이렇게 ChatGPT는 우리의 생산성을 극대화시켜주는 멋진 도구로서 손색이 없었습니다. 하지만 여전히 문제가 있었습니다. 바로 ChatGPT가 거짓말을 잘 한다는 점이죠. 이 현상을 흔히 할루시네이션(환각현상)이라고 부르는데요. 이로 인해 ChatGPT의 답변을 얼마나 믿어야 할지 걱정도 듭니다. 그래서 오늘은 생성형 AI를 제대로 활용할 수 있는 몇 가지 팁을 소개해드리겠습니다.

1. 인공지능은 정답을 알려주는 것이 아니에요.

인공지능은 정답을 말하는 모델이 아닙니다. 우리는 인공지능에게 질문을 통해 정답을 요청하는 경우가 많습니다. 하지만 사실 인공지능은 정답을 말하는 모델이 아니라 이전 문장에 가장 자연스러운 다음 문장을 만들어주는 모델입니다. 그래서 인공지능은 이전 문장에 가장 그럴듯한 다음 문장을 만들어 주어 마치 그것이 정답인 것처럼 착각하게 만드는 경우가 있습니다.

물론 GPT 4.0과 같이 더 많이 학습하고 훈련된 버전이 출현함에 따라 정답을 말하는 확률은 높아졌습니다. 그러나 여전히 경계해야 합니다. 인공지능은 여전히 거짓말을 할 수 있기 때문입니다. 하지만 거짓말을 한다고 느끼는 것 자체가 놀라운 발전입니다. 왜냐하면 이전 버전의 모델들은 대부분의 결과가 거짓말이었기 때문이죠. 그래서 거짓말을 해도 상관없는 분야인 창작 분야에 먼저 활용되었습니다. 인공지능은 계속 정확한 답변을 하기 위해 발전하고 있지만 아직까지는 정답을 말하는 모델이 아닌 '가장 자연스러운 다음 문장을 만들어주는 모델'이라는 사실을 알고 있어야 오해하지 않을 수 있습니다.

2. 더 정확한 컨텍스트를 제공하면 더 좋은 답변을 얻을 수 있어요.

컨텍스트를 잘 주면 일을 더 잘합니다. 인공지능은 여전히 거짓말을 할 때가 있지만 그럼에도 불구하고 꽤 똑똑합니다. 미국 변호사 시험에서 상위 10%를 차지했고, 미국 대학 입학 자격 시험(SAT)에서는 읽기와 수학에서 각각 상위 7%, 9%의 성적을 냈습니다. (사실 인간이 하는 거짓말에 비하면 더 나을지도 모릅니다....)

그러므로 좋은 답변을 얻기 위해서는 좋은 질문이 필요합니다. 여기서 말하는 좋은 질문이란 충분한 컨텍스트가 포함된 질문을 의미합니다. 어떤 신입사원이든 어떤 회사에 처음 입사하면 적응하는데 시간이 필요합니다. 우리 회사 분위기는 어떤지, 누가 의사결정 권한을 가지고 있는지 등등 아직 파악되지 않은 상황들이 많기 때문입니다. 그러나 이 신입사원 옆에 조금 친절한 사수가 있다면 빠르게 회사에 적응할 수 있습니다. 그 친절한 사수가 바로 우리가 될 것입니다. 

예를 들어볼까요? 이 신입사원이 영어를 무척이나 잘한다고 들었습니다. 그래서 한글 문장을 주면서 영어로 번역해 달라고 요청했더니 다음과 같이 답변해주었습니다.

이번엔 완전히 업그레이드된 답변을 받게 되었죠. 이 문장을 왜 영어로 번역해야 하는지를 보다 자세하게 설명해주었더니 일을 훨씬 잘하는 것을 알 수 있습니다. 그래서 우리는 인공지능에게 일을 시킬 때, 일을 시키는 정확한 목표, 하나의 문장에는 하나의 포인트, 정확한 동사, 올바른 맞춤법을 사용했을 때 더 좋은 결과를 얻을 수 있습니다.

3. 인공지능은 분석을 능숙하게 해요.

인공지능은 분석을 잘합니다. 인공지능은 가끔 거짓말을 하지만 명확한 컨텍스트를 제공하면 거짓말도 줄어들고 결과에 대한 분석이 가능해집니다. 예를 들어볼까요? 아래는 Google Sheet에 있는 표를 복사해서 붙여넣은 뒤 점수가 높은 순으로 테이블로 정리해달라고 요청해보았습니다. 이렇게 주어진 정보를 분석하고, 요약하는 일이 생성형 AI의 가장 큰 장점 중 하나입니다. 이 경우 거짓말이나 환각 현상을 크게 줄일 수 있다는 것도 장점이죠.

예시를 잘 주면 패턴을 학습합니다. 우리가 신입사원에게 일을 시킬 때 가장 빠르게 업무를 파악하도록 돕는 방법은 바로 관련 예시나 레퍼런스를 제공하는 것입니다. 그러면 요청하는 사람의 의도를 보다 명확하게 파악할 수 있게 될 거예요. 인공지능 역시 마찬가지입니다. 인공지능에게도 적절한 예시를 주면 더 적절한 답변을 만들어줍니다.

예를 들어 아래와 같이 "장희빈"이라는 단어를 이용하여 초성 개그를 만들어달라고 했지만 만족스러운 답변이 나오지 않았습니다.

이번에는 제가 원하는 패턴을 학습시켜보겠습니다.

위와 같이 제가 원하는 예시를 전달했더니 답변도 이에 맞는 적절한 답변이 나오네요. 이렇게 적절한 예시를 제공하면 그 예시를 바탕으로 다음 질문을 만들어냅니다. 이를 Few-shot Paradigm 또는 In-context Learning 이라고 말하는데요. 앞서서 설명한 충분한 컨택스트를 주는것과 비슷한 맥락이기도 합니다. 즉, 더 적절한 예시를 통해 더 그에 맞는 결과를 도출하는 것이죠. 어찌보면 인간이 학습하는 방식과 정말 비슷하지 않나요? 

우리 회사의 '똑똑한' '신입'사원!  

생성형 AI가 무섭게 발전하고 있습니다. 하지만 여전히 그 한계도 존재합니다. 하지만 언제나 '지피지기 백전불태'의 마음으로 인공지능에 대해 제대로 이해할 필요가 있습니다. 그래서 저는 현재의 인공지능을 활용 관점에서 다음과 같이 정의합니다.

LLM = 굉장히 똑똑하지만 친절한 사수가 필요한 얼떨떨 신입사원

이제부터 인공지능의 똘똘함을 100%, 200% 끌어내는 힘은 인공지능의 '사수', 바로 여러분에게 달렸습니다! 인공지능의 훌륭한 사수가 되어 부사수(Co-pilot)의 역량(궁극적으로 스스로의 역량)을  최대로 발휘해 보세요!

💡 문제를 해결하고 즐거움을 얻어가는 곳

Fansaastic 은 커뮤니티를 통해 일과 삶의 문제를 생산성 팁과 도구들을 이용해 해결하는 실명 커뮤니티 입니다. Solve your problems with tips & tools!