mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-04 12:00:10 +00:00
21 lines
1.6 KiB
Plaintext
21 lines
1.6 KiB
Plaintext
|
# Zero-Shot Prompting
|
||
|
|
대량의 데이터를 학습하고 지침을 따르도록 튜닝된 오늘날의 머신러닝은 zero-shot으로 작업을 수행할 수 있습니다. 이전 장에서 몇 가지 zero-shot 예제를 시도해 보았습니다. 다음은 우리가 사용한 예제 중 하나입니다:
|
||
|
|
|
||
|
|
*프롬프트:*
|
||
|
|
```
|
||
|
|
텍스트를 중립, 부정 또는 긍정으로 분류합니다.
|
||
|
|
|
||
|
|
텍스트: 휴가는 괜찮을 것 같아요.
|
||
|
|
감정:
|
||
|
|
```
|
||
|
|
|
||
|
|
*출력:*
|
||
|
|
```
|
||
|
|
중립
|
||
|
|
```
|
||
|
|
|
||
|
|
위의 프롬프트에서는 모델에 예제를 제공하지 않았습니다. 이는 zero-shot으로 동작된 것을 알 수 있습니다.
|
||
|
|
|
||
|
|
명령어 튜닝(Instruction tuning)은 zero-shot 학습을 개선한다고 다음의 논문에서 보고되었습니다. [Wei et al. (2022)](https://arxiv.org/pdf/2109.01652.pdf). 명령어 튜닝은 본질적으로 명령어를 통해 설명된 데이터 세트에 대한 모델을 미세 조정하는 개념입니다. 또한, [RLHF](https://arxiv.org/abs/1706.03741) (사람의 피드백을 통한 강화 학습)는 모델이 사람이 원하는 결과에 더 잘 맞도록 조정되는 명령어 튜닝을 확장하는 데 사용되었습니다. 이러한 개발 방식은 ChatGPT와 같은 모델에서 사용되었습니다. 다음 장에서 이러한 모든 접근 방식과 방법에 대해 설명하겠습니다.
|
||
|
|
|
||
|
|
zero-shot이 동작하지 않는 경우에는 프롬프트에 데모나 예시를 제공하여 few-shot으로 프롬프트를 유도하는 것이 좋습니다. 다음 장에서는 zero-shot 프롬프트에 대한 데모를 보여드리겠습니다.
|