<지식 사전> 프롬프트 엔지니어링이란 ③

프롬프트 엔지니어링의 기초를 다졌으니, 이제 좀 더 심화된 내용으로 들어가 볼까요? 오늘은 Chain of Thought, Tree of Thought, ReAct 프레임워크 등 프롬프트 엔지니어링의 고급 기법들을 소개하려고 합니다. 이러한 기법들을 활용하면 AI 모델과 더욱 깊이 있는 소통을 할 수 있습니다. 고급 프롬프트 엔지니어링 기법의 세계로 함께 출발해 볼까요?

1. Chain of Thought 프롬프팅, 사고의 흐름을 따라가며

Chain of Thought(이하, CoT) 프롬프팅은 복잡한 추론 과정을 단계별로 설명하도록 유도하여 AI 모델의 문제 해결 능력을 향상시키는 기법입니다. 이는 앞 선 시간에 살펴 본 프롬프트 체이닝(Prompt Chaining)과 유사해 보일 수 있지만, 중요한 차이점이 있습니다. 프롬프트 체이닝은 복잡한 태스크를 여러 개의 하위 태스크로 나누어 순차적으로 처리하는 방식인 반면, CoT 프롬프팅은 하나의 문제에 대한 추론 과정 자체를 단계별로 자세히 설명하도록 유도합니다. CoT 프롬프팅에서는 중간 단계의 사고 과정을 명시적으로 표현함으로써, 최종 답안에 이르기까지의 논리적 연결고리를 강화하는 데 초점을 맞춥니다.

예를 들어, "민수는 60분 동안 시속 5km로 걷습니다. 민수가 간 거리는 몇 km일까요?"라는 문제를 간단한 CoT 프롬프팅으로 해결해 보겠습니다.

프롬프트:

"아래 문제를 단계별로 풀이해 주세요.
문제: 민수는 60분 동안 시속 5km로 걷습니다. 민수가 간 거리는 몇 km일까요?
풀이:"

예상 출력:

"풀이:
1. 문제에서 민수의 걷는 속도는 시속 5km라고 했습니다.
2. 민수는 60분 동안 걸었다고 합니다.
3. 60분은 1시간이므로, 민수는 1시간 동안 걸은 것입니다.
4. 속도와 시간을 알고 있으므로, 거리는 '속도 × 시간'으로 구할 수 있습니다.
5. 민수의 걷는 속도는 시속 5km이고, 걸은 시간은 1시간이므로, 거리는 5km × 1시간 = 5km입니다.

따라서, 민수가 간 거리는 5km입니다."

이렇게 CoT 프롬프팅을 사용하면, 모델은 문제 해결 과정을 자세히 설명하며 단계별로 풀이합니다. 이는 모델의 추론 과정을 투명하게 만들어주며, 최종 답안의 정확도와 신뢰도를 높여줍니다.

2. Tree of Thought 프롬프팅, 사고의 가지를 뻗어나가며

Tree of Thought(이하, ToT) 프롬프팅은 CoT 프롬프팅을 확장한 개념으로, 문제 해결을 위한 다양한 접근 방식을 트리 구조로 표현하는 기법입니다. 이는 모델이 여러 가지 사고의 흐름을 동시에 탐색할 수 있도록 도와주며, 최적의 솔루션을 찾는데 효과적입니다.

예를 들어, "A 도시에서 B 도시로 가는 최적의 경로를 찾아주세요."라는 문제를 간단한 ToT 프롬프팅으로 해결해 보겠습니다.

프롬프트:

"아래 문제를 Tree of Thought 방식으로 아래 제시된 각각 접근 방식에서 분석하고 그 중 최적의 솔루션을 찾아주세요.
문제: A 도시에서 B 도시로 가는 최적의 경로를 찾아주세요.
접근 방식:
1. 최단 거리 경로
2. 최소 시간 경로
3. 최소 비용 경로
트리 구조로 표현하면서, 각 접근 방식의 장단점을 분석하고 최적의 솔루션을 제안해 주세요."

예상 출력:

"트리 구조:
1. 최단 거리 경로
   1.1. 고속도로 이용
       장점: 거리가 가장 짧음
       단점: 통행료가 비쌈, 정체 가능성 있음
   1.2. 국도 이용
       장점: 통행료가 없거나 저렴함
       단점: 거리가 상대적으로 김, 신호등이 많아 시간이 오래 걸림
2. 최소 시간 경로
   2.1. 고속철도 이용
       장점: 가장 빠른 이동 수단
       단점: 역까지의 접근성 고려 필요, 비용이 높음
   2.2. 항공편 이용
       장점: 장거리 이동 시 가장 빠름
       단점: 공항까지의 접근성 고려 필요, 비용이 가장 높음
3. 최소 비용 경로
   3.1. 버스 이용
       장점: 가장 저렴한 이동 수단
       단점: 시간이 오래 걸림, 환승 횟수가 많을 수 있음
   3.2. 카풀 이용
       장점: 비용 절감 효과가 있음
       단점: 동승자와의 시간 조율 필요, 경로 유연성 낮음

최적의 솔루션:
- A 도시와 B 도시 간의 거리, 이동 시간, 비용 등을 종합적으로 고려할 때, 고속철도를 이용하는 것이 가장 최적의 솔루션으로 보입니다.
- 고속철도는 빠른 이동 속도와 함께, 항공편보다는 저렴한 비용으로 이용할 수 있습니다.
- 다만, A 도시와 B 도시의 고속철도 역까지의 접근성을 고려하여, 역까지의 이동 수단과 소요 시간을 함께 고려해야 할 것입니다.
- 만약 A 도시와 B 도시 간의 거리가 매우 먼 경우, 항공편을 이용하는 것이 시간 절약 측면에서 더 나은 선택일 수 있습니다."

이렇게 ToT 프롬프팅을 사용하면, 모델은 문제에 대한 다양한 접근 방식을 트리 구조로 표현하며, 각각의 장단점을 분석합니다. 이를 통해 문제를 다각도로 바라보고, 최적의 솔루션을 도출할 수 있습니다.

3. ReAct 프레임워크, 추론과 행동의 연결고리

ReAct(Reason+Act) 프레임워크는 추론(Reasoning)과 행동(Action)을 연결하여 문제를 해결하는 방식입니다. 이는 모델이 문제에 대해 추론한 후, 그에 따른 행동을 생성하고, 다시 그 행동의 결과를 바탕으로 추론하는 과정을 반복하는 것을 의미합니다.

예를 들어 데이터를 바탕으로 마케팅 문제를 해결하기 위해 다음과 같은 프롬프팅을 제시할 수 있습니다.

프롬프트:

“상황: 당신은 마케팅 회사에서 일하는 데이터 분석가입니다. 소셜 미디어 캠페인의 효과를 분석하는 새 프로젝트를 맡게 되었습니다. 이 캠페인은 여러 디지털 광고를 포함하고 있으며, 각 광고는 다양한 지표를 통해 성과가 측정됩니다.

문제: 최근 캠페인 데이터를 분석하던 중, 몇몇 광고가 예상보다 낮은 성과를 보이고 있는 것을 발견했습니다.

Reason: 당신의 역할은 이 문제의 원인을 파악하는 것입니다. 원인을 조사하기 위해 어떤 데이터를 분석하겠습니까? 이 문제에 대해 어떤 가설을 세울 수 있습니까?

Act: 원인을 파악한 후, 상황을 개선하기 위해 어떤 조치를 제안할 수 있습니까? 여러분의 제안은 어떤 근거에 기반하고 있습니까?”

예상 출력:

<분석>

데이터 분석:
데이터 파일에서 사용자 참여율, 클릭 수, 전환율 등의 지표를 종합적으로 분석합니다.
특정 광고가 평균보다 낮은 성과를 보인 지표들을 상세히 파악합니다.
시간대별, 지역별, 타깃 오디언스별 데이터를 분석하여 어느 부분에서 문제가 발생했는지 추적합니다.

가설 설정:
타깃 오디언스가 잘못 설정되어 광고가 의도한 대상에게 도달하지 못했을 수 있습니다.
광고 콘텐츠의 메시지가 경쟁 광고에 비해 덜 매력적이거나 명확하지 않을 수 있습니다.
광고 게재 시간이 타깃 오디언스의 온라인 활동 시간과 맞지 않을 수 있습니다.

<조치 제안>

타깃 오디언스 재조정:
타깃 설정을 보다 세밀하게 조정하여, 광고가 정확한 대상에게 도달하도록 합니다. 이를 위해 타깃 오디언스의 소비 행태와 관심사를 재분석합니다.

광고 콘텐츠 개선:
광고 메시지를 더욱 명확하고 매력적으로 재작성하고, 디자인을 개선하여 사용자의 관심을 끌 수 있도록 합니다. 경쟁 광고를 분석하여 우리 광고의 차별점을 강조합니다.

광고 시간 조정:
광고가 게재되는 시간을 조정하여, 타깃 오디언스의 최대 활동 시간에 맞춰 효율을 높입니다. 데이터 분석을 통해 최적의 광고 시간대를 결정합니다.