마이크로소프트 프롬프트 엔지니어링 팁, AI 언어 모델의 출력 정제

TL;DR 요약

• 마이크로소프트는 프롬프트 엔지니어링에 대한 포괄적인 가이드를 공개하여 AI 언어 모델에 대한 효과적인 프롬프트 작성에 대한 가치 있는 통찰력을 제공합니다.
• 가이드는 언어 모델의 성능을 최적화하기 위해 프롬프트에서 명확성, 구체성, 관련 맥락 제공의 중요성을 강조합니다.
• 프롬프트 작성을 위한 Microsoft의 팁에는 명확하고 구체적으로 작성하기, 샘플 출력 제공, 반복적인 과정을 통해 프롬프트를 다듬는 것이 포함됩니다.

Microsoft는 최근 프롬프트 엔지니어링에 대한 포괄적인 가이드를 공개하여 효과적인 프롬프트 제작의 예술에 대한 귀중한 통찰력을 제공했습니다. 이 가이드는 프롬프트 구조, 작성 팁, 명확성, 구체성, 샘플 출력 및 맥락 정보 제공 등 다양한 측면을 다룹니다. 모델이 최적의 결과를 생성하도록 유도하는 것의 중요성을 강조하며, 예시와 관련 맥락을 포함하는 유용성을 강조합니다. 모델이 생성한 출력을 다듬는 것은 종종 원하는 결과를 얻기 위해 반복적인 조정이 필요한 시행착오의 동적 과정임을 인정합니다.

프롬프트란 무엇이며, 어떻게 엔지니어링합니까?

프롬프트는 언어 모델에 원하는 응답이나 출력을 이끌어내기 위해 제공되는 특정 지침이나 입력입니다. 이는 모델의 생성 과정의 시작점이 되어 모델의 이해를 안내하고 후속 출력을 형성합니다.

프롬프트는 맥락과 작업/쿼리로 구성됩니다. 맥락은 모델이 원하는 출력을 이해하는 데 필요한 관련 정보나 배경을 제공합니다. 예: "맥락: 당신은 고등학교 교사입니다. 작업/쿼리: 광합성 주제에 대한 수업 계획을 학습 목표, 활동, 평가 방법을 포함하여 만드세요."

프롬프트 엔지니어링은 언어 모델의 성능을 최적화하기 위해 프롬프트를 전략적으로 설계하고 다듬는 과정을 의미합니다. 이는 프롬프트 구조, 명확성, 구체성, 샘플 출력, 관련 맥락 등을 고려하여 모델이 더 정확하고 관련성 높은 응답을 생성하도록 안내하는 것을 포함합니다. 프롬프트를 신중하게 작성하고 반복적으로 개선함으로써 프롬프트 엔지니어링은 원하는 언어 모델 출력의 품질과 효과를 향상시키는 것을 목표로 합니다.

프롬프트 작성을 위한 Microsoft 팁

효과적인 프롬프트를 작성하는 것은 프롬프트 엔지니어링의 중요한 측면이며, Microsoft는 프롬프트 작성 기술을 향상시키기 위한 가치 있는 통찰력과 팁을 제공합니다. 다음 팁 목록은 정확하고 간결하지만, 프롬프트 구성을 최적화하고 원하는 출력을 얻기 위한 탄탄한 기반을 제공합니다.

• 명확하고 구체적으로 작성하세요
• 샘플 출력을 제공하세요
• 관련 맥락을 제공하세요
• 다듬고, 다듬고, 또 다듬으세요

명확하고 구체적으로 작성하여 원하는 결과를 위한 모델 안내

프롬프트를 작성할 때 명확성과 구체성은 모델이 생성하는 출력을 형성하는 데 중요한 역할을 합니다. 지침이 더 명시적이고 상세할수록 모델이 가정해야 할 사항이 줄어들어 더 정확하고 표적화된 응답이 생성됩니다. 모델이 원하는 결과를 생성하도록 안내하기 위해 프롬프트 내에 경계와 제약 조건을 설정하는 것이 중요합니다. 예를 들어, 좋은 프롬프트는 "주요 발견 사항을 최대 150단어로 요약하세요"와 같이 필요한 형식, 기준 또는 제약 조건을 지정할 수 있습니다. 반면, "발견 사항을 요약하세요"와 같이 명확성과 구체성이 부족한 모호한 프롬프트는 모델의 해석으로 인해 모호하거나 일관성 없는 출력을 초래할 수 있습니다.

개발자와 사용자가 프롬프트에서 명확하고 구체적으로 작성함으로써 모델의 이해를 효과적으로 유도하고 의도에 부합하는 출력을 생성하도록 장려할 수 있습니다. 프롬프트 내에 명시적인 지침을 제공하고 잘 정의된 경계를 설정하면 프롬프트 엔지니어링이 더 정확하고 신뢰할 수 있는 결과를 도출하는 데 도움이 됩니다.

샘플 출력 제공 – 제로샷 및 퓨샷 학습을 통한 모델 안내

출력 생성을 시작하기 위해 훈련된 모델의 사전 구성된 설정을 활용하는 제로샷 학습(zero-shot learning)은 빠른 접근 방식을 제공합니다. 그러나 모델의 성능을 더 향상시키고 출력을 특정 작업이나 도메인에 맞춤화하려면 샘플 출력을 제공하는 것이 매우 유용합니다. 의도된 작업 맥락과 유사한 데이터나 시나리오를 사용하여 예시를 공유함으로써 모델을 더 정확하고 원하는 결과를 생성하도록 더 잘 안내할 수 있습니다. 퓨샷 학습(few-shot learning)이라고 알려진 이 기법은 예시의 힘을 활용하여 모델의 이해를 향상시키고 생성된 출력의 품질을 개선합니다.

예를 들어, 모델이 뉴스 기사를 요약하도록 하고 싶은 시나리오를 고려해 봅시다. 제로샷 학습을 통해 모델은 사전 훈련을 기반으로 일반적인 요약을 생성할 수 있습니다. 그러나 동일한 도메인 내에서 이전에 요약된 뉴스 기사의 샘플 출력을 제공하면 모델이 특정 뉘앙스를 포착하고, 요약의 일관성을 개선하며, 원하는 스타일과 어조에 맞게 일관성을 유지하도록 훈련할 수 있습니다. 이렇게 하면 모델이 뉴스 기사 요약 작업을 효과적으로 처리하는 데 더 잘 준비됩니다.

관련 맥락 제공 – 성능 향상을 위한 모델 기반화

프롬프트 엔지니어링에서 사실과 추가 정보를 제공하여 관련 맥락을 제공하는 것은 모델이 질문에 답하고 다양한 작업을 수행하도록 안내하는 강력한 기술입니다. 이 과정은 기반화(grounding)라고 하며, 사실 정보에 대한 모델의 이해를 고정하는 것을 포함합니다. Microsoft의 검색 엔진인 Bing은 AI 기능을 향상시키기 위해 유사한 접근 방식을 사용합니다. 쿼리를 제출하는 것과 함께 검색을 수행하여 관련 웹 페이지의 정보를 제공합니다. 그런 다음 이러한 웹 페이지의 내용은 프롬프트 내에서 추가 맥락으로 통합되어 AI 모델이 사용자의 의도와 더 일치하는 응답을 생성할 수 있도록 합니다.

예를 들어, 언어 모델을 사용하여 역사 퀴즈 질문에 답하는 것을 지원하고 싶다고 가정해 봅시다. 프롬프트 내에 특정 시대, 관련된 역사적 인물 또는 중요한 사건과 같은 관련 역사적 사실과 세부 정보를 맥락으로 포함하면 모델에 역사에 대한 탄탄한 기반을 제공할 수 있습니다. 이 추가 정보는 모델이 관련 역사적 지식을 바탕으로 응답을 생성하고 정확하고 정보량이 풍부한 답변을 얻을 가능성을 높이는 데 도움이 됩니다.

다듬고, 다듬고, 또 다듬으세요 – 최적화된 출력을 위한 반복적 경로

프롬프트 엔지니어링에서 최적의 출력을 생성하기 위한 여정은 종종 시행착오의 과정을 포함합니다. 초기 결과가 기대에 부합하지 않아도 낙담하지 마세요. 대신 이 기사에서 설명한 다양한 기법을 실험하며 반복적인 접근 방식을 수용하여 특정 사용 사례에 가장 적합한 방법을 발견하세요. 효과적인 전략 중 하나는 모델이 생성한 초기 출력 세트를 재사용하여 후속 프롬프트를 다듬는 데 가치 있는 자료로 활용하는 것입니다.

초기 출력을 프롬프트에 추가 맥락과 지침으로 통합함으로써 모델에 피드백 루프를 제공하여 후속 반복을 안내하고 정보를 제공합니다. 이러한 반복적 다듬기 과정을 통해 모델은 이전 시도에서 학습하여 시간이 지남에 따라 더 정제되고 정확한 출력을 생성할 수 있습니다. 따라서 망설이지 말고 다듬고, 반복하고, 생성된 출력을 활용하여 원하는 결과를 달성하기 위한 디딤돌로 삼으세요. 기억하세요. 성공은 종종 기대에 부합할 때까지 프롬프트 엔지니어링 모델을 미세 조정하는 데 필요한 인내와 적응력에 있습니다.

요약

이 가이드의 출시를 통해 Microsoft는 개발자와 사용자가 프롬프트 엔지니어링의 잠재력을 최대한 활용하도록 권한을 부여하는 것을 목표로 합니다. 프롬프트 구성의 미묘함을 이해함으로써 실무자는 언어 모델의 성능과 정확성을 향상시킬 수 있습니다. 가이드는 프롬프트의 명확성과 구체성을 강조하여 모델로부터 정확한 응답을 이끌어내는 데 도움이 됩니다. 또한 샘플 출력과 관련 맥락의 포함은 모델이 원하는 의도를 파악하고 더 적절하고 일관된 응답을 생성할 수 있도록 합니다. 가이드에서 제안한 반복적 접근 방식을 채택함으로써 개발자는 출력을 미세 조정하고 프롬프트 엔지니어링 모델을 반복적으로 다듬어 궁극적으로 개선된 결과와 더 맞춤화된 사용자 경험을 얻을 수 있습니다.