생성형 AI 기초 및 Prompt Engineering

1. 생성형 AI의 이해

• 정의: 대규모 데이터를 학습하여 텍스트, 이미지, 음성 등 새로운 콘텐츠를 자율적으로 만들어내는 인공지능 기술
• 트렌드 (Hype Cycle): 생성형 AI는 현재 '기대의 정점'을 지나 실제 비즈니스 가치를 창출하는 단계로 진입하고 있음
• 패러다임의 변화: 단순한 '분류 및 예측'에서 인간과 유사한 '창작 및 추론'이 가능한 단계로 진입

---

2. NLP 기술의 발전 (RNN에서 Transformer까지)

• RNN/LSTM: 순차적으로 데이터를 처리하여 긴 문맥 유지에 한계가 있었음
• Transformer: 'Attention' 메커니즘을 통해 문장 내 단어 간의 관계를 한 번에 파악(병렬 처리)하며 성능이 비약적으로 발전
• LLM(거대언어모델): 매개변수(Parameter)의 수가 일정 수준을 넘어서면 인간이 가르치지 않은 능력(추론 등)이 갑자기 나타나는 '발현(Emergence)' 현상이 발생

---

3. 프롬프트 엔지니어링(Prompt Engineering) 기초

AI로부터 원하는 최선의 결과값을 얻기 위해 입력을 설계하는 기술

• 주요 구성 요소:
  1. Instruction(지시): AI가 수행할 구체적인 작업.
  2. Context(문맥): 작업의 배경 정보나 상황.
  3. Input Data(입력 데이터): 처리 대상이 되는 실제 데이터.
  4. Output Indicator(출력 형식): 답변의 형태(JSON, 표, 불렛포인트 등) 지정.

---

4. 프롬프트 엔지니어링 주요 기법

성능을 극대화하기 위한 구체적인 전략들

• Few-Shot Prompting: 답변의 예시(Example)를 몇 개 보여주어 AI가 패턴을 학습하게 함.
• Chain-of-Thought (CoT): "단계별로 생각해보자"라고 지시하여 논리적 추론 과정을 거치게 함.
• Self-Consistency: 여러 번 추론하게 한 뒤 가장 많이 나온 답을 선택.
• Tree of Thoughts (ToT): 여러 대안 경로를 탐색하며 최적의 해를 찾아가는 방식.

---

5. 생성형 AI 비즈니스 및 한계점

• Hallucination (환각 현상): AI가 그럴듯하지만 사실이 아닌 정보를 생성하는 현상으로, 이를 해결하기 위해 RAG(검색 증강 생성) 기술이 중요해짐
• 비즈니스 활용: 마케팅 문구 작성, 코드 생성, 데이터 분석, 고객 상담 등 전 산업 분야에 적용되고 있음
• 윤리 및 보안: 개인정보 유출 방지 및 AI 윤리 가이드라인 준수가 필수적임

---

6. 핵심 요약 (Summary)

"프롬프트 엔지니어링은 AI의 언어를 이해하고 소통하는 방식이다." 
단순한 질문이 아니라 역할(Role), 제약 조건(Constraints), 예시(Few-shot)를 명확히 제공할수록 AI의 성능은 극대화된다.