$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

ChatGPT 및 거대언어모델의 추론 능력 향상을 위한 프롬프트 엔지니어링 방법론 및 연구 현황 분석
Analysis of Prompt Engineering Methodologies and Research Status to Improve Inference Capability of ChatGPT and Other Large Language Models 원문보기

지능정보연구 = Journal of intelligence and information systems, v.29 no.4, 2023년, pp.287 - 308  

박상언 (경기대학교 산업경영정보공학과) ,  강주영 (아주대학교 e비즈니스학부)

초록
AI-Helper 아이콘AI-Helper

ChatGPT는 2022년 11월에 서비스를 시작한 후 급격하게 사용자 수가 늘어나며 인공지능의 역사에서 큰 전환점을 가져올 정도로 사회 곳곳에 많은 영향을 미치고 있다. 특히 ChatGPT와 같은 거대언어모델의 추론 능력은 프롬프트 엔지니어링 기법을 통해 빠른 속도로 그 성능이 발전하고 있다. 인공지능을 워크플로우에 도입하려고 하는 기업이나 활용하려고 하는 개인에게 이와 같은 추론 능력은 중요한 요소로 고려될 수 있다. 본 논문에서는 거대언어모델에서 추론을 가능하게 한 문맥내 학습에 대한 이해를 시작으로 하여 프롬프트 엔지니어링의 개념과 추론 유형 및 벤치마크 데이터에 대해 설명하고, 이를 기반으로 하여 최근 거대언어모델의 추론 성능을 급격히 향상시킨 프롬프트 엔지니어링 기법들에 대해 조사하고 발전과정과 기법들 간의 연관성에 대해 상세히 알아보고자 한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

After launching its service in November 2022, ChatGPT has rapidly increased the number of users and is having a significant impact on all aspects of society, bringing a major turning point in the history of artificial intelligence. In particular, the inference ability of large language models such a...

주제어

#거대언어모델   #프롬프트 엔지니어링   #추론  

참고문헌 (28)

  1. 김맹근. (2023). ChatGPT 활용 사례 및 전망. 디지털 비즈온. http://www.digitalbizon.com/news/articleView.html?idxno2331610？ 

  2. Brown, T., Mann, B., Ryder, N., Subbiah, M.,？Kaplan, J. D., Dhariwal, P., ... & Amodei, D.？(2020). Language models are few-shot learners.？Advances in Neural Information Processing？Systems, 33, 1877-1901. 

  3. Chowdhery, A., Narang, S., Devlin, J., Bosma, M.,？Mishra, G., Roberts, A., ... & Fiedel, N.？(2023). Palm: Scaling language modeling？with pathways. Journal of Machine Learning？Research, 24(240), 1-113. 

  4. Cobbe, K., Kosaraju, V., Bavarian, M., Chen, M.,？Jun, H., Kaiser, L., ... & Schulman, J. (2021).？Training verifiers to solve math word problems.？arXiv preprint arXiv:2110.14168. 

  5. Diao, S., Wang, P., Lin, Y., & Zhang, T. (2023).？Active prompting with chain-of-thought for？large language models. arXiv preprint arXiv:2302.12246. 

  6. Fan, A., Lewis, M., & Dauphin, Y. (2018).？Hierarchical neural story generation. Annual？Meeting of the Association for Computational？Linguistics, 56(1), 889-898. 

  7. Ficler, J., & Goldberg, Y. (2017). Controlling？linguistic style aspects in neural language？generation. arXiv preprint arXiv:1707.02633. 

  8. Geva, M., Khashabi, D., Segal, E., Khot, T., Roth,？D., & Berant, J. (2021). Did aristotle use a？laptop? a question answering benchmark with？implicit reasoning strategies. Transactions of？the Association for Computational Linguistics,？9, 346-361. 

    상세보기

  9. Holtzman, A., Buys, J., Du, L., Forbes, M., & Choi,？Y. (2019). The curious case of neural text？degeneration. arXiv preprint arXiv:1904.09751. 

  10. Kojima, T., Gu, S. S., Reid, M., Matsuo, Y., &？Iwasawa, Y. (2022). Large language models？are zero-shot reasoners. Advances in Neural？Information Processing Systems, 35, 22199-22213. 

  11. Koncel-Kedziorski, R., Hajishirzi, H., Sabharwal, A.,？Etzioni, O., & Ang, S. D. (2015). Parsing algebraic？word problems into equations. Transactions？of the Association for Computational Linguistics,？3, 585-597. 

    상세보기

  12. Koncel-Kedziorski, R., Roy, S., Amini, A., Kushman,？N., & Hajishirzi, H. (2016, June). MAWPS: A？math word problem repository. Proceedings？of the 2016 Conference of the North American？Chapter of the Association for Computational？Linguistics: Human Language Technologies？(pp. 1152-1157). 

  13. Lampinen, A. K., Dasgupta, I., Chan, S. C.,？Matthewson, K., Tessler, M. H., Creswell,？A., ... & Hill, F. (2022). Can language？models learn from explanations in context?.？arXiv preprint arXiv:2204.02329. 

  14. Liu, J., Liu, A., Lu, X., Welleck, S., West, P., Bras,？R. L., ... & Hajishirzi, H. (2021). Generated？knowledge prompting for commonsense？reasoning. arXiv preprint arXiv:2110.08387. 

  15. Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H.,？& Neubig, G. (2023). Pre-train, prompt, and？predict: A systematic survey of prompting？methods in natural language processing. ACM？Computing Surveys, 55(9), 1-35. 

  16. Ouyang, L., Wu, J., Jiang, X., Almeida, D.,？Wainwright, C., Mishkin, P., ... & Lowe, R.？(2022). Training language models to follow？instructions with human feedback. Advances？in Neural Information Processing Systems,？35, 27730-27744. 

  17. Patel, A., Bhattamishra, S., & Goyal, N. (2021).？Are NLP models really able to solve simple？math word problems?. arXiv preprint arXiv:2103.07191. 

  18. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D.,？& Sutskever, I. (2019). Language models are？unsupervised multitask learners. OpenAI blog,？1(8), 9. 

  19. Reynolds, L., & McDonell, K. (2021, May). Prompt？programming for large language models:？Beyond the few-shot paradigm. Extended？Abstracts of the 2021 CHI Conference on？Human Factors in Computing Systems (pp. 1-7). 

  20. Roy, S., & Roth, D. (2016). Solving general arithmetic？word problems. arXiv preprint arXiv:1608.01413. 

  21. Srivastava, A., Rastogi, A., Rao, A., Shoeb, A. A. M.,？Abid, A., Fisch, A., ... & Wang, G. (2022).？Beyond the imitation game: Quantifying and？extrapolating the capabilities of language models.？arXiv preprint arXiv:2206.04615. 

  22. Talmor, A., Herzig, J., Lourie, N., & Berant, J.？(2018). Commonsenseqa: A question answering？challenge targeting commonsense knowledge.？arXiv preprint arXiv:1811.00937. 

  23. Thoppilan, R., De Freitas, D., Hall, J., Shazeer, N.,？Kulshreshtha, A., Cheng, H. T., ... & Le, Q.？(2022). Lamda: Language models for dialog？applications. arXiv preprint arXiv:2201.08239. 

  24. Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi,？E., Narang, S., ... & Zhou, D. (2022).？Self-consistency improves chain of thought？reasoning in language models. arXiv preprint？arXiv:2203.11171. 

  25. Wei, J., Wang, X., Schuurmans, D., Bosma, M.,？Xia, F., Chi, E., ... & Zhou, D. (2022).？Chain-of-thought prompting elicits reasoning？in large language models. Advances in Neural？Information Processing Systems, 35, 24824-24837. 

  26. Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T.？L., Cao, Y., & Narasimhan, K. (2023). Tree？of thoughts: Deliberate problem solving with？large language models. arXiv preprint arXiv:2305.10601. 

  27. Zhang, T., Kishore, V., Wu, F., Weinberger, K.？Q., & Artzi, Y. (2019). Bertscore: Evaluating？text generation with bert. arXiv preprint arXiv:1904.09675. 

  28. Zhang, Z., Zhang, A., Li, M., & Smola, A. (2022).？Automatic chain of thought prompting in large？language models. arXiv preprint arXiv:2210.03493. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로