Game Play Pattern > Few Shot Example > React pattern이용
실제 유니님과 여행가J님이 노코드툴인 framer로 만드신 wine&me _ 당신의 MBTI에 맞춤 와인추천 (framer.ai) 와 연결하여 광고수익 연계모델로 확장 추구
GPTs: MBTI 와인 매치메이커 :https://chat.openai.com/g/g-oqc08AWQ0-mbti-wain-maeci-meikeo
적용 프롬프트 사례 : https://chat.openai.com/share/9ba9f4fe-deae-481b-a4ff-2a88de39cd26
제목
MBTI 와인 매치 메이커: MBTI 유형에 맞는 게임을 리딩하고 평가하는 게임진행
배경
랜덤 답변이 아닌 안정화된 답변, 규칙을 지킨 결과값 추출이 가능하면 상용화된 서비스를 만들 수 있을지 않을까? 랜덤이 창의적이고 강점일 수 있지만, 상용화된 서비스에선 규칙을 좀 지켜줬으면 하는데 말이야…..
사용된 3가지 프롬프트
1) Game Play Pattern: 창의적 AI와 게임플레이의 연합
이 게임은 참가자가 와인 전문가의 역할을 맡아 MBTI 성격 유형에 적합한 와인을 선택하는 형태입니다. 이는 전통적인 게임 메커니즘을 AI와 결합하여 새로운 게임플레이 경험을 창출합니다.
"MBTI 와인 매치 메이커" 게임의 가장 독특한 측면 중 하나는 Game Play Pattern의 적용입니다. 이 게임에서 참가자들은 와인 전문가의 역할을 맡아, 주어진 MBTI 성격 유형에 가장 적합한 와인을 선택하는 임무를 수행합니다. 이 과정은 단순한 선택이 아니라, 각 성격 유형의 특징과 와인의 특성을 연결 짓는 복합적인 사고를 요구합니다.
전통적인 게임 메커니즘을 AI의 독창적인 가 능성과 결합함으로써, 이 게임은 참가자들에게 전혀 새로운 유형의 게임플레이 경험을 제공합니다. 참가자들은 각 MBTI 유형의 심리적 특성을 이해하고, 그에 부합하는 와인의 성질을 고려해야 합니다. 이러한 도전은 참가자들에게 MBTI와 와인에 대한 심층적인 이해뿐만 아니라, 창의적인 문제 해결 기술을 발휘할 기회를 제공합니다.
2) Few Shot Prompt: 제한된 정보로 안정되면서 최적의 결과 도출
참가자들은 제한된 정보 (MBTI 유형과 몇 가지 와인 옵션)를 바탕으로 최적의 선택을 해야 합니다. 이는 Few Shot Learning의 원리를 게임 디자인에 적용한 것입니다.
Few Shot Prompt의 개념은 "MBTI 와인 매치 메이커" 게임에서 중요한 역할을 합니다. 게임은 참가자들에게 제한된 정보 — 특정 MBTI 성격 유형과 몇 가지 와인 옵션 —를 제공합니다. 참가자들은 이 정보를 기반으로 가장 적합한 와인을 선택해야 합니다. 이는 Few Shot Learning의 원리를 게임 디자인에 적용한 것으로, 참가자들은 제공된 적은 양의 정보로부터 최대한의 학습을 추출해내야 합니다.
이 접근 방식은 참가자들이 정보를 신중하게 분석하고, 주어진 데이터에서 중요한 패턴을 식별하는 능력을 향상시킵니다. 또한, 이러한 도전은 참가자들에게 더 깊이 있는 사고와 분석적 접근을 장려합니다. 각 라운드에서의 선택은 단순한 추측이 아니라, 정보를 기반으로 한 교육적인 결정 과정이 되어야 합니다.
3) React 프롬프트: 선택에 대한 즉각적 피드백, 정확도 높은 정보 제공
게임은 참가자의 선택에 반응하여 피드백과 점수를 제공합니다. 이는 참가자의 선택과 그에 따른 결과에 대한 즉각적인 반응을 통해 학습 및 참여를 독려합니다.
React 프롬프트는 "MBTI 와인 매치 메이커" 게임의 핵심 요소 중 하나입니다. 게임은 참가자의 선택에 대해 즉각적으로 피드백과 점수를 제공합니다. 이 피드백은 참가자가 선택한 와인과 설명이 MBTI 유형과 얼마나 잘 매치되는지에 대한 평가를 포함합니다.
이러한 즉각적인 반응은 참가자들에게 그들의 선택의 결과를 명확하게 이해할 수 있는 기회를 제공하며, 학습 과정을 강화합니다. 또한, 이는 참가자들에게 자신의 판단과 결정에 대한 책임을 느끼게 하며, 다음 라운드에서 더 나은 선택을 하기 위한 동기를 부여합니다. React 프롬프트의 적용은 게임에 교육적 가치를 추가하며, 참가자들이 학습 경험을 더욱 적극적으로 참여하도록 유도합니다.
느낀점.
찰떡 같이 알아듣는 GPT지만, 역시 깊이 알고 GPT의 능력을 최대치로 발휘할 수 있는 프롬프트를 잘 써 주면 상용화 서비스에 필요한 훨씬 안정적인 답변과 규칙을 지킬 수 있음.
실행
1) Game Play Pattern을 이용하여 게임 만들기
•Instruction에 게임개요와 게임 규칙을 적어주면, GPT도 그에 따라 이렇게 똑같이 설명해 줌
•규칙에 대한 대답을 일관되게 나오도록 하기 위해서 temp. 0.2로 설정
•마지막에 관련 domain 사이트로 갈 수 있도록 route 안내지시
2) Few Shot Example 을 이용한 입력 방법, 출력 방법 규정하기
Instruction에 아래에 대한 예시를 주고, 동일하게 출력하게 함.
- 문제 패턴
- 와인선택 옵션
- 설명옵션에
3차 합산 점수가 25점 이하라 실패했을 때, Instruction에 3차 round를 모두 거친 후 total 점수를 산출하고 거기에 따른 결과를 예시를 주고 (통과, 실패 예시) 지속적으로 동일하게 작동하고, 안정적 format으로 운영이 될 수 있도록 함
3차 합산 점수가 25점 이하라 성공했을 때, Instruction에 3차 round를 모두 거친 후 total 점수를 산출하고 거기에 따른 결과를 예시를 주고 (통과, 실패 예시) 지속적으로 동일하게 작동하고, 안정적 format으로 운영이 될 수 있도록 함
3) React Prompting과 Temp.0.2를 활용하여 일반적 정보에 대한 사용화 게임을 위한 안정적 결과값 얻기
GPT에게 domain 지식이 요청되었을 때,
Research (전문가, 관련 사이트 검색) : 와인전문가, 와인전문 사이트, 와인관련 뉴스, 보고서를 활용해서 관련지식 검색요청
Action (핵심내용 추출) : 이 중 가장 중점으로 문의되고 검색되는 내용을 추출
Result (결과값 제시): 사용자/참가자의 요청에 따라 지식관련이기에 정확한 답변 제공
차례대로 할 수 있으나, 와인 정보가 많아서인지 한번에 해도 답이 잘 나와서 한번에 넣음.
정보에 대한 정확한 답변을 요구하기 위해 variation을 줄이기 위해 temp. 0.2로 설정하여 안정적 값을 출력할 수 있도록 세팅
첨부: 기법설명 —-
1) Game Play Pattern
• 대규모 언어 모델을 활용하여 게임 형태의 상호작용을 통해 새로운 지 식을 습득하거나 기존 지식을 향상시키는 방법. LLM을 게임 마스터로 활용하여 규칙을 만들고 게임을 진행하는 방식 구성.
• 프롬프트에 특정 주제나 기본 규칙을 제시하고, 모델이 이를 바탕으로 게임을 만들어 나가도록 유도함. 도전적이고 fun을 놓치지 않는 방법
• 핵심 요소
1.게임의 주제 설정: 학습하고자 하는 지식영역 및 학습주제 설정
2.규칙 정의: 게임의 기본 규칙 설정 후, LLM이 이 규칙을 바탕으로 게임을 진행하도록 가이드.
3.게임 진행: LLM이 도전과제를 제시하고 참여자가 답변 제출하면 LLM이 평가하고 피드백 제공지니어링
*활용분야: 다양한 학습, 고객 engagment를 위한 gamification 마케팅전략
2) React Prompt
다른 데이터 소스에 접근하고 다른 도구를 사용하여 효과적으로 작업을 수행하는 방법. 언어 모델이 특정 작업을 수행하기 위해 외부 도구를 사용해야 할 때를 사용.
언어 모델이 특정 프로세스를 이해하고, 필요한 단계를 파악. '사고의 연쇄(chain of thought)' 프롬프팅과 유사한 개념을 사용하지만, 언어 모델이 외부 검색 또는 자료를 사용해야 하는 특정 상황을 인식하고 처리하는 데 초점.
1.사고 과정(Think): 모델은 먼저 필요한 정보를 파악합니다.
2.외부 도구 사용(Action): 필요한 정보를 얻기 위해 웹 검색과 전문가 의견 탐색(API를 호출할 수 있습니다.
3.결과 통합(Result): 외부 도구에서 얻은 정보를 모델의 추론 과정에 통합; 다양한 문제를 해결하는 데 도움을 줄 수 있습니다.
3) Few Shot Prompt
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 평가 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