💡 25-06-19 (목)
의외로 이렇게 생각하면 괜찮아짐 👍
CO-STAR 프레임워크
AI에게 프롬프트를 작성하는 것은 대본을 써주는 작업과 같으며 대본이 탄탄할수록 AI는 더 정확하고 높은 품질의 결과물을 만들어낸다
▫️ Context (맥락) : AI에게 지금 누가 어떤 상황에 있는지를 알려준다
▫️ Objective (목표) : AI가 이번 작업에서 구체적으로 무엇을 달성해야 하는지 명확히 전달한다
🤖 그래서 AI가 뭘 해야 하는데?
▫️ Sytle (스타일) : AI가 어떤 방식으로 답변을 구성할지 지정한다
☝️ 설명식, 친근한 조언, 전문가 분석
▫️ Tone (톤/어조) : 전체적인 분위기와 말투를 설정한다
☝️ 부드럽게, 전문적으로, 캐주얼하게
▫️ Audience (대상/청중) : AI의 답변이 어떤 독자를 대상으로 하는지 지정한다
▫️ Response (답변 형식) : AI의 결과물이 어떤 형태로 제공되어야 하는지를 정한다
(스타일과 비슷하지만 좀 더 결과물의 구조나 형태에 초점을 맞춤)
☝️ 표로, 리스트로, 한 문장으로, 스크립트 형식
6가지에 맞춰서 작성해줘야 원하는 결과물을 얻을 수 있다❗️
생각의 사슬 CoT 프롬프팅
: 생성형 AI가 추론 과정을 단계별로 설명하도록 유도하여 문제 해결 능력을 향상시키는 방법
"Let’s Think Step by Step"
▶︎ 차근차근 생각해보자
이 지시어를 통해 AI에게 단계별로 추론을 전개해야 한다는 신호를 준다
▶️ 복잡한 문제일수록 AI에게 이렇게 단계별로 생각하라고 지시하면 정확도가 높아진다
생각의 나무 ToT 프롬프팅
: AI가 한 번에 답을 내기보단 여러 가지 생각 경로(가지)를 펼쳐서 스스로 사고 과정을 보여주며 문제를 풀어가는 방식
AI에게 질문을 던질 때 대부분 무의식적으로 하나의 정답만을 기대하며 질문하는 경우가 많다
단순한 질문에서는 이런 방식이 크게 문제가 되지 않지만 복잡한 문제를 해결할 때는 단순한 질문만으로는 충분하지 않다 🙅🏻♀️
그래서 등장한 것이 바로 생각의 나무 프롬프팅 (Tree of Thought Prompting) 이다 🌳
핵심은 생각 과정을 구조화하여 문제를 해결하는 것이다
☝️ "A를 해볼까? 하지만 실패할 수도 있겠지... 그럼 B는 허들이 낮아서 가능성이 높겠네"
이처럼 사람이 여러 가능성을 고민하는 사고 과정을 AI도 따라갈 수 있다❗️
📌 AI가 생각하고 답을 만들어내는 여러 가지 방식을 보여준다
1️⃣ (a) Input-Output Prompting (IO)
: 기존의 단순한 프롬프팅 방식
사용자의 질문에 AI가 곧바로 답을 제공한다
☝️ 한국의 수도가 어디야? → 서울
2️⃣ (b) Chain of Thought Prompting (CoT)
: AI가 생각의 흐름을 따라가며 답을 유도하는 방식
☝️ "A는 사과 2개, B는 사과 3개가 있는데 총 몇 개야?" 라고 묻는다면
AI는 "A에 2개, B에 3개, 그래서 총 5개다"처럼 단계별로 생각 과정을 설명하면서 답을 만든다
3️⃣ (c) Self-Consistency with CoT (CoT-SC)
: AI가 여러 경로로 다양한 풀이를 시도한 뒤 그 중에서 가장 많이 나오는 결과를 다수결로 선택하는 방식
▶︎ 다양한 풀이를 시도해보고 가장 일관된 답을 최종 답으로 낸다
4️⃣ (d) Tree of Thoughts (ToT)
: 복잡한 문제를 단계적으로 깊이 있게 해결할 수 있는 AI 사고 방식
🟰 생각의 나무 프롬프팅
한 가지 문제에 대해 여러 방향으로 생각을 확장하고 중간중간 가지치기를 통해 가장 유망한 경로를 선택하며 최종 답을 도출한다 🌴
💡 https://www.ibm.com/kr-ko/think/topics/tree-of-thoughts
☝️ 우리 앱의 온보딩 화면에서 사용자가 많이 이탈해요 이유가 뭘까요?
1단계 - 가능한 원인들을 최소 3가지 이상 제시하고 각 원인의 가능성과 중요도 비교
2단계 - 각 원인에 대한 해결책을 다양하게 제시해주고 각 해결책의 장단점 비교
3단계 - 그중 가장 효과적인 해결책에 대한 UX 개선 방향을 선택하고 그 이유와 실제 적용 제시
☝️ 생각의 나무를 자동화로 할 수도 있다
이 문제에 대해 생각의 나무 방식으로 단계적으로 분석해줘
(➕ AI에게 프롬프트를 줄 때 지금부터 생각의 나무 프레임워크를 사용할 거라고 미리 알려줘야함)
▫️ 가능한 원인들을 최소 3가지 이상 제시하고 비교해줘
▫️ 각 원인에 대한 UX 개선 아이디어를 다양하게 제시하고 장단점을 비교해줘
▫️ 그중 가장 좋은 해결책을 선택해서 이유와 적용 예시를 알려줘
각 단계를 번호를 붙여서 나눠서 작성해줘
▶️ 단계별로 사고 과정을 나누어가면 AI도 더 깊이 있는 답을 도출할 수 있다
구조화 없이 질문하면 AI가 얕은 결론을 빠르게 내리기 때문에 사용자는 AI가 다양한 생각을 펼칠 수 있도록 사고 과정을 유도해줘야 한다 🔥
ReAct 프롬프팅
: AI가 Reasoning(추론)과 행동(action)을 번갈아 반복하면서 문제를 해결하는 방식
▶︎ 자기 스스로 생각하게 하고 동시에 필요한 행동을 할 수 있게한다
사용자가 "서울에서 가장 인기 있는 맛집을 찾아줘" 라고 요청했을 때 기존의 LLM은 스스로 행동하지 않고 단순히 학습된 지식만으로 추론하기 때문에 오래되거나 부정확한 정보를 줄 수 있다
▶️ 이 한계를 극복하기 위해 등장한 방식이 바로 ReAct 프롬프팅이다❗️
📌 ReAct 프롬프팅의 구조와 개념을 보여준다
▶︎ 추론 ↔ 행동 ↔ 관측을 반복하는 순환 구조
LLM (대형 언어 모델)은 추론(생각)을 하고 필요한 경우 도구(기능)를 활용해 행동하며 그 결과를 관측하고 분석해 새로운 생각을 이어간다
☝️ "요즘 인기 앱이 뭐야?"
➡️ AI가 스스로 검색 (행동) > 검색 결과를 확인 (관측) > 여러 후보를 비교해본 뒤 최종적으로 가장 적절한 앱을 추천 (추론)
AI가 학습된 정보만으로 답하는 것이 아니라 실시간으로 외부 환경과 상호작용하며 최신 정보를 확보하고 더 정확한 답을 도출하는 것 ‼️
AI와 데스크 리서치
ChatGPT 탐색으로 들어가면
Scholar AI는 시장조사에 특화된 AI로 논문까지 확인할 수 있다
➕ 가끔 검색 결과가 부족할 땐 영어로 검색하면 더 잘 나온다 !
Tailor는 경쟁사 분석에 활용할 수 있고 포트폴리오 제작이나 회사 업무에서 필요할 때 유용하게 사용할 수 있다
✏️ 생각의 나무 프롬프트 실습 해보기
✏️ google essential AI 수강하기
💡 https://www.coursera.org/learn/google-introduction-to-ai?specialization=ai-essentials-google
수강 완료 😆
