이 과정에서는 효과적인 프롬프트를 설계하기 위한 원칙, 기법 및 모범 사례에 대해 알아봅니다. 이 과정에서는 프롬프트 엔지니어링의 기본 사항을 소개하고 고급 프롬프트 기법을 계속 살펴봅니다. 프롬프트 사용 오류를 방지하는 방법과 FM과의 상호 작용 시 편향을 완화하는 방법을 알아봅니다.

• 과정 수준: 중급
• 소요 시간: 4시간

활동

이 과정에는 E-러닝 상호 작용이 포함되어 있습니다.

과정 목표

이 과정에서는 다음을 배웁니다.

• 프롬프트 엔지니어링 정의 및 FM과의 상호 작용 시 일반적인 모범 사례 적용
• zero-shot 및 few-shot 학습을 비롯한 기본적인 프롬프트 기법 유형 식별
• 사용 사례에 필요한 경우 고급 프롬프트 기법 적용
• 특정 모델에 가장 적합한 프롬프트 기법 파악
• 잠재적인 프롬프트 사용 오류 식별
• FM 응답의 잠재적인 편향을 분석하고 이러한 편향을 완화하는 프롬프트 설계

수강 대상

이 과정의 수강 대상은 다음과 같습니다.

• 프롬프트 엔지니어, 데이터 과학자 및 개발자

수강 전 권장 사항

이 과정을 수강하기 전에 다음 과정을 완료하는 것을 권장합니다.

• 생성형 AI 소개 - 가능성의 예술(1시간, 디지털 과정)
• 생성형 AI 프로젝트 계획(1시간, 디지털 과정)
• Amazon Bedrock 시작하기(1시간, 디지털 과정)

과정 개요

소개

• 소개
• 기초 모델의 기본 사항
• 프롬프트 엔지니어링의 기초

프롬프트 유형 및 기법

• 기본 프롬프트 기법
• 고급 프롬프트 기법
• 모델별 프롬프트 기법
• 프롬프트 사용 오류 해결
• 편향 완화

마무리

• 과정 요약

강의 설명

강의 1: 대규모 언어 모델의 기본 사항

이 과정에서는 효과적인 프롬프트를 설계하기 위한 원칙, 기법 및 모범 사례에 대해 알아봅니다. 이 과정에서는 프롬프트 엔지니어링의 기본 사항을 소개하고 고급 프롬프트 기법을 계속 살펴봅니다. 프롬프트 사용 오류를 방지하는 방법과 FM과의 상호 작용 시 편향을 완화하는 방법을 알아봅니다.

강의 2: 프롬프트 엔지니어링의 기초

이 강의에서는 프롬프트 엔지니어링, 특정 비즈니스 요구에 맞게 FM 출력을 개선하도록 프롬프트를 개발, 설계 및 최적화하는 방법을 중점적으로 다루는 여러 사례가 소개됩니다. 먼저 프롬프트 엔지니어링을 정의하고, 프롬프트 엔지니어링의 핵심 개념과 용어를 설명합니다. 그런 다음 예제 프롬프트를 사용하여 프롬프트의 다른 요소를 보여 줍니다. 마지막으로 효과적인 프롬프트를 설계하기 위한 일반적인 모범 사례 목록을 제공합니다.

강의 3: 기본 프롬프트 기법

이 강의에서는 사용자 고유의 비즈니스 목적을 위해 생성형 AI 애플리케이션을 효과적으로 사용하는 데 도움이 될 수 있는 기본적인 프롬프트 엔지니어링 기법에 대해 알아봅니다. 먼저, zero-shot 및 few-shot 프롬프팅 기법을 정의합니다. 그런 후 몇 가지 고급 프롬프팅 기법의 빌딩 블록에 해당하는 사고의 사슬(CoT) 프롬프팅을 정의합니다. 이 강의는 각 프롬프트 기법 유형에 대한 팁과 예제를 제공합니다.

강의 4: 고급 프롬프트 기법

이 강의에서는 셀프 일관성, 사고 트리, 검색 증강 생성(RAG), 자동 추론 및 도구 사용(ART), 추론 및 작업(ReAct)을 비롯한 몇 가지 고급 기법이 소개됩니다. 각 기법을 실제로 보여 주기 위한 예제가 제공됩니다.

강의 5: 모델별 프롬프트 기법

이 강의에서는 Amazon Titan, Anthropic Claude 및 AI21 Labs Jurassic-2를 비롯하여 가장 인기 있는 몇 가지 FM을 위한 프롬프트를 엔지니어링하는 방법을 알아봅니다. 모델의 결과를 사용자 지정하기 위해 구성할 수 있는 다양한 파라미터에 대해 알아봅니다. 다음으로, 각 모델에 대한 프롬프트 엔지니어링 모범 사례를 알아봅니다.

강의 6: 프롬프트 사용 오류 해결

이 강의에서는 적대적 프롬프트, 즉 고의로 모델을 오도하는 프롬프트가 소개됩니다. 적대적 프롬프트의 두 가지 유형인 프롬프트 주입 및 프롬프트 누수에 대해 알아봅니다. 각각에 대한 예제가 함께 제공됩니다.

강의 7: 편향 완화

이 강의에서는 훈련 단계에서 모델 편향이 도입되는 방식과 FM에서 생성된 응답으로 이러한 편향이 재생산되는 방식을 알아봅니다. 프롬프트를 업데이트하고, 데이터 집합을 개선하고, 훈련 기법을 사용하여 편향된 결과를 완화하는 방법을 알아봅니다.