프롬프트 엔지니어링을 위한 기초 지식 - 테스트 문제 풀기

어제 공부를 다 마친 프롬프트 엔지니어링 과목 테스트 문제를 풀어보려고 한다.

---

 

 

 

 

테스트 문제 풀기

 

---

 

 

 

 

문제 1번

 

 

 

 

 

답은 그렇다이다.

이유

• Few-shot Learning에서 프롬프트의 예시는 비슷한 유형으로 구성하는 것이 좋다.
• 이는 모델이 주어진 예시를 기반으로 패턴을 학습하고, 비슷한 구조의 문제를 더 잘 해결하도록 돕기 위해 중요하다.
• 예시가 서로 다른 유형으로 구성된다면, 모델이 혼란스러워하거나 패턴을 정확히 학습하지 못할 가능성이 커진다.

---

 

 

 

 

문제 2번

 

 

 

문제의 답은 "생성 AI를 활용한 대화형 인공지능 시스템 개발"이 가장 적절하다.

이유

• LangChain은 주로 생성 AI(Generative AI)를 기반으로 대화형 시스템, 질문-답변 시스템, 문서 요약 등에서 사용되는 프레임워크이다.
• 특히 LLM(대규모 언어 모델)을 활용한 파이프라인 구축과 다양한 데이터 소스와의 통합을 지원해, 대화형 AI 개발에 적합하다.

 

선택지 분석

1. 생성 AI를 활용한 대화형 인공지능 시스템 개발
   → LangChain의 주된 사용 목적이므로 적절
2. 생성 AI를 활용한 이미지 및 비디오 분석
   → LangChain은 주로 텍스트 기반 작업에 초점이 맞춰져 있어 이미지/비디오 분석과는 직접 관련이 적다.
3. 생성 AI를 활용한 웹사이트 디자인 자동화
   → LangChain은 디자인 자동화보다는 언어 모델과 관련된 작업에 더 적합
4. 생성 AI를 활용한 대규모 데이터 분석
   → 대규모 데이터 분석은 가능하지만, 이는 주된 사용 사례라기보다는 언어 모델 활용의 부가적인 영역이다.

---

 

 

 

 

문제 3번

 

 

 

 

 

• 언어 모델(예: GPT)은 텍스트 데이터를 처리하는 데 특화되어 있다.
• 이미지를 직접 분석하거나 비디오를 처리하는 능력은 제한적이며, 이를 처리하려면 추가적인 전처리(예: 이미지 설명 생성, 비디오를 텍스트로 변환 등)가 필요하다.
• 따라서 언어 모델은 텍스트와 관련된 작업에 강점을 가지며, 다른 데이터 형식은 직접적으로 다루지 못한다.

---

 

 

 

 

문제 4번

 

 

 

 

• ChatGPT는 에이전트로 작동할 수는 있지만, 기본적으로 단순한 언어 모델로 작동하며 직접적으로 복잡한 작업을 계획하거나 다양한 도구를 활용하지 않는다.
• 다만, 이를 가능하게 만드는 것은 Auto-GPT나 AgentGPT 같은 에이전트 프레임워크를 ChatGPT와 결합했을 때 가능해지는 기능이다.

 

선택지 분석

1. "신념, 욕구, 의도를 부여하여 이를 기반으로 행동, 관찰, 사고, 판단하도록 한 언어모델을 나타낸다."
   → 에이전트의 개념을 설명하는 것으로, ChatGPT 에이전트의 특성과 관련 있어 적절한 설명
2. "사용자의 문제나 요청 등을 입력 받은 후, 필요에 따라 복잡한 작업을 계획하고 다양한 도구를 활용하여 최적의 답변을 제공하는 언어 모델이다."
   → ChatGPT 자체는 이러한 능력을 기본적으로 제공하지 않으며, 이는 별도의 프레임워크와 도구를 통해 가능하므로 적절하지 않은 설명
3. "여러 번에 걸쳐 답변하지 않고, 한 대화로 원하는 결과를 반환한다."
   → ChatGPT의 동작 방식에 부합하며, 대화형으로 정보를 제공하더라도 단일 대화 맥락에서 결과를 제공하므로 적절한 설명
4. "예시로는 Auto-GPT, AgentGPT 등이 있다."
   → Auto-GPT와 AgentGPT는 ChatGPT 기반으로 작동하는 에이전트 프레임워크의 예로 적절한 설명

---

 

 

 

 

문제 5번

 

 

 

 

 

비식별화 과정의 올바른 순서

1. 식별자 인식
   • 데이터에서 식별자를 찾는 단계. 이름, 주민등록번호, 전화번호 같은 개인을 특정할 수 있는 정보를 식별함
   • 예: 데이터에서 "이름"이나 "전화번호"와 같은 열을 찾아내는 것
2. 비식별화
   • 식별된 정보를 변환하거나 제거하여 개인을 특정할 수 없도록 만드는 과정
   • 예: 주민등록번호를 해시 처리하거나 삭제
3. 프롬프팅
   • 비식별화된 데이터가 분석 및 활용 가능하도록 정리하는 단계. 데이터를 보호하면서도 유용성을 보존하도록 설계됨
   • 예: 데이터에서 필요한 정보만 남기고 정리
4. 원상복구
   • 데이터를 다시 식별 가능한 형태로 복구할 수 있는지 확인하는 단계
   • 예: 복구 가능성을 테스트하거나, 복구 방지를 위한 추가 조치를 취함

 

 

 

분명 다 제출했고 다 맞혔는데 점수가 0점으로 나온다. 전에도 계속 그러는데 아마 엘리스 플랫폼의 문제인 것 같다.

---

 

 

 

 

학습을 마치고

점수가 나오지 않아서 조금 언짢았다. 지금 테스트 문제 3번 이상 오류가 나타난다. 문제를 풀 때마다 분명히 제출하고 다 풀었음에도 0점으로 나오는 것이다.

하지만 어떤 문제든지 건의를 하면 답변도 안해주고 인공지능사관학교 담임선생님을 통해 연락하겠다고 했는데 연락이 온 적은 한번도 없었다. 아마도 담임샘 쪽에서 무시했을지도 모를 일이다. 원래 약속도 하나도 안지키고 내가 하는 말은 대부분 씹혔다.

 

아무튼 화가 나는 일이 많지만 그냥 참고 넘어가기로 했다. 인간적인 실망은 지금껏 수도 없이 겪었으니까. 믿을 건 기계밖에 없다.