[PM 부트캠프 - 14일차 후기] 인공지능의 기초

PM 부트캠프 14일차 후기

---

 

오늘 모드 음악항아리!

스크럼 시간에 조원들에게 노래 불러줬었다.

담이님이 내 노래 듣고 100점 이모티콘 보내주셔서 기분 좋았다리💯ㅋㅋㅋㅋㅋ

 

 

 

 

 

ChatGPT 300% 활용하기 1일차

---

드디어 서비스기획 입문 다 듣고 챗지피티 수업으로 넘어왔다.

우리 팀 사람들이 다들 챗지피티 수업 너무 좋다고 하길래 기대 껴안고 강의 들으러 슝슝~ 

 

 

 

 

 

인공지능의 기초

---

💡 AI란?

- 인공지능(AI)은 컴퓨터와 기계가 인간의 지능과 문제 해결 능력을 시뮬레이션(인간처럼 사고하고 행동)할 수 있도록 하는 기술

인공지능의 발정 타임라인 (출처 Rockwell Anyoha, Harvard University, "The History of Artificial Intelligence")

 

 

💡 LLM이란?

- LLM은 "Large Language Model"의 약자로, 대량의 텍스트 데이터를 학습해 사람이 쓰는 자연어를 이해하고 생성할 수 있는 AI모델

거대 언어모델의 발전도 (출처 "Harnessing the Power of LLMs in Practice: A Survey on ChatGPT and Beyond")

 

 

💡 ChatGpt란?

- 챗지피티는 대화형 인공지능 챗봇으로 많은 데이터를 학습하여 사람이 쓴 것처럼 의미 있는 텍스트를 생성할 수 있는 것

 

 

💡 모델 (model)이란?

- 인공지능 분야에서 모델이란, 수많은 데이터 패턴을 발견하거나 예측을 수행할 수 있는 알고리즘

- 쉽게 말하면 기계가 맞고 틀리고를 판단하는 능력

 

 

💡 멀티모달(Multimodal) 모델이란?

- 멀티모달 모델은 텍스트, 오디오, 이미지 또는 비디오와 같은 다양한 유형의 데이터를 (이를 모달리티라고 함) 통합하고 처리하는 모델

ex. OpenAI의 GPT-4o, Google의 Gemini

 

 

💡 생성형 AI란?

- 일에 따라 새로운 데이터를 생성하는 생성형 AI

ex.사용자에게 질문을 받아 텍스트를 생성하는 ChatGPT

 

💡 판별형 AI란?

- 서로 다른 종류를 구분하는 판별형 AI

 

💡 머신러닝 (Machine Learning)이란?

- 머신러닝은 AI의 하위 분야로, 사람이 기본적인 구조와 특징을 정해주고 컴퓨터가 그걸 바탕으로 학습하는 기술

- 여기서 말하는 학습은 명시적으로 규칙을 프로그래밍하지 않고, 많은 양의 데이터(ex. 사진, 텍스트 등)를 분석해서 어떤 패턴이나 규칙을 찾아내는 과정

ex. 고양이 사진을 분류하는 AI 프로그램 제작

  ① 데이터 입력 : 컴퓨터에게 수많은 고양이 사진 보여주기 

  ② 특징을 학습 : 컴퓨터가 사진을 분석해 규칙을 스스로 찾아내기 (이런 특징을 가진 사진들이 고양이 사진이군)

  ③ 새로운 데이터에 대해 예측 : 이후 새로운 사진을 보여줬을 때, 그 사진이 고양이인지 아닌지 판단할 수 있음

- 스팸 이메일 분류 : 스팸메일과 일반 메일 데이터를 학습해 자동 분류

- 시험 점수 예측 : 과거 성적 데이터를 기반으로 미래 점수 예측

- 영화 추천 시스템 : 시청 이력을 분석해 취향에 맞는 콘텐츠 추천

 

 

💡 딥러닝 (Deep Learning)이란?

- 딥러닝은 머신러닝의 하위 개념으로, 컴퓨터가 훨씬 더 복잡한 데이터를 스스로 이해하고 중요한 특징도 스스로 추출.

- 인간의 뇌에는 수많은 뉴런들이 서로 연결되어서 정보를 주고받는데 딥러닝의 인공 신경망도 이런 뉴런들로 이루어져 있음

ex. 사진 속에 무슨 동물이 있는지 알아내려고 할 때
딥러닝 모델은 사진의 여러 부분을 살펴보면서 "이것은 강아지의 귀인가?", "이것은 고양이의 꼬리인가?"와 같은 판단함. 이렇게 여러 개의 뉴런 레이어를 거쳐가면서 정보를 처리하고 판단함.

- 얼굴인식 : 사진 속 인물이 누구인지 자동 식별

- 음성인식 : 사람의 말을 인식해 텍스트로 변환

- AI 그림 생성 : 풍경 사진을 그림 스타일로 변환하거나, 새로운 이미지 생성

- 자율주행차 : 카메라와 센서 데이터를 분석해 주변 환경 인식 및 판단

→ 딥러닝은 특징을 컴퓨터가 스스로 찾아내고, 이미지나 소리 같은 복잡한 데이터에도 강함. 대신 많은 데이터와 고성능 장비가 필요.

 

 

 

 

 

ChatGPT의 동작 원리

---

💡 GPT의 기본 동작

- GPT라는 모델은 전달받은 텍스트에서 이어질 가능성이 가장 높은 텍스트를 생성해 줌 (100%의 정확성은 아님)

- 우리가 '대~한민국'이라는 소리를 들으면 박수를 5번 치는 것과 비슷

 

 

💡 GPT도 편향될 수 있음

- ChatGPT는 방대한 텍스트 데이터로 훈련이 됨. (인터넷에 존재하는 뉴스기사, 블로그, 책, 포럼 등)

 

📍 인간이 작성한 텍스트 데이터로 훈련하여 생긴 특징

- 특정 집단이나 문화가 과대표 되거나 소수 의견이 과소대표 될 수 있음

- 모델은 다수의 경향을 반영하여 가장 가능성이 높은 응답을 생성하여, 특정 집단이나 주제를 일반화한 답변을 내놓을 수 있음

ex. 독도는 일본땅, 한복은 중국 전통의상 같은 틀린 주장을 반영할 수도 있음 (DeepSeek, Gemini 등 모두 동일)

→ AI는 절대적인 정답이 ❌, 공식 자료나 

 

 

 

 

 

프롬프트 기초

---

 

💡 프롬프트 (Prompt)란?

- ChatGPT에게 질문을 할 때 작성한 텍스트를 프롬프트라고 함.(명령어, 질문)

 

 

💡 프롬프트 엔지니어링이란?

- 원하는 결과물을 얻기 위해서 AI가 제대로 이해하도록 질문을 똑똑하게 디자인하는 기술. AI의 출력을 최적화하기 위해서는 프롬프트를 설계하고 개선해야 함.

ex. 일반 프롬프트 : 재밌는 이야기를 만들어줘

      잘 설계된 프롬프트 : 아이들이 좋아할 만한 판타지 동화를 500 단어 분량으로 작성해 줘. 주인공은 용감한 고양이 '루나'이고 이야기 중간에 뜻밖의 반적이 있으며, 마지막에는 용기와 우정의 교훈을 포함해 줘. 배경은 마법이 가득한 숲이며, 간단한 대화와 생생한 묘사를 사용해 줘.

 

 

💡 싱글턴

- AI에게 단일 요청을 보내는 프롬프트 구조를 싱글턴이라고 함. 한 번의 입력과 한번의 출력으로 대화가 끝나는 형태며, AI가 매번 새로운 요청을 받고 과거 대화를 기억하지 않은 상태에서 해당 요청에 대한 응답을 제공함. (단일요청-응답 구조)

ex. 입력 : 점심 메뉴 추천해 줘 / 응답 : 스파게티를 추천합니다. / 대화종료

 

📍 싱글턴 특징

① 독립성 : 각 요청은 다른 요청과 독립적으로 처리되며, 이전 대화 내용이 저장되거나 활용되지 않음.

② 문맥 불필요 : 입력 자체에 필요한 모든 정보가 포함되어야 함

③ 단순성 : 대화의 흐름이 단순하고 명확함

 

📍 싱글턴 한계

① 연속 대화에 부적합 : 이전 대화 내용을 기억하지 않음

ex. 오늘 날씨를 알려줘 → 내일은? (문맥이 없다면 질문의 의미를 이해하지 못함)

② 복잡한 요청 처리 어려움 : 여러 단계로 이어지는 작업 수행 시, 매번 모든 정보를 다시 입력해야 함

ex.채식 메뉴 추천해 줘 → 해당 메뉴의 레시피를 알려줘 (문맥이 없어 질문의 의미를 이해하지 못함, 이전 응답과 연결 x)

 

 

💡 멀티턴

- 연속적인 요청과 응답으로 이뤄진 대화 구조. AI가 이전 대화의 문맥을 기억하고 이를 바탕으로 적절한 응답을 생성

ex.

입력1 : 점심 메뉴 추천해 줘

응답1 : 파스타를 추천합니다.

입력2 : 그럼 채식 메뉴로 추천해 줘

응답2 : 채식 파스탈르 추천합니다.

입력3 : 해당 레시피도 알려줘

응답3 : 다음은 채식 파스타의 레시피입니다···

 

📍 멀티턴의 특징

① 문맥 유지 : 대화의 흐름을 이해하고, 이전 응답을 기반으로 다음 응답을 생성

ex. 서울 날씨 알려줘.” → “내일은 어때?” → AI는 ‘서울’을 문맥으로 기억하고 “내일 서울 날씨는…“으로 응답

② 연속성과 자연스러움 : 대화가 인간적인 흐름으로 이어질 수 있음

ex.  “저녁 메뉴 추천해 줘.” → “한식으로 추천해줘.” → “그럼 갈비찜 레시피 알려줘.”

③ 복잡한 대화 처리 가능 : 여러 단계로 이어지는 요청을 효율적으로 처리할 수 있습니다.
ex. “파리 여행지 추천해줘.” → “에펠탑 정보도 알려줘.” → “가까운 맛집도 추천해줘.”

 

📍 멀티턴의 구조

① 첫 번째 입력 : 사용자가 질문 또는 요청을 입력

② 문맥 저장 : AI는 입력된 정보를 대화에 저장

③ 연속 대화 : 사용자가 추가 요청을 입력하면, AI는 이전 대화의 문맥을 참조하여 응답 생성

④ 상태 업데이트 : 새로운 요청 처리를 하며 상태(state)가 지속적으로 갱신

 

📍 상태(state)란?

- 상태(state)는 대화 중 AI가 기억하고 있는 현재까지의 문맥 정보의 집합

- AI가 이전 대화 내용을 기억하여 적절한 응답을 생성하고, 사용자가 추가 정보를 요청하거나 대화를 이어갈 때 문맥을 유지하도록 도움

ex.

1. 첫 질문: “오늘 서울 날씨 알려줘.” → 상태: {주제: 날씨, 위치: 서울}
2. 추가 질문: “내일은?” →  상태 업데이트: {주제: 날씨, 위치: 서울, 날짜: 내일}
 

 

💡 세션(Session)이란?

- 대화를 구성하는 전체 흐름의 단위를 의미. 대화 중 사용자의 요청과 AI의 응답이 이어지는 모든 과정이 하나의 세션.

 

📍 세션의 역할

- 대화의 시작부터 종료까지 상태를 관리

- 세션이 종료되면 상태도 함께 초기화되며, 문맥이 사라짐

 

📍 상태와 세션의 관계

상태는 세션 안에서 관리됨

- 세션은 대화가 진행되는 큰 틀이며, 상태는 세션 안에서 지속적으로 업데이트됨
- 세션이 종료되면 상태도 초기화됨
- 상태는 세션에서의 저장소 역할
- 상태에는 사용자가 언급한 정보, 대화의 주제, 그리고 AI가 추론한 내용이 포함
- 세션 동안 상태가 유지되므로, 연속적인 대화가 가능

 

 

📍 상태와 세션을 활용한 멀티턴의 구현

- AI는 각 턴마다 상태를 업데이트하고, 세션 안에서 상태를 참조
- 세션은 대화를 한정된 범위로 관리하며, 필요할 때 문맥을 초기화해 새로운 대화를 시작할 수 있음