*Few-shot example: 여러 예시를 제공하여 특정 작업이나 개념을 설명하는 방법
Few-shot prompt를 통한 ‘인턴기자 training’
https://chat.openai.com/share/3b57b7d8-2e53-43f6-bdc5-c5d40b970201
Few-shot prompt에 intermediate steps를 포함한 ‘데이터분석보고서 작성’
https://chat.openai.com/share/d6cb3422-0cc5-42cc-b420-70ba7e19720e
Few Shot Prompt란?
Few Shot Prompt는 대규모 언어 모델이 특정 패턴을 따르도록 가르치는 방법.
언어모델에게 소수의 예시를 제공하고, 이를 바탕으로 새로운 상황에 대한 적절한 반응을 생성하도록 가이드.
모델은 제공된 입력과 출력의 예시를 바탕으로 새로운 요청(입력)에 대해 적절한 출력을 생성할 수 있음(최소한의 데이터로 최대한의 학습 효과를 얻을 수 있음).
작동 원리
- 패턴 인식: LLM은 제공된 예시들을 분석하여 특정 패턴(입력과 출력 사이 관계)을 학습.
- 적용: LLM은 패턴을 학습하고, 그것을 새로운 상황에 적용하여, 주어진 입력에 대한 적절한 출력 생성
예시 활용
- 입력 예시: 모델에게 보여주는 특정 상황 또는 데이터. 예) 감정 분석의 경우, 각기 다른 감정을 나타내는 문장.
- 출력 예시: 해당 입력에 대한 모델의 반응(즉, 해결책). 예) 감정 분석의 경우, 각 문장에 대한 '긍정적', '부정적', '중립적'과 같은 결과값 출력.
활용 방법
1. 목표 설정: 분석하거나 해결하고자 하는 특정 작업 선정.
2. 적절한 예시 선정: 해당 작업을 수행하는 데 도움이 되는 몇 가지 예시 작성.
3. 모델 학습: 선정된 예시들을 모델에게 제공하여, 해당 작업을 수행하는 방법을 학습시킴.
4. 적용 및 평가: 새로운 데이터에 대해 학습된 패턴을 적용함으로써 생성된 출력 결과 평 가 후 조율.
장점과 한계
주요 장점은 적은 데이터로 빠르게 모델을 훈련 가능. 그러나 예시의 선택과 퀄러티가 모델의 출력값(성능)에 큰 영향을 미칠 수 있는 것으로 보임.
또한, 퓨샷 예시를 사용하는 대규모 언어 모델은 주어진 상황에 대해 적절한 결과를 가져오기에 복잡한 상황 판단과 행동 결정에 활용 가능할 것으로 보이며, 모델의 응용 범위를 확장할 수 있을 듯.
Few-shot Example : Intermediate steps
주제 선정 > 예시 개발 및 구체화 > 예시 간 비교 > 결론 제시 > 검토 및 수정
Few-Shot vs. Few Shot with intermediate steps
예시를 통한 패턴 학습 vs. 예시를 통한 task에 대한 구체적 order 수행