 작성하는 방법이다
장점:LLM이 절차를 수행하는데 가장 직관적인 방법이다
단점:사람이 이해하는 초점을 두기보단 기계의 입장에서 프롬프트를 이해하도록 작성하는데 초점을 맞춘다.
6)Generated knowledge Prompting :응답 정확도와 추론 능력을 향상시키기 위한 프롬프트 엔지니어링 기법
장점: 모델이 지식을 정리하고 사고 기반을 만들기 때문에 정확도와 추론력이 향상한다.
단점:생 성된 지식이 부정확할 경우 잘못된 정보를 기반으로 답이 더 틀릴 위험도가 있다.
(항상 느끼는 건데 뭘하면 될까..)
이 정도면 합격하겠죠?
사전캠프 기간이 끝나며
늦게 들어와서 남들 보다 못하는 것같고 무엇보다 노베이스로 좀 무섭고 힘들겠지만 내가 선택한 길이니
열심히 하고 TIL을 계속 쓰면서 내 자신이 점점 성장하는 모습을 봤으면 좋겠다.
본캠프까지 푹 쉬라는데 난 못 들었던 강의들을 보면서 남들 쫓아가야 겠다.
나 잘할 수 있겠지?
