flex로 메뉴를 만들 때
align-items의 기본값은 stretch (부모의 height값과 같음)인데,
바로 자식에게만 적용되기 때문에 후손에게도 적용시키고 싶다면 후손에게 직접 height 100%를 걸거나
그 후손의 부모에게 flex를 걸어준다.
(직접 height 100% 거는게 효율적)
LLM의 한계
1. 편향성
- 대규모 데이터셋에 포함된 사회적, 문화적, 성별적 편향을 그대로 학습하기에
잘못된 고정관념이 생길 수 있다. ( 간호사 그려줘 -> 보통 여간호사가 나옴)
2. 오류 및 정확도 문제(Hallucination)
- 실제 사실과 다른 내용을 확신에 찬 말투로 출력을 하기도 하며,
존재하지 않는 정보나 출처를 만들어 내는 할루시네이션 현상이 발생할 수 있다.
3. 개인정보 및 데이터 보안
- 모델이 학습에 사용한 데이터 중 개인정보나 민감한 정보가 포함되었을 경우,
출력 결과에 그것이 노출될 가능성이 있다.
4. 자원 소비 및 환경 문제
- LLM은 학습과 운영에 고성능 컴퓨팅 자원이 필요하며,
대량의 전력 사용으로 이어져 환경적인 부담을 초래한다.
5. 비용 문제
- 연구 및 상용화에 막대한 비용이 소요되며, 개인이나 중소기업이 쉽게 접근하기 어렵다.
6. 오용 및 남용 가능성
- 잘못된 정보 생성, 혐오 발언, 성차별적 언어, 폭력적 내용 생성 등으로 악용될 수 있으며,
정치적 조작이나 가짜 뉴스 확산에 이용될 수도 있다.
7. 책임소재 불분명
- LLM이 생성한 결과물이 문제가 되었을 경우
사용자, 개발자, 플랫폼 중 누가 책임을 져야하는지 명확하지 않다.
8. 상황 맥락 이해 부족
- LLM은 단어의 연관성과 확률 기반으로 문장을 생성하기 때문에
인간처럼 맥락을 깊이 이해하거나 의도와 감정을 완전히 파악하지 못하는 경우가 많다.
