행복 발전소

미국인들이 매일 입에 달고 사는 좋은 글귀

데니스리 — Mon, 12 Jan 2026 15:08:25 +0900

1. 고통없인 얻는 것도 없다 (No pain, No gain)

2. 어쩔 수 없지 (It is what it is)

3. 단순하게 가자 (Keep it simple)

4. 과정을 믿어라 (Trust the process)

5. 안 하는 것보다 늦는 게 낫다 (Better late than never)

6. 이것도 지나간다 (This too shall pass)

7. 말보다 행동이 중요하다 (Actions speak louder than words)

8. 좋은 건 시간이 걸린다 (Good things take time)

태양광 발전 사업 관련 용어 정리

데니스리 — Thu, 23 Oct 2025 09:16:49 +0900

** 프로젝트 : 자본금 1억으로 태양광 발전 사업 10년 후 연매출 5억원 돌파하기 **

태양광 발전 사업 관련 주요 용어를 정리해보았습니다.

발전 설비 관련 용어

태양전지 셀 (Solar Cell): 빛에너지를 전기 에너지로 직접 변환하는 반도체 소자입니다.
태양광 모듈 (Solar Module/Panel): 여러 개의 태양전지 셀을 조합하여 하나의 판으로 만든 것으로, 일반적으로 '태양광 패널'이라고 불립니다.
태양광 어레이 (Solar Array): 다수의 태양광 모듈을 연결하여 하나의 전력 생산 단위로 만든 시스템입니다.
인버터 (Inverter): 태양광 모듈에서 생산된 직류(DC) 전기를 가정이나 전력망에서 사용할 수 있는 교류(AC) 전기로 변환해주는 장치입니다.
ESS (Energy Storage System): 태양광 발전으로 생산된 전기를 저장해 두었다가 전력 수요가 많거나 전기 요금이 비싼 시간대에 사용하는 에너지 저장 장치입니다.

수익 구조 및 제도 관련 용어

RPS (Renewable Portfolio Standard): 한국에서 시행하는 신재생에너지 의무 할당제입니다. 대규모 발전사업자에게 총 발전량의 일정 비율 이상을 신재생에너지로 공급하도록 의무를 부과하는 제도입니다.
REC (Renewable Energy Certificate): 신재생에너지 공급인증서입니다. RPS 의무 이행 대상인 발전사업자가 신재생에너지를 이용해 전기를 생산했음을 증명하는 인증서입니다. REC는 별도로 거래가 가능하며, 태양광 발전 사업자의 중요한 수익원 중 하나입니다.
SMP (System Marginal Price): 전력 시장의 계통한계가격입니다. 한전이 전력을 구매할 때 적용되는 단가로, 전력 수요와 공급에 따라 시간대별로 달라집니다.
FIT (Feed-in Tariff): 발전차액지원제도입니다. 소규모 발전사업자가 생산한 전기를 안정적인 가격으로 구매하도록 보장하는 제도입니다. REC와 SMP를 합산한 가격으로 보장하는 한국형 FIT가 운영되기도 합니다.
REC 가중치: 신재생에너지 설비에 따라 부여되는 가중치입니다. 태양광 발전소의 설치 장소(건물, 수상 등)나 방식에 따라 REC에 가중치가 적용되어 더 높은 수익을 올릴 수 있습니다.
PPA (Power Purchase Agreement): 전력구매계약입니다. 발전사업자와 전기 판매 사업자 또는 전력을 직접 구매하고자 하는 기업 간에 장기간 안정적인 가격으로 전력을 사고파는 계약입니다.

사업 및 기술 관련 용어

kW (킬로와트): 태양광 발전소의 용량을 나타내는 단위입니다.
kWh (킬로와트시): 시간당 전력 생산량을 나타내는 단위입니다.
개발행위허가: 태양광 발전소 설치를 위해 토지 형질을 변경하거나 공작물을 설치할 때 받는 허가입니다.
분산형 전원: 대규모 중앙 발전소가 아닌, 소규모로 전력을 생산하여 필요한 지역에 분산 배치하는 전력원입니다. 소형 태양광 발전소는 분산형 전원에 해당합니다.
계통연계: 태양광 발전소에서 생산된 전기를 한전의 전력망에 연결하는 것을 의미합니다. 연계 용량에 따라 연결 방식이 달라질 수 있습니다.

성공적인 취업과 이직을 위한 TIPs

데니스리 — Tue, 21 Oct 2025 14:27:04 +0900

취업과 이직을 고민 중인 분들을 위한 TIPs을 공유하고자 합니다.

아래와 같이 단계를 구분하고, 각 단계별로 중요한 항목들을 정리했습니다.

궁금한 점이 있는 분들은 댓글을 남겨 주시면 확인하고 회신 드리겠습니다.

[성공적인 취업과 이직을 위한 Part별 상세 내용]

- Part.1 현황 파악 및 목표 설정

* 취업/이직 준비 중인 분들의 현재 상태 파악 (성향, 적성, 학력, 경력, 역량, 선호 직군/업무, 선호 기업, 선호 이유, 보완/보강 사항 등)

* 분류별 목표 기업군, 목표 직군 선정 (대기업, 중소기업, 스타트업, 정부기관, 기타 / 경영지원, 사업, 개발, 마케팅, 운영 등)

>> 결과물 : 적성/역량 매트릭스표

- Part.2 서류 준비

* 분류별 목표 기업군 조사 (기업별 담당업무 상세 내용, 프로젝트 성공 가능성, 과거 사례, 선호 인재상, 보상 체계, 재무 상태, 부서 분위기 등)

* 분류별 목표 기업군 평가 (수익기준 - 연봉, 성과급 등, 가치기준 - 직급, 인맥 등)

* 분류별 목표 기업별 자소서, 이력서 작성

* 분류별 목표 기업별 면접용 PT 작성 (이력서 제출 시 동시 제출)

* 분류별 목표 직군별 퍼스널 브랜딩 (블로그, 유튜브 등)

>> 결과물 : 기업조사 보고서 (담당업무 요구역량, 핵심키워드 등)

>> 결과물 : 자기소개서, 이력서

>> 결과물 : 면접용 PT

- Part.3 면접 준비 (서류 합격 후)

* 분류별 목표 기업별 예상 Q&A 작성

* 분류별 목표 기업별 모의 면접 (Q&A, PT 포함. PT에 회사 업무 관련 문의 사항 추가)

>> 결과물 : 예상 Q&A, 루브릭 점수표

- Part.4 레퍼런스 준비 (면접 합격 후)

* (경력직에 한함) 레퍼런스 체크 후보자 선별 (나를 객관적으로 평가해줄 수 있고, 비교적 인지도 있는 지인. 예 : 대학교 교수님, 해당 업계 선배/지인 등)

>> 결과물 : 레퍼런스 체크 후보자 예상 질문지

- Part.5 조건 협상 (레퍼런스 체크 통과 후)

* (경력직에 한함) 합격 기업별 예상 수익 (연봉, 수당, 성과급, 복리후생, 스톡옵션 등)

* (경력직엔 한함) 합격 기업별 협상 전략 (연봉, 직급/직책 등)

>> 결과물 : 기업별 예상 수익표, 협상 전략

- Part.6 입사 후 관리

* 입사 기업 후속 평가 (담당업무, 승진기회, 업무평가, 상사평가, 조직평가 등)

* 이직 필요성 평가

>> 결과물 : 기업별 평가표

모쪼록 성공적인 취업과 이직의 목표를 이루시기 바랍니다.

* PS : 상세한 멘토링이 필요하신 분들은 https://kmong.com/gig/709403 로 문의 부탁 드립니다.

태양광 발전 사업 성공 스토리의 시작

데니스리 — Tue, 21 Oct 2025 08:14:42 +0900

** 프로젝트 : 자본금 1억으로 태양광 발전 사업 10년 후 연매출 5억원 돌파하기 **

지난 6개월 동안 상당한 관심을 가지고 조사, 분석 그리고 실제 태양광 발전 사업을 추진하면서 경험하는 핵심 내용을 포스팅하려고 합니다.

그 중 매우 중요하다 생각되는 정책 변화 및 그 영향에 대해 포스팅하도록 하겠습니다.

[핵심 내용]

2026년 1월부터 신재생에너지도 전력시장에 편입하여 입찰제도 참여 필수

[변화 원인]

초기 단계의 재생에너지 산업을 육성하기 위해, 생산된 전력을 시장 경쟁 없이 우선적으로 구매해주는 정책을 유지함으로써 재생에너지 보급 확대에 크게 기여했지만, 보급 규모가 임계점을 넘어서면서 시장 원리를 왜곡하고 계통 운영의 모든 부담을 중앙급전발전기(원자력, 화력 등)와 계통 운영자에게 전가하는 부작용 발생

** 사례 **

2025년 상반기 영호남 지역 태양광 발전소 출력제어 44회, 24년 대비 8배 급증

[정책 목표]

1. 전력망 안정성 강화

2. 효율적 자원 배분

[입찰 제도]

3단계 시장 구조

1) 하루전 시장 (Day-Ahead Market): 거래일 하루 전에 발전사업자들이 다음 날 시간대별 예상 발전량과 판매 희망 가격을 입찰하는 핵심 시장. 전력거래소는 이를 기반으로 다음 날의 기본적인 발전 계획 수립

2) 실시간 시장 (Real-Time Market): 하루전 시장에서 계획된 양과 실제 발전량 간의 오차를 보정하기 위해 15분 단위로 운영되는 시장. 예를 들어, 예보와 달리 갑작스러운 구름으로 태양광 출력이 감소하면 발전사업자는 이 시장에서 부족분을 구매해야 하고, 반대로 출력이 초과하면 남는 전력을 판매 가능. 가격은 실시간 수급 상황에 따라 결정

3) 보조서비스 시장 (Ancillary Services Market): 주파수 조정, 예비전력 확보 등 전력망의 안정성을 유지하기 위한 '대기 전력'을 거래하는 시장. 급격한 출력 변동이나 예측 오차에 신속하게 대응할 수 있는 유연한 자원(예: ESS, 가스발전)에게 새로운 수익 창출의 기회 제공

[핵심 정산 및 패널티]

1) 에너지 정산금 (SMP, System Marginal Price): 전력 도매가격으로, 특정 시간대에 전력 수요를 충족시키기 위해 필요한 가장 비싼 발전기의 입찰 가격으로 결정 (SMP, REC)

2) 용량 정산금 (Capacity Payment, CP): 발전 설비의 고정비 회수를 위해 발전 가능 용량에 대해 지급되는 보상. 태양광(13.9%), 풍력(2.2%)과 같은 변동성 재생에너지는 '실효용량'이 낮게 평가되어, 이로 인한 수익은 상대적으로 미미할 것으로 예상

3) 부가 정산금 (Uplift Payment): 전력거래소의 급전지시에 따라 발전사업자가 당초 계획과 다르게 운전했을 때(예: 출력제어) 발생하는 손실을 보전해주기 위한 정산금. 이 중 핵심은 '기대이익 정산금'으로, 출력제어로 인해 얻지 못한 수익을 보상하는 것을 목적으로 함

4) 임밸런스 패널티 (Imbalance Penalty): 최종 급전지시량 대비 실제 발전량이 허용 오차(2025년부터 8%)를 벗어날 경우 부과되는 벌금. 이는 발전사업자에게 가장 큰 재무적 위험 요소 중 하나

[입찰 참여 방식 및 의무]

제주 시범사업 기준, 3MW 초과 발전사업자는 의무적으로 입찰에 참여해야 하며, 육지 확대 시 1MW 초과 모든 비중앙급전발전기로 의무가 확대될 가능성 높음. 입찰의 복잡성을 감당하기 어려운 소규모 발전사업자들은 개별적으로 참여하는 대신, 여러 발전소를 하나로 묶어 관리하는 가상발전소(VPP) 또는 전력중개사업자를 통해 시장에 참여 가능. 이들은 전문적인 예측 기술과 IT 시스템을 통해 소규모 자원들의 입찰, 관제, 정산 대행

** 입찰제도 도입 전/후 비교 **

구분	입찰제도 도입 이전	입찰제도 도입 이후
주요 수익원	SMP + REC	SMP + REC + 부가 정산금 + 용량 정산금 - 임밸런스 패널티
SMP 결정	시장 가격에 영향을 주지 않음	시장 가격 결정에 직접 참여 (가격 하락 요인이 될 수 있음)
추가 수익	발전량 예측제도 정산금	출력제어 보상(부가 정산금), 용량 정산금, 보조서비스 시장 참여 수익
핵심 위험	행정적 출력제어 (보상 불확실)	시장경쟁 심화로 인한 SMP 하락, 임밸런스 패널티, 예측 실패 위험
운영 요구사항	단순 발전 및 계통 연계	고도의 발전량 예측 능력, 실시간 제어 설비(RTU), 자동 입찰 시스템, ESS 연계 필요

프롬프트 엔지니어링 (Prompt Engineering)

데니스리 — Wed, 24 May 2023 18:00:22 +0900

프롬프트(Prompt)란?

* 출처 : https://seongjin.me/prompt-engineering-in-chatgpt/?ref=blog-ko.allganize.ai

ChatGPT를 비롯한 대화형 AI 서비스에서 더 좋은 결과물을 얻게 해주는 프롬프트 엔지니어링 (Prompt

대화형 인공지능이 생성하는 결과물의 품질을 높이는 프롬프트 엔지니어링(Prompt Engineering)을 소개한다. 프롬프트(Prompt)란 무엇인가, 왜 이것의 올바른 엔지니어링이 필요한가를 알아보고, ChatGPT

seongjin.me

생성 인공지능(Generative AI) 분야에서 프롬프트(Prompt)는 거대 언어 모델(Large Language Model; LLM)로부터 응답을 생성하기 위한 입력값을 의미한다.

프롬프트와 거대 언어 모델, 그리고 생성 결과물의 관계도 (이미지 출처 : co:here)

여기서 거대 언어 모델이란, 방대한 규모의 데이터셋을 바탕으로 특정한 텍스트/이미지/영상을 인식하고, 변환하며, 가공 또는 생성해내는 데에 쓰이는 딥러닝 알고리즘의 일종이다. 위에서 소개한 ChatGPT는 이러한 거대 언어 모델 중 하나인 GPT-3.5를 채팅의 형식으로 사용할 수 있도록 만든 대화형 인공지능 서비스인 셈이다.

ChatGPT와 같은 대화형 인공지능 서비스는 사람과 대화를 나누듯 자연어를 주고 받으며 상호작용할 수 있도록 설계되었다. 이런 환경에서는 응답을 얻어내기 위한 프롬프트 역시 자연어의 형식을 가진다. 메일로 보낼 새해 인삿말을 써줘와 같은 일상적인 지시, 이메일을 처음 개발한 사람은 누구야? 같은 간단한 질문도 대화형 인공지능의 세계에서는 실제로 동작하는 프롬프트의 예시라고 볼 수 있다.

프롬프트 엔지니어링(Prompt Engineering)이란?

그동안 우리는 구글, 네이버 등 검색 서비스에서 더 정확한 검색 결과를 얻기 위해 다양한 방법들을 활용해 왔다. 각 서비스마다 포함된 고급 검색 기능을 이용하거나, 검색 엔진이 지원하는 각종 연산자를 함께 조합하여 쓰기도 했다.

이처럼 원하는 결과물을 보다 수월하게 얻어내기 위한 요령은 생성 인공지능 시대에도 필요하다. 인공지능에게 일을 더 잘 시키기 위한 프롬프트를 찾는 작업, 이것이 프롬프트 엔지니어링(Prompt Engineering)이라는 개념으로 이어진다. 프롬프트 엔지니어링(Prompt Engineering)은 거대 언어 모델로부터 높은 품질의 응답을 얻어낼 수 있는 프롬프트 입력값들의 조합을 찾는 작업을 의미한다.

왜 프롬프트 엔지니어링이 필요할까?

GPT와 같은 거대 언어 모델에서는 프롬프트에 포함된 문구들의 미세한 조정이 결과물에 극적인 차이를 가져올 수 있다. 다음의 예시를 살펴보자.

Tell me who invented the email.
Tell me about the person invented the email.

위의 두 문장은 의미적으로 차이가 거의 없다. 그러나 이들을 ChatGPT에 프롬프트로 입력한 각각의 결과는 아래와 같이 달라진다.

"Tell me who invented the email." 입력 결과

"Tell me about the person invented the email." 입력 결과

who를 about the person으로 바꿨을 뿐인데 결과물의 양과 질이 판이하다. 약간의 표현 차이 만으로도 짧고 간결한 답이 풍부한 맥락으로 구성된 에세이 수준의 결과물로 바뀌었다. 이처럼 내게 필요한 더 높은 품질의 응답을 얻으려면 해당 언어 모델이 잘 이해할 수 있는, 정제된 언어로 구조화된 프롬프트를 구성하는 것이 중요하다.

생성 인공지능이 기반을 둔 언어 모델의 특성에 따라 적합도 높은 결과물을 얻어내는 프롬프트의 유형도 달라진다. 특정 모델로부터 특정 답안을 얻어내는 데에 완전히 최적화 된 프롬프트 해킹 수준의 기술은 이 글이 다루려는 범위를 넘어선다. 언어 모델에 대한 기술적 원리에 대해 상세히 파악하기 어려운 일반 사용자 입장에서, 프롬프트 엔지니어링이란 결국 수많은 실험의 연속일 수밖에 없다.

그렇다면 일반 사용자로서 시도해볼 수 있는 프롬프트 엔지니어링이란 어떤 것일까? ChatGPT를 사용하여 실험한 실제 사례를 예시로 소개해 보겠다.

ChatGPT로 시험해 본 프롬프트 엔지니어링 사례

ChatGPT에게 "영화 퀴즈를 하나 만들어줘"라는 작업을 시켜보기로 하자. 일단 Create a movie quiz.라는 문장을 입력했다.

"Create a movie quiz." 입력 결과

그런대로 일을 해낸 것 같아 보인다. 하지만 결과물의 품질 측면에서 보면 개선 가능한 부분들이 있다. 내가 떠올린 개선점들은 다음과 같다.

한 개를 요청했는데 열 개를 내놓았다. 지시한 수만큼만 만들어주면 좋겠다.
단답형보다는 사지선다형처럼 여러 개의 보기 중 하나를 고르는 방식이 더 재밌을 것 같다.
퀴즈 내용의 진위를 확인할 겸, ChatGPT가 내놓는 답과 해설도 함께 보고 싶다.
각 문제가 무엇을 묻는지(제목, 배우, 감독 등) 미리 힌트를 주면 좋을 것 같다.
(6번, 9번처럼) 복수의 정답이 존재하는 애매한 문제는 없어야 한다.
IMDB에 정보가 존재하는 영화에 대해서만 퀴즈를 만들어야 한다.
매번 다른 영화, 다른 소재로 퀴즈가 생성되면 좋겠다.

지금부터 위의 개선점이 응답에 반영되도록 프롬프트를 계속해서 고칠 것이다. 이 변화가 실제 결과물에 어떻게 반영되어 가는지 살펴보자.

첫 번째 개선 버전

Create one quiz with 4 options. Follow the instructions below.

- The quiz must be about the movie currently exists in IMDb.
- There must be only 1 correct answer.

우선 IMDB에 실제 존재하는 영화만을 소재로 삼으라는 조건을 추가했다. ChatGPT는 어디까지나 프롬프트 다음에 올 내용을 추정하여 덧붙이는 메커니즘으로 작동하므로, 실제로 존재하지 않는 영화 정보를 그럴싸하게 포장하여 내놓을 위험이 있다. 그럴 가능성을 줄이고 싶었다.

아울러 내가 원하는 퀴즈 생성 양식을 정해두었다. 4개의 보기로 이루어진 하나의 퀴즈여야 하며, 오직 하나의 보기만 정답이어야 한다는 내용이다. 이제 결과물을 보자. 프롬프트에 몇 가지 조건을 간단히 추가한 것 만으로도 대부분의 개선점들이 한 번에 반영된 것을 볼 수 있다.

첫 번째로 개선된 프롬프트의 입력 결과물

다만 아쉬운 점도 있다. ChatGPT에서는 같은 세션(채팅방) 안에서 같은 프롬프트 입력을 반복할 수록 처음 내놓은 답과 유사한 유형의 응답이 반복적으로 나오곤 했다. 영화 퀴즈를 생성할 때에도 처음 생성한 문제와 동일한 영화 및 주제로 엇비슷한 퀴즈를 계속해서 내놓는 경향이 있었다. 아마도 제한된 학습 데이터와 이로 인한 편향 때문일 것으로 짐작된다.

그래서 새로운 세션을 만든 뒤, 아래와 같이 프롬프트를 수정했다.

두 번째 개선 버전

Create one quiz with 4 options. Follow the instructions below.

- The quiz must be about the movie currently exists in IMDb.
- The quiz must have a subject. Subject should be one of these: [Title, Director, Top Cast, Actor, Actress, Release Year, Storyline, Awards, Rates, Quotes, Soundtracks, Trivia].
- Do not choose the same subject twice or more.
- Do not choose the same movie twice or more.
- There must be only 1 correct answer.

두 번째로 개선된 프롬프트의 입력 결과물

이번에는 문제가 다루는 주제의 범위를 미리 정해두고, 같은 영화나 주제를 계속 반복하지 않도록 제약하는 조건을 추가했다. 그러자 이전보다 더욱 다채로운 소재로 퀴즈가 생성되기 시작했다. 매번 프롬프트를 입력할 때마다 다른 유형의 문제가 만들어지니 재미 요소가 늘어났다.

이제 한 발 더 나아가 보기로 하자. 앞으로는 문제의 답에 대한 상세한 설명을 함께 확인하고 싶다. 아울러 퀴즈의 소재로 쓰인 영화에 대한 상세 정보도 함께 알 방법이 있으면 좋을 것 같다. 어떻게 하면 될까?

세 번째 개선 버전

Create one quiz with 4 options. Follow the instructions below.

- The quiz must be about the movie currently exists in IMDb.
- The quiz must have a subject. Subject should be one of these: [Title, Director, Top Cast, Actor, Actress, Release Year, Storyline, Awards, Rates, Quotes, Soundtracks, Trivia].
- Do not choose the same subject twice or more.
- Do not choose the same movie twice or more.
- There must be only 1 correct answer.
- Print only these infomation: [Subject, Question, Options, Answer, Explanation, IMDb URL(as "More Info")]
- Do not print the movie title under the subject.

프롬프트에 두 가지 항목을 추가했다. 출력 양식을 일정하게 정했고, 마지막 줄에는 "More Info" 이름으로 관련 정보를 확인할 수 있는 IMDB 링크를 함께 알려주도록 만들었다. 가끔 ChatGPT가 임의로 영화 제목을 출력하면서 퀴즈 정답을 노출하는 경우를 대비하여 이에 대응하는 문구도 더했다.

세 번째로 개선된 프롬프트의 입력 결과물

의도한 대로 퀴즈 정답 아래에 설명(Explanation) 문구가 추가되었으며, 관련 정보를 직접 찾아볼 수 있는 IMDB 링크도 자동으로 생성되었다. 이처럼 프롬프트에 디테일이 더해질 수록 결과물도 더욱 정교하게, 정제된 형태로 돌아온다는 것을 알 수 있다.

프롬프트를 잘 쓰는 요령

남에게 무언가를 요청하여 제대로 된 결과를 얻으려면 지시를 잘 해야 한다. 지나치게 추상적이거나 장황한 지시, 횡설수설로 가득한 지시는 서로를 피곤하게 만들 뿐이다.

수행할 작업을 구체적으로 지시하고, 지시를 이해하는 데에 필요한 맥락을 함께 제공하며, 얻고자 하는 바를 명확히 정의해야 한다. 그래야 상호 간에 오가는 커뮤니케이션 비용을 줄일 수 있고, 원하는 결과물도 잘 얻을 수 있다. 이는 생성 인공지능을 다룰 때에도 똑같이 적용되는 요령이다.

쉽고 간결한 표현을 사용하자.
'열린' 질문보단 '닫힌' 지시문이 좋다.
수행할 작업의 조건을 구체적으로 명시하자.
지시의 맥락을 함께 제공하자.
원하는 결과물 형식의 예시를 함께 입력하자.
충분히 실험하자.

1. 쉽고 간결한 표현을 사용하자.

아래의 두 프롬프트를 살펴보자.

혹시 괜찮다면 제임스 웹 우주망원경이 무엇인지를 가지고 이제 갓 9살이 된 어린 아이도 알아들을 수 있을 만큼 쉽게 설명해주겠니?
제임스 웹 우주망원경을 9살 어린이에게 설명해줘.

두 프롬프트는 완전히 똑같은 지시 내용을 담고 있다. 불필요한 미사여구가 많은 첫 번째보다는 오히려 두 번째 프롬프트가 원하는 응답을 얻어낼 가능성이 더 높다. 거대 언어 모델에서는 작은 입력값의 차이가 큰 변화로 이어질 수 있다. 가급적 쉽고 간결한 표현을 쓰도록 하자.

2. '열린' 질문보단 '닫힌' 지시문이 좋다.

프롬프트의 내용은 응답 결과의 형식에도 영향을 미친다. 작업 목적에 맞는 일정한 형식의 응답을 원한다면 가급적 '닫힌' 지시문의 형태로 프롬프트를 작성하는 것이 좋다. 로봇이 의사의 역할을 대체할 수 있을까? 보다는 로봇이 의사의 역할을 대체할 수 있는가에 대해 에세이를 써줘.가 좀 더 체계적으로 정리된 응답을 얻어낼 수 있다.

3. 수행할 작업의 조건을 구체적으로 명시하자.

ChatGPT에게 에너지 드링크에 대한 카피라이팅을 시킨다고 가정해보자.

Write some messages for an energy drink
Develop 5 key messages and 5 glogans for an energy drink targeting young adults aged 18-30.

첫 번째 프롬프트 만으로도 쓸 만한 문구들을 얻는 데엔 문제가 없을 것이다. 그러나 두 번째 프롬프트처럼 작업 수행에 필요한 몇 가지 가이드라인을 추가하는 것만으로 훨씬 더 구조화 된 응답을 얻어낼 수 있다.

가이드라인은 구체적이고 명료해야 한다. GPT 같은 언어 모델이 알아서 판단해야 할 여지를 줄일수록 원하는 양식의 응답을 얻을 가능성이 높아진다.

Write an short essay about James Webb Telescope.
Write 5 paragraphs of an essay about James Webb Telescope. Use 3 to 5 sentences for each paragraph.

위의 두 프롬프트를 각각 ChatGPT에 입력시켜보자. 작업 가이드라인의 유무가 결과물의 품질을 어느 정도로 바꿀 수 있는지 실감할 것이다.

4. 지시의 맥락을 함께 제공하자.

JavaScript 코딩 작업을 예시로 살펴보자. ChatGPT에게 HTML 문서의 폼에서 입력받은 값을 /create 경로로 POST 전송시키는 create_post() 함수를 작성하라고 지시해 보았다. 결과는 아래와 같다.

/***************
프롬프트 입력 : "Let's write a JavaScript function 'create_post()'. Fetch the form inputs to url '/create'."
****************/

/***************
응답 생성 결과
****************/

async function create_post() {
  const title = document.getElementById("title").value;
  const body = document.getElementById("body").value;

  const response = await fetch('/create', {
    method: 'POST',
    headers: {
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({ title, body })
  });

  const data = await response.json();

  console.log(data);
}

요구사항이 간단한 만큼, 적합한 코드가 별다른 오류 없이 잘 생성되었다. 하지만 내 작업 환경에 필요한 맥락을 프롬프트에 적절히 추가해보니 더 좋은 품질의 응답을 얻을 수 있었다.

/***************
프롬프트 입력 : 
Let's write a JavaScript function 'create_post()' with given conditions:

- Get the input data from '#create-post-input'.
- Use `fetch` method to send the data to url '/create' with POST method without `await` calls.
- Parse the response to JSON format if the response status is `ok`.
- If the parsed response data has a 'message' or 'error' value, log it to the console.
- Add comments to your code.
****************/

/***************
응답 생성 결과
****************/

function create_post() {
  // Get the input data from the form with id 'create-post-input'
  const inputData = document.querySelector('#create-post-input').value;

  // Send the data to the URL '/create' with a POST method
  fetch('/create', {
    method: 'POST',
    headers: {
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({ input: inputData })
  })
    .then(response => {
      // Check if the response status is 'ok'
      if (response.ok) {
        // Parse the response to JSON format
        return response.json();
      }
      throw new Error('Network response was not ok');
    })
    .then(data => {
      // Log the message or error value if it exists in the response data
      if (data.message || data.error) {
        console.log(data.message || data.error);
      }
    })
    .catch(error => {
      // Log any errors that occur
      console.error('There was a problem with the fetch operation:', error);
    });
}

5. 원하는 결과물 형식의 예시를 함께 입력하자.

ChatGPT를 개발한 OpenAI의 API 관련 "Quickstart" 문서에 나오는 예시를 살펴보자. 슈퍼히어로 말에게 어울리는 3개의 이름을 지어달라는 내용의 프롬프트 입력 결과다.

<!-- 프롬프트 입력 -->
Suggest three names for a horse that is a superhero.

<!-- 출력 결과 -->
1. Super Stallion
2. Captain Colt
3. Mighty Mustang

단순히 랜덤하게 생성된 3개의 답안을 얻고 싶었다면 이것만으로도 충분할 것이다. 하지만 아래와 같이 응답의 출력 예시를 프롬프트에 함께 입력해주면, 필요한 형식과 맥락에 적합한 응답을 얻을 가능성이 더 높아진다. 특히 일정한 양식에 정확히 들어맞는 답을 얻고자 할 때 이러한 방법이 유용하다.

<!-- 프롬프트 입력 -->
Suggest three names for an animal that is a superhero.

Animal: Cat
Names: Captain Sharpclaw, Agent Fluffball, The Incredible Feline
Animal: Dog
Names: Ruff the Protector, Wonder Canine, Sir Barks-a-Lot
Animal: Horse
Names:

<!-- 출력 결과 -->
Super Stallion, Mighty Mare, The Magnificent Equine

6. 충분히 실험하자.

위에서 소개한 "영화 퀴즈" 관련 프롬프트 엔지니어링은 퀴즈라는 고정된 형식의 결과물 생성에 최적화된 프롬프트를 찾아가는 과정이었다. 기업의 분기 보고서 요약, 과학 에세이 작성 등 사용자가 필요로 하는 작업의 속성에 따라 이런 과정의 디테일은 얼마든지 달라질 수 있다. GPT와 같은 언어 모델로부터 필요한 답안을 원하는 양식과 분량으로 적절하게 얻어내려면, 그러한 결과값에 이를 수 있는 자신만의 프롬프트 작성법을 계속해서 실험해야 한다.

어디서부터 시작해야 할지 막막하다면, 아래 링크를 참고해보자. 전세계의 많은 사용자들이 ChatGPT를 활용하면서 작성한 각종 프롬프트 예시들을 레시피처럼 활용할 수 있다.

The Ultimate Collection of ChatGPT Products and Prompts

맺음말

어찌 보면 프롬프트 엔지니어링이란 결국 인공지능으로부터 더 나은 응답을 얻어내기 위한 "좋은 질문"을 치밀하게 구성해 가는 과정이라고도 할 수 있겠다. 흥미롭게도 이는 사람을 상대로 잘 협업하기 위한 "좋은 질문"을 고민하는 과정과 놀랍도록 닮아 있다. 질문을 잘 하는 요령이 협업 능력의 척도로 여겨졌던 것처럼, 앞으로는 프롬프트를 잘 디자인하는 법이 언어 모델 기반 인공지능 활용을 위한 하나의 교양으로 자리하게 될 것이다.

참고문서

범용 인공지능 "오토GPT(AutoGPT)"의 등장 (펌)

데니스리 — Tue, 23 May 2023 21:00:14 +0900

최근 미 실리콘밸리에서 ‘인간의 일을 전부 대체할 수 있는 범용 인공지능(AGI)의 시작점’으로 불리는 인공지능(AI)이 등장했습니다. ‘오토GPT(AutoGPT)’라는 프로그램입니다. 오토GPT는 ‘시그니피컨트 그래비타스’(Significant Gravitas)라는 개발자가 오픈AI의 언어 모델 GPT-4를 기반으로 만든 오픈 소스 파이썬(프로그래밍 언어 중 하나) 프로그램으로 지난달 30일 개발자들의 코드 공유 플랫폼인 깃허브에 올라왔습니다.

생성AI 서비스 ‘오토GPT(AutoGPT)’ 등장

AI 스타트업 시그니피컨트 그래비타스는 지난달 30일 생성AI 서비스 ‘오토GPT(AutoGPT)’를 공개했습니다.

오토GPT 공개 후 ‘#AutoGPT’란 태그는 트위터 트렌딩 1위를 차지했고, 깃허브에서 사용자의 관심도를 보여주는 지표인 스타 획득에서 공개 열흘만에 3만개를 돌파한 뒤 현재까지 9만5천개를 받았습니다.

오토GPT는 범용 인공지능(AGI)과 가장 근접했다고 평가되는 프로그램입니다. 사용자가 목표를 설정하면 자동으로 방법을 터득해 결과물을 내놓습니다. 사람의 개입없이 AI가 스스로 문제 해결 방식을 바꿔가며 목표를 달성합니다.

일례로 ‘유튜브에서 가장 조회 수가 많이 나오는 영상 제작’을 목표를 제시하면, 오토GPT는 자동으로 최근 유튜브에서 인기 있는 동영상을 검색하고 이를 주제별로 분류한다. 이어 어떤 식으로 촬영하면 되는지를 자세하게 설명해줍니다.

이런 오토GPT 활용 사례가 최근 유튜브에 줄지어 올라오고 있다. 지난주말에만 수백개의 동영상이 올라왔습니다.

오토GPT(AutoGPT) 란?

오토GPT는 오픈AI의 언어 모델 GPT-4를 기반으로 만든 오픈 소스 파이썬(프로그래밍 언어 중 하나) 프로그램으로 지난달 30일 개발자들의 코드 공유 플랫폼인 깃허브에 공개했습니다.

여기서 Auto는 자율적이라는 의미를 가진 Autonomous의 준말입니다. 사용자가 임무를 주면 중간 단계의 보조 업무들은 자동적으로 수행된다는 뜻에서 이같은 이름이 붙었다. 오토GPT는 챗GPT와 같은 언어모델 에이전트 여러 개로 구성됩니다. 에이전트들은 각각 명령을 수행하기 위해 필요한 여러 단계의 보조 업무들을 수행합니다. 예로 들면 어떤 에이전트는 해야 할 일 업무들을 구분하고, 또 다른 에이전트는 정해진 업무를 수행하는 식입니다. 이외에도 어떤 에이전트는 다른 에이전트가 수행한 업무를 평가한다. 이러한 자율적인(Autonomous) 과정을 스스로 반복하며 사용자가 제시한 목표로 한 걸음씩 나아가는 구조입니다.

오토GPT(AutoGPT)는 사용자가 목표를 설정하면 AI가 자동으로 인터넷을 검색하고 방법을 탐색해 결과물을 내놓습니다. 사람이 일일이 개입하지 않아도 AI가 스스로 문제 해결 방식을 바꿔가며 목표를 달성하는 것입니다. 인간과 공생이 가능한 AGI의 초기 모습이라는 평가와 함께 일각에선 “너무 빠른 AI의 발전으로 두렵다”는 반응도 나옵니다.

정리하자면 오토GPT는 실수를 스스로 수정하는 ‘자율반복(autonomous iterations)’ 기능을 사용해 결과물을 생성하는 AI 챗봇입니다. ‘GPT-4’를 기반으로 만든다. 정보를 저장할 수 있는 별도 메모리 공간과 데이터를 검색, 저장, 편집할 수 있는 다기능성을 갖춰주면 됩니다.

오토 GPT(AutoGPT)의 기원 및 개발자

오토GPT는 ‘챗GPT’를 만든 오픈AI가 개발한 것이 아니다. ‘시그니피컨트 그래비타스’(Significant Gravitas)라는 개발자가 오픈AI의 언어 모델 GPT-4를 기반으로 만들었고 지난달 30일 개발자들의 코드 공유 플랫폼인 깃허브에 올라왔습니다.

이후 수많은 개발자들이 오토GPT 활용 사례를 트위터 등에 공유하며 소문이 났습니다. 예컨대 ‘유튜브에서 가장 조회수가 많이 나오는 영상을 만들라’는 목표를 제시하면, 오토GPT는 자동으로 최근 유튜브에서 인기 있는 동영상을 검색하고 이를 주제별로 분류합니다. 또 어떤 식으로 촬영하면 되는지를 자세하게 설명해주는 식입니다. 한 개발자는 자신의 트위터에 “오토GPT에게 나를 위한 앱을 만들라고 지시했더니, 오토GPT가 내 컴퓨터에 개발 관련 프로그램이 없다는 것을 스스로 파악하고 해당 프로그램을 검색해 설치한 후 지시했던 앱을 만들었다”고 했습니다.

오토 GPT 로 할 수 있는 일은?

앞서 언급한 듯이 오토GPT(AutoGPT)는 인터넷 적, 메모리 관리및 코드 작성, 실행 기능을 보유하면서 주어진 목표를 달성하기 위해 “스스로 프롬프트”하는 기능이 가진 새로운 인공지능 도구입니다.아직 초기 단계이지만 AI 애호가들은 이미 오토GPT로 모여들어 그의 다양한 주목할만한 응용 프로그램을 탐색하고 있습니다.

간단히 말해서, 오토GPT는 고품질 인간 텍스트를 생성하고, 많은 양의 텍스트를 요약하고, 질문에 답하고, 언어 간 번역까지 할 수 있습니다. 오토GPT는 텍스트 분류, 감정 분석 및 명명된 엔터티 인식에도 사용할 수 있습니다. 챗봇, 가상 비서, 언어 학습 도구 등 자연어 처리 응용 프로그램에서 큰 잠재력을 보이고 있습니다. 오토GPT(AutoGPT)는 마케팅 조사, 콘텐츠 제작 및 소프트웨어 개발 산업에서도 사용할 수 있습니다.

1.코드 개선

첫 번째 할 수 있는 일은 코드 개선입니다. 오토GPT는 코드를 읽고 쓰고 실행할 수 있으므로 자체 프로그래밍을 개선할 수 있습니다. AI는 코드를 평가, 테스트 및 업데이트하여 더 빠르고 안정적이며 효율적으로 만들 수 있습니다.

최근 트윗에서 오토GPT의 개발자인 Significant Gravitas는 오토GPT로 수학적 계산을 담당하는 간단한 예시 함수를 검증하는 비디오를 공유했습니다.이 특정 예제는 단순한 문법적 오류만 포함하지만 이 오류를 수정하는 데 여전히 약 1분이 소요되며 수백 또는 수천 줄을 포함하는 코드베이스에서는 사람이 훨씬 더 오래 걸립니다.

2.앱 구축

두 번째 할 수있는 일은 앱을 구축하는 것입니다.

바룬 마야라는 컴퓨터 엔지니어는 최근 트위터에 오토GPT를 활용한 과정을 공유해 인기를 끌었습니다.그는 “오토GPT에 나를 위해 앱을 만들라고 지시했더니 오토GPT는 내가 노드가 없다는 것을 인식하고 관련 기사를 찾아 검색한 뒤 실제로 노드를 만들어 서버를 생성했다”고 썼습니다. 노드란 네트워크 애플리케이션 개발에 사용되는 소프트웨어 플랫폼입니다.

3.마켓팅 조사

오토GPT는 인터넷에 접속하고 세부 정보를 기억하며 작업에 집중할 수 있으므로 주요 시장 조사에 이상적인 도구입니다.

트위터 사용자 ‘@sairahul1’는 ‘헤드폰 제품 시장 조사’를 오토GPT에 지시했습니다. 출시된 헤드폰 제품을 검색해 상위 5개 제품의 목록을 만들고, 각 제품의 특징과 가격을 요약하도록 했습니다. 이후 오토GPT는 스스로 프롬프트를 생성하면서 순차적으로 작업을 수행했고, 원하는 보고서를 작성해줬습니다.

4.미래 전망 보기

‘다니엘 크래프트’란 트위터 사용자는 이러한 기술을 가진 오토GPT에게 의학과 의약품의 미래를 보야달라는 목표를 제시했습니다. 그러자 오토GPT는 헬스케어 산업의 신기술과 트렌드를 분석하고 대규모 헬스케어 데이터셋을 분석할 수 있는 머신러닝 알고리즘을 선택해 환자 치료와 의사결정을 위한 작업 프롬프트를 만들어냈습니다.

5.삶의 철학적 질문에 대해 생각

오토GPT는 깊은 철학적 질문에 대해 숙고합니다.

오토GPT는 최근 “인생이란 무엇인가?”라는 질문으로 도전을 받았습니다. 결과는 Loopuleasa에 의해 트위터에 공유되었습니다.약 1시간 후 1달러의 비용으로 오토GPT가 응답을 전달했습니다.그것은 66만 문자의 글과 위키 주제를 검색했습니다.비록 명확한 답을 제공하지는 못했지만 생물학, 철학, 물리학 등 다양한 사상 유파의 인간 개념을 참고한 뒤 각 분야에 고유한 관점이 있다는 결론을 내렸습니다.

오토GPT VS 챗 GPT

오토GPT(AutoGPT)는 기본적인 작업 성과는 오픈AI 챗GPT와 비슷합니다. 오토GPT도 챗GPT로 수행할 수 있는 대부분의 작업을 수행할 수 있는데, 가장 큰 차이는 오토GPT가 프롬프트를 자율적으로 생성합니다. 애플리케이션이 작업 완료에 필요한 프롬프트를 스스로 만들고, 그를 수행하는 것입니다.

오토GPT(AutoGPT)는 AI 에이전트가 포함되어 있어 자율적인 결정을 내릴 수 있다는 점에서 독특합니다. 이러한 에이전트는 개인 비서처럼 미리 결정된 규칙과 목표에 따라 결정을 내리고 작업을 수행하도록 프로그램되어 있습니다.

깃허브 저장소에 오토GPT는 검색 및 정보 수집을 위한 인터넷 접속, 장기 및 단기 메모리 관리, 텍스트 생성을 위한 GPT-4 인스턴스, 인기 웹사이트 및 플랫폼 접속, GPT-3.5 기반 파일 저장 및 요약 등의 특징을 가진 것으로 설명됩니다.

코드 디버깅, 이메일 작성 등 챗GPT에 하듯 요청하면 됩니다. 대신 오토GPT는 챗GPT보다 더 적은 프롬프트로 훨씬 더 높은 수준의 작업을 완료하도록 요청할 수 있습니다.공개된 데모에 따르면, 순자산 증가, 트위터 계정 성장, 여러 비즈니스 개발 및 관리 등 샘플 목표 프롬프트를 입력하면 됩니다.

오토GPT(AutoGPT)는 목표를 자율적으로 달성하기 위해 LLM “생각”을 함께 연결하는 능력이 독특합니다. 완전히 자율적으로 실행되는 GPT-4의 첫 번째 예 중 하나이며 다른 AI 도구와 차별화됩니다.

능력 자체로 보면 오토GPT는 챗GPT보다 우위에 선 듯합니다. 단, 챗GPT가 사용하기 쉬운 반면, 오토GPT는 어느정도 컴퓨터 지식을 갖고 있어야 쓸 수 있습니다. AI 전문가들은 챗GPT의 우수성을 수행능력보다 쉬운 사용자경험이라고 꼽기도 합니다.

한편, 오토GPT에 대해 일반인의 접근성은 낮은 편이다. 챗GPT는 챗봇 형태로 스마트 기기를 다룰 줄 아는 누구나 접근하기 쉽다. 반면 오토GPT는 오픈소스 프로젝트 툴 설치가 돼 있어야 하고, 유료 오픈AI 계정을 통해 GPT-4나 GPT-3.5 API 키를 갖고 있어야 한다. 파이썬 기반 앱으로 개발자 언어에 대한 지식도 필요하다.

오토 GPT의 사용법은?

오토GPT를 사용하는 방법은 간단하지 않습니다. 깃허브에서 다운로드 받을 수 있습니다.

일단 VS코드를 설치하고,이용자의 컴퓨터에는 프로그래밍 언어인 ‘파이썬’의 3.8 이상 버전이 설치돼 있어야 하고, 오픈AI의 유료 계정을 보유해 GPT-4나 GPT-3.5 접근 API 키를 갖고 있어야 합니다.

API 키는 오픈 AI와 인공지능 배포 플랫폼인 파인콘(Pinecone)의 API를 신청해서 받아둬야 합니다.

텍스트투스피치(TTS)를 사용 할 수 있고, 구글 API 키로 검색을 실행할 수도 있습니다. 별도 파이썬 플러그인을 붙이는 것도 가능하다. 캐시는 로컬캐시(LoaclCache)를 기본값으로 사용하지만 레디스나 파인콘 등으로 변경할 수 있습니다.

오토GPT는 ‘연속모드’를 제공합니다. 연속모드로 실행하면 사용자 승인없이 모든 작업을 100% 자동으로 수행합니다. 개발사 측은 연속모드 사용을 추천하지 않는다고 강조하고 있습니다.

또 GPT-4를 쓰기 때문에 작업량이 많아지면 그만큼 오픈AI에 API 사용료를 내야 합니다.

오토GPT의 작업 수행을 보면, 사람의 업무 처리 방법과 정보 처리 방법을 유사하게 보여줍니다. 자체 추론을 통해 이전 작업의 결과를 바탕으로 다음 작업을 생각하므로 사람의 감독이 필요없을 정도입니다.

오토 GPT(AutoGPT)는 무료인가요?

오토GPT는 인상적인 기능을 제공하지만 높은 비용으로 인해 프로덕션 환경에서 실제로 사용하는 데 상당한 장애물이 됩니다. Auto-GPT가 의존하는 GPT-4 모델은 작업의 각 단계에서 모델 호출이 필요하므로 비용이 많이 들 수 있습니다. GPT 모델은 모델에 ‘토큰(컴퓨터가 이해하는 언어단위)’ 시퀀스로 표시됩니다. GPT-4 모델 가격은 메시지 제시에 대해 1,000토큰당 0.03달러, 결과에 대해 1,000토큰당 0.06달러입니다. 예를 들어, 50단계가 필요하고 각 단계가 8K 컨텍스트 창을 최대화하는 작업에는 14.4달러가 소요됩니다.

이 비용은 빠르게 합산되어 많은 조직과 사용자가 오토GPT의 현재 구현을 감당할 수 없게 만듭니다. 오토GPT는 큰 잠재력을 보여주지만 비용은 널리 채택되기 전에 해결해야 하는 중요한 장벽입니다.

오토 GPT(AutoGPT)의 한계는?

오토GPT는 강력한 인공지능이지만 한 가지 중요한 장애물이 있습니다. 생산 환경에서의 채택은 높은 비용으로 인해 어렵습니다. 각 단계에는 더 나은 추론을 위해 토큰을 최대화하는 GPT-4 모델에 대한 비용이 많이 드는 호출이 필요합니다. 웹 검색 및 코드 실행과 같이 오토GPT( AutoGPT)에서 제공하는 제한된 기능 세트는 문제 해결 기능을 좁힙니다. 또한 GPT-4의 추론 기능은 여전히 제한되어 오토GPT의 잠재력을 더욱 제한합니다.

따라서 모든 결과를 100% 신뢰할 수는 없습니다. 또한 연구원들은 이제 인공 일반 지능(AGI)을 목표로 하고 있는데 AGI가 등장한다는 말은 AI 시스템이 특별히 훈련받지 않은 문제들을 해결할 수 있으며 이러한 순간부터 AI에 대해 우리가 적절한 안전 장치를 갖추어야 한다는 점을 뜻합니다.

오토 GPT에 대한 평가

일각에서는 이같은 오토GPT 패러다임이 일반인공지능(AGI)으로 향하는 새로운 방향성을 제시한 것이라고 평가했습니다.

AGI란 수행능력이 제한되고 독립적인 일을 처리하는 현재 AI 수준을 넘어 인간이 할 수 있는 모든 영역에서 인간을 완전히 대체할 수 있는 수준의 AI를 말합니다.

실리콘밸리에서는 오토GPT를 영화 ‘아이언맨’에 나오는 AI 비서 자비스와 같은 초지능 AI의 초기 버전이라고 본다. 기술 매체인 지디넷은 “인간의 감독 없이 잘 작동할 수 있는 AI는 현재 인간이 수행하는 수많은 역할을 대체할 수 있다”고 했습니다. 포천지는 “오토GPT는 놀랍도록 빠른 혁신과 함께 새로운 위험이 나타나고 있음을 보여준다”고 했습니다.

한 개발자는 “챗GPT가 무섭다고 생각했다면 오토GPT를 들을 때까지 기다리라”며 “이는 범용인공지능(AGI)를 향한 다음 단계로 챗GPT만 사용했을 때보다 작업 방식을 혁신적으로 변화시킬 수 있다”고 했습니다. 그러면서 “오토GPT는 GPT-4와 GPT-3.5를 사용해 자체 프롬프트에서 반복과 검토, 구축 과정을 거치고 전체 프로젝트를 생성한다”고 평가했습니다.

프롬프트(prompt)란 무엇인가? 어떻게 사용하는 것인가?

데니스리 — Tue, 23 May 2023 20:48:04 +0900

프롬프트(Prompt)란 무엇인가? 어떻게 사용하는 것인가?

------------------------------------------------------------------------------------------------------------------------------------------------------------
목차(Index)
1. 프롬프트란?
2. 챗 GPT와 프롬프트
3. 나쁜 예시와 효과적인 예시
4. 프롬프트의 활용 사례
5. 프롬프트 엔지니어: 새로운 직업의 등장
6. 미래에 대한 전망

------------------------------------------------------------------------------------------------------------------------------------------------------------

1. 프롬프트란?
프롬프트(prompt)는 Chat GPT와의 상호작용에서 사용자가 AI에게 전달하는 문장 또는 단어입니다. 이는 사용자의 의도와 요구를 AI에게 명확하게 전달하여 상세하고 정확한 답변을 얻기 위한 작업입니다.

2. Chat GPT와 프롬프트
Chat GPT는 프롬프트를 통해 사용자의 의도를 파악하고 맞춤형 답변을 제공합니다. 사용자는 구체적이고 명확한 질문을 프롬프트에 입력함으로써 AI에게 필요한 정보를 전달할 수 있습니다. 이를 통해 챗 GPT는 추가적인 질문을 하면서 사용자의 의도를 더욱 자세히 이해하고 원하는 방향으로 대화를 진행합니다.

3. 나쁜 예시와 좋은 예시
챗 GPT를 효과적으로 사용하기 위해서는 구체적이고 명확한 프롬프트가 필요합니다. 예를 들어, 여행에 관련된 질문에서 "여행 가고 싶어."와 같이 어디를 찾고 있는지 명시하지 않는 것은 좋은 예시가 아닙니다. 대신에 "다음 주말에 미국 샌프란시스코에서 할 수 있는 가족 친화적인 활동 5가지를 추천해주세요."와 같이 구체적인 요구사항을 포함한 질문이 효과적인 예시입니다.

** 나쁜 예시 **

여행: "여행 가고 싶어." (어느 도시나 나라를 찾고 있는지 명시하지 않음)
요리: "요리 좀 알려줘." (어떤 종류의 요리를 원하는지, 음식의 제한사항이 있는지 불분명함)
역사: "중요한 역사적 사건에 대해 말해줘." (어떤 시대, 나라 또는 주제에 관심이 있는지 불분명함)
과학: "물리학에 대해 뭐라고 생각해?" (물리학의 어떤 부분을 논의하고 싶은지 모호함)
컴퓨터: "컴퓨터 어떻게 돼?" (컴퓨터의 구성, 작동 원리, 발전 과정 등 어떤 정보를 원하는지 불분명함)
영화: "재밌는 영화 있어?" (장르, 개봉 연도, 관심 주제 등 구체적인 기준을 제시하지 않음)
건강: "건강해지고 싶어." (건강한 식습관, 운동, 정신 건강 등 어떤 측면을 개선하고 싶은지 불분명함)
언어: "외국어 배워야 해." (어떤 언어를 배우고 싶고, 어떤 수준을 원하는지 명시하지 않음)

** 좋은 예시 **

여행: "다음 주말에 미국 샌프란시스코에서 할 수 있는 가족 친화적인 활동 5가지를 추천해주세요."
요리: "30분 이내에 만들 수 있는 채식 파스타 레시피를 알려주세요."
역사: "프랑스 혁명의 주요 원인과 결과를 요약해주세요."
과학: "빅뱅 이론이란 무엇이고, 우주의 기원에 대해 어떤 설명을 제공하나요?"
컴퓨터: "블록체인 기술의 핵심 원리와 그것이 금융 산업에 어떻게 적용되는지 설명해주세요."
영화: "지난 5년간 출시된, 평점이 높은 공상과학 영화 3편을 추천해주세요."
건강: "스트레스 관리를 위한 명상의 기본 원칙과 실천 방법을 설명해주세요."
언어: "스페인어로 기본 인사와 간단한 자기 소개를 하는 법을 알려주세요."

4. 프롬프트의 활용 사례
프롬프트는 다양한 분야에서 활용될 수 있습니다. 예를 들어, 여행, 요리, 역사, 과학, 컴퓨터, 영화, 건강, 언어 등 다양한 주제에 관련된 질문에 대해 구체적인 프롬프트를 활용하여 상세한 답변을 얻을 수 있습니다. 이를 통해 사용자는 원하는 정보를 효과적으로 얻을 수 있습니다.

5. 프롬프트 엔지니어: 새로운 직업의 등장
챗 GPT와 같은 자연어 AI 프로그램의 활용으로 새로운 직업인 프롬프트 엔지니어가 등장하였습니다. 이 직업은 챗 GPT와의 상호작용을 효율적으로 이끌어가며 업무의 능률을 향상시키는 역할을 수행합니다. 프롬프트 엔지니어는 사용자의 목표, 원하는 결과의 예제, 맥락에 맞는 기타 정보들을 수집하고 최적화된 프롬프트를 생성하는 역할을 담당합니다.

6. 미래에 대한 전망
Chat GPT와 같은 자연어 AI의 발전은 현재와 미래에 걸쳐 엄청난 파장을 일으킬 것으로 기대됩니다. 프롬프트 엔지니어와 같은 새로운 직업의 등장으로 인해 AI의 활용은 더욱 넓어질 것으로 예상됩니다. 사용자는 구체적이고 명확한 프롬프트를 통해 AI와의 상호작용을 효과적으로 이끌어나갈 수 있으며, 이를 통해 업무의 효율성을 높일 수 있습니다.

프롬프트의 효과적인 활용은 사용자와 AI 간의 상호작용을 개선하고 정보의 효율적인 전달을 도모합니다. 구체적이고 명확한 프롬프트를 통해 원하는 대답을 더욱 정확하게 얻을 수 있으며, 새로운 직업으로서 프롬프트 엔지니어가 등장함으로써 AI의 활용은 더욱 확장될 전망입니다. 프롬프트의 효과적인 활용은 미래의 AI 발전과 함께 우리의 일상과 업무에 큰 영향을 미칠 것으로 기대됩니다.

GPT-4 Technical Report

데니스리 — Tue, 23 May 2023 20:28:02 +0900

OpenAI는 GPT-4를 다음과 같이 정의하고 있습니다.

GPT-4, a large multimodal model capable of processing image and text inputs and producing text outputs

텍스트 입력을 받아서 텍스트를 생성했던 기존의 GPT 모델과 다르게, 이미지/영상/사운드 입력도 처리할 수 있는 ‘멀티모달(multimodal)’이 강화되었습니다. 실제 technical report에 나온 결과를 보면, GPT-4는 이미지 형태로 제시된 시험 문제와 논문을 이해하고, 인터넷 밈 이미지의 유머 포인트를 이해하는 등 뛰어난 이미지 처리 성능을 보였고, 텍스트 처리도 ChatGPT와 기존의 언어 모델보다 우수한 성능을 보였다고 합니다.

Technical report 내용에 따르면 GPT-4는 트랜스포머(transformer) 스타일의 모델이고, 문장의 다음 토큰을 예측하는 방식으로 학습되어 있습니다. 그 이후에는 Reinforcement Learning from Human Feedback (RLHF; 생성된 텍스트를 사람이 평가하고 강화 학습을 통해 모델 파라미터를 조정하여 성능을 향상시키는 방법) 기법으로 fine-tuning이 진행되었습니다. 추가적으로, OpenAI는 technical report에서 모델의 구조와 크기, 하드웨어 정보, 데이터셋 구성 방법, 모델 학습 방법과 같은 정보는 공개하지 않겠다고 밝혔습니다.

GPT-4 모델의 scaling

모델의 효과성과 모델 학습에 필요한 리소스 간에는 보통 trade-off 관계가 존재합니다. 모델의 크기와 학습 데이터셋의 규모가 증가하면서 모델의 손실 함수 값은 줄어드는 경향이 있습니다. 이는 기존 연구를 통해 확인된 바로, 지수함수의 형태를 따르는 하향 곡선인 power-law 관계를 보입니다.

GPT-4의 성능에 대해 본격적으로 설명하기 이전에, OpenAI는 스케일링에 대한 주요 논점을 먼저 제기하고 있습니다. 스케일링에 대한 이러한 논의가 먼저 등장하는 이유는 GPT-4 모델의 크기가 특히 크기 때문입니다. GPT-4의 파라미터 수는 아직 정확하게 공개되지 않았지만, GPT-3 모델이 약 1750억 개의 파라미터를 보유하고 있다는 점을 고려하면 그보다 훨씬 많을 것으로 예상됩니다. 이처럼 광범위한 모델은 한 번 튜닝하는 데도 상당한 시간과 비용이 소요됩니다. OpenAI는 GPT-4 프로젝트를 진행하면서 스케일링이 잘 이루어지는 모델 구현에 집중하였다고 알려져 있습니다. 특히 학습 시간이 GPT-4의 1/1000, 1/10000인 작은 모델의 성능 데이터를 바탕으로 GPT-4의 성능을 정확히 예측할 수 있도록 하는 것이 목표였습니다.

결과적으로, OpenAI의 내부 데이터와 HumanEval 데이터셋을 활용한 실험에서는, 작은 모델들의 손실 함수 값으로부터 도출된 power-law 함수를 이용해 GPT-4의 성능을 성공적으로 예측하였다고 합니다. 주목할 만한 사실은, 모델의 규모가 증가할수록 성능이 감소하는 현상을 연구하는 Inverse Scaling Prize 대회에서 수상한 작품 중 하나인 'hindsight neglect' 태스크에서 GPT-4가 높은 정확도를 보였다는 점입니다. 이는 GPT-4가 가장 많은 파라미터를 가진 모델임에도 불구하고, 비교 대상이 된 다른 모델들에 비해 월등히 좋은 성능을 보였다는 것을 의미합니다.

GPT-4의 성능

OpenAI가 언어 모델인 GPT를 개발할 때 주요 목표 중 하나는 복잡한 문맥에서 자연어 텍스트를 이해하고 생성하는 능력이라고 합니다. 따라서, GPT-4의 성능 평가를 위해 선택된 방법은 인간에게 주어지는 시험 문제를 이를 통해 풀게 하는 것이었습니다. 이 시험 문제들은 객관식과 주관식을 모두 포함하며, 필요한 경우에는 이미지도 입력값으로 제공되었습니다. 이러한 방식을 통해 전문적이고 학문적인 다양한 시험에서 GPT-4가 인간과 유사한 성적을 받았다고 알려져 있습니다. 특히, 미국 변호사 시험에서 상위 10%의 성적을 받았는데, 이는 하위 10%를 기록했던 이전 버전인 ChatGPT보다 더욱 뛰어난 성능을 보여주었습니다.

RLHF fine-tuning을 거치기 전의 기본적인 GPT-4 모델만으로도 이와 유사한 성능이 확인되었기 때문에, OpenAI는 GPT-4의 시험 문제 풀이 능력이 RLHF 보다는 pre-training 과정에서 기인한 것으로 추측하고 있습니다. 또한, OpenAI는 여러 언어 모델용 벤치마크 데이터를 활용하여 기본 GPT-4의 성능을 평가하였고, 이 결과 기존의 ChatGPT는 물론 PaLM, LLaMA와 같은 최신 모델의 성능을 뛰어넘었습니다. 심지어, 특정 벤치마크에 맞추어 학습된 다른 모델보다도 대체로 우수한 성능을 보였습니다. 더불어, MMLU (Massive Multi-task Language Understanding) 벤치마크를 번역하여 테스트하였음으로써, GPT-4가 영어 외의 다른 언어에 대한 이해력도 기존 모델보다 훌륭하다는 것을 입증하였습니다. 추가로, OpenAI API 사용자를 대상으로 실시한 테스트에서는 사용자들이 ChatGPT보다 GPT-4에 의해 생성된 답변을 선호하는 경향을 보였다고 합니다. 이러한 언어 모델의 평가를 더욱 원활하게 진행할 수 있도록 OpenAI는 프레임워크인 OpenAI Evals를 오픈소스로 제공하였습니다.

원본 이미지의 prompt와 GPT-4의 답변을 가로 방향으로 재배치하였음

GPT-4의 가장 중요한 특징 중 하나는 텍스트 prompt 뿐만 아니라, 텍스트와 이미지가 혼합된 prompt도 처리할 수 있다는 것 입니다. GPT-4는 텍스트와 사진이 포함된 문서와 도표, 스크린샷 등 다양한 종류의 이미지에서도 텍스트 prompt를 처리하는 것과 비슷한 성능을 보였습니다. 그리고 이미지와 텍스트 prompt를 함께 사용할 때도 few-shot prompting, chain-of-thought 등 언어 모델을 위한 여러 기법들을 사용할 수 있었습니다. 실제 사용 예시를 보면, 온라인 커뮤니티인 레딧(Reddit)에 공유된 이미지에 대해 "각 이미지를 설명하고, 이 이미지가 왜 재미있는지 알려줘."라는 prompt를 입력했을 때, GPT-4는 각 이미지가 어떤 것을 나타내는지 설명하며, 마지막으로 "컴퓨터 모니터에 사용되는 큰 VGA 케이블을 작은 스마트폰 충전 포트에 연결한 것이 재미있음"이라는 결론을 내렸습니다.

GPT-4의 한계

GPT-4의 성능이 눈부시게 놀라운 만큼, 이 모델에도 한계점이 존재합니다. GPT-4는 그 이전 버전인 GPT 모델들과 유사한 제약 사항을 지니고 있으며, 이 중에서도 가장 대표적인 것은 '환각(hallucination)'이라는 현상입니다. GPT 모델은 제공된 프롬프트를 기반으로 가장 가능성이 높은 문장을 생성하게 되지만, 생성된 텍스트가 '정확한 정보'인지를 검증하는 기능은 부재합니다. 따라서, 잘못된 정보를 제공하는 경우가 종종 발생하며, 이런 현상을 '환각'이라 부릅니다. 실제로 인터넷에서는 ChatGPT가 제공한 부적절한 답변을 담은 이미지들이 많이 공유되고 있습니다.

출처: https://twitter.com/yechanism_/status/1627881535037923329/photo/1

GPT-4는 ChatGPT에 비해 이런 환각(hallucination)이 크게 감소하였다고 합니다. OpenAI 내부의 사실 검증 테스트로 평가한 결과 GPT-4는 최신 버전의 ChatGPT보다 19%p 높은 점수를 얻었습니다. '옳은 문장'과 '그럴듯하지만 오류가 있는 문장'을 구별하는 공개 벤치마크 테스트인 TruthfulQA에서는, RLHF(Reinforcement Learning from Human Feedback) fine-tuning 이전의 GPT-4 base 모델은 ChatGPT와 큰 성능 차이를 보이지 않았지만, RLHF 이후로는 성능이 크게 향상되었다고 알려져 있습니다. 또한, GPT-4의 제약점 중 하나는 2021년 9월 이후의 정보를 포함하지 못한다는 것입니다. 이는 모델 학습에 활용된 데이터셋이 한정적이며, GPT-4가 실시간 경험을 통해 새로운 지식을 습득하지 못하기 때문입니다.

GPT-4의 위험성, 그리고 이를 완화하기 위한 노력

GPT-4의 전문적인 텍스트에 대한 이해력이 향상됨에 따라, '전문 지식을 악용할 수 있는 prompt'를 식별하는 데 전문가의 도움이 필수적이었습니다. 예를 들어, 간단한 재료와 장비만을 이용해 특정 화학 물질을 합성하는 방법을 질문하는 등의 경우가 있습니다. 이에 OpenAI는 해당 분야의 전문가들에게 도움을 청해 모델을 개선하였습니다. 초기 버전의 GPT-4는 위험한 화학 물질 합성 방법에 대해 상세하게 설명하는 결과를 생성하였으나, 출시 직전 버전에서는 안전한 이유로 해당 정보를 제공할 수 없다는 답변을 생성하였습니다.

RLHF (Reinforcement Learning from Human Feedback)는 사용자의 의도를 반영하여 텍스트를 생성하는데 크게 기여하였으나, RLHF 참여자들에게 상황에 맞는 안내가 부족할 때, 비윤리적인 prompt(예: 폭탄 제작 방법은 어떻게 되는가?)에 대해 적절하지 않은 응답을 생성하는 문제가 발생하였습니다. 반면, 비교적 위험이 적은 질문(예: 저렴하게 담배를 구입할 수 있는 방법은?)에 대해 응답을 차단하는 경우도 있었습니다. 이러한 문제를 극복하기 위해 OpenAI는 RLHF 학습 과정에 안전성과 관련된 다양한 프롬프트를 추가하였고, RBRM (Rule-Based Reward Model)이라는 방법론을 적용하였습니다. RBRM은 여러 개의 zero-shot GPT-4 classifier를 포함하며, 유해한 내용을 제거하거나, 반대로 무해한 내용이 제거되지 않았을 때 GPT-4 policy model에 보상 신호를 제공합니다. RBRM은 GPT-4 policy model의 결과물, 사람이 만든 평가 지표(생성된 텍스트를 필터링하는 데 사용된 규칙), 그리고 경우에 따라 prompt까지 입력으로 받아들입니다. 그 후, 적절하지 않은 내용이 포함된 응답을 생성하는 경우 대신 거부 응답을 생성하는 방향에 보상을 부여합니다.

이러한 노력의 결과로, GPT-4는 그 전신인 ChatGPT에 비해 위험한 응답을 생성하는 빈도가 크게 줄어들었다고 보고되었습니다. Real Toxicity Prompts 데이터셋을 이용한 실험 결과, GPT-4는 0.73%의 경우에만 부적절한 텍스트를 생성하였는데, 이는 ChatGPT의 결과인 6.48%에 비해 훨씬 낮습니다. 그럼에도 불구하고, OpenAI는 여전히 'jailbreak'이라 불리는 방식으로 지침을 우회하고 위험한 답변을 생성하는 방법이 존재한다는 것을 인지하고 있으며, 모니터링 등을 통한 안전성 강화의 중요성을 강조하고 있습니다.

요약

1. GPT-4는 이미지와 텍스트 입력을 처리하고 텍스트 출력을 생성할 수 있는 멀티모달 모델로, 이미지 처리 성능과 텍스트 처리 성능에서 우수한 결과를 보여주었음

2. GPT-4는 트랜스포머 스타일의 모델로 학습되었으며, RLHF를 통해 파라미터를 조정하여 성능을 향상시켰음.

3. GPT-4는 기존 모델보다 뛰어난 성능을 보여주었고, 텍스트와 이미지가 혼합된 prompt를 처리할 수 있음.

4. GPT-4는 환각 현상과 같은 한계가 있고, 위험한 응답을 생성할 수도 있기 때문에, OpenAI는 이러한 위험성을 완화하기 위해 RBRM 방법론 등을 통해 안전성 강화에 주력하고 있음.

* 비고 : GPT-4는 현재 유료 구독 서비스인 ChatGPT Plus를 통해 사용할 수 있습니다.

* 비고 : API waitlist 신청 가능합니다.

인공지능에서 말하는 매개변수(파라미터, Parameter)란?

데니스리 — Wed, 17 May 2023 20:08:45 +0900

정의 및 기능

인공지능에서의 매개변수는 기계 학습 알고리즘의 핵심 부분으로, 이는 과거의 학습 데이터로부터 학습되는 모델의 부분입니다[1]. 간단히 말해, 인공지능과 머신러닝에서의 매개변수는 알고리즘이 독립적으로 변경할 수 있는 값들입니다. 이 값들은 알고리즘이 학습하는 동안 변경되며, 이러한 변경을 통해 입력 데이터가 원하는 출력으로 변환되는 방식을 결정합니다[2][3].

중요성

매개변수의 값은 모델의 성능을 결정하는 중요한 요소입니다. 매개변수의 최적값은 학습 데이터를 통해 결정되며, 이 값들은 모델이 새로운 데이터에 대한 예측을 생성하는 데 사용됩니다. 매개변수는 모델의 내부적인 특성을 반영하며, 이는 모델이 학습하는 동안 자동으로 조정됩니다[1].

주요 매개변수와 기능

머신러닝 모델의 종류에 따라 다양한 매개변수가 있을 수 있지만, 모든 매개변수는 모델이 어떻게 학습하고 예측을 수행할 것인지를 결정하는 역할을 합니다. 예를 들어, 신경망에서의 가중치와 편향은 각각 입력 데이터에 대한 중요도를 조절하고, 각 뉴런의 활성화를 조정하는 데 사용되는 매개변수입니다.

활용 방법과 주의점

인공지능을 최대한 잘 활용하기 위해, 매개변수를 올바르게 설정하고 최적화하는 것이 중요합니다. 이를 위해 다양한 최적화 기법과 모델 선택 방법을 사용할 수 있습니다. 또한, 매개변수를 너무 많이 사용하면 과적합이 발생할 수 있으므로 이 점을 유의해야 합니다.

활용 사례

매개변수의 활용 사례는 다양합니다. 예를 들어, 이미지 인식, 자연어 처리, 음성 인식 등 다양한 분야에서 인공지능 모델을 학습하고 적용하는 데 매개변수가 사용됩니다.

Chat GPT에서 사용하는 Temperature라는 파라미티를 사례로 소개 드립니다.

Chat GPT playground 페이지 우측에 있는 Temperature 파라미터는 0에서 1 사이의 값을 가지고, 1에 가까울 수록 보다 더 창의적인 결과를 생성하고, 0에 가까울 수록 프롬프트에 기반하여 예측 가능한, 더 정확한 결과를 생성하게 됩니다.

이 파라미터를 MS Bing은 아래와 같이 대화 스타일에 적용했습니다.

그리고, 이미지를 이용하여 영상을 생성하는 Kaiber는 아래와 같이 이미지 베리에이션에 적용했습니다.

참고:
- 가중치(weight): 각 입력 특성에 대한 중요도를 결정하는 모델의 매개변수입니다. 가중치는 모델이 학습하는 동안 최적화되며, 입력 데이터와 함께 곱해져서 모델의 출력을 결정하는데 사용됩니다.
- 편향(bias): 가중치와 함께 작동하여 모델의 출력을 조정하는 매개변수입니다. 편향은 모델이 학습하는 동안 최적화되며, 모델의 출력에 직접 더해져서 최종 예측을 결정하는데 사용됩니다.

출처

[1] "What is the Difference Between a Parameter and a Hyperparameter?"(https://machinelearningmastery.com/difference-between-a-parameter-and-a-hyperparameter/)
[2] "Parameters, Hyperparameters, Machine Learning"(https://towardsdatascience.com/parameters-and-hyperparameters-aa609601a9ac)
[3] "Number of parameters in notable artificial intelligence systems"(https://ourworldindata.org/grapher/artificial-intelligence-parameter-count)

이미지 기반 영상 생성 AI (Kaiber)

데니스리 — Wed, 17 May 2023 13:07:11 +0900

이미지 기반 영상 생성 AI (Kaiber)를 활용해서 만들어본 영상 입니다.

- 대상 이미지 (midjourney 통해서 생성)

- 제작 영상

- Kaiber를 활용하여 제작한 10s 영상 -

- 참고 영상 -