요약 및 추출 프롬프트

대규모 언어 모델(LLM)은 방대한 양의 텍스트를 처리할 수 있는 강력한 도구입니다. LLM으로 수행할 수 있는 기본적이면서도 매우 유용한 작업은 요약과 추출입니다.

요약을 사용하면 긴 문서의 핵심 내용을 빠르게 파악할 수 있습니다. 추출을 사용하면 특정한 구조화 데이터를 정확히 찾아 꺼낼 수 있습니다. 이 기술을 익히면 시간을 절약하고 정보를 바로 활용할 수 있습니다!

요약은 긴 텍스트를 더 짧은 형태로 압축하면서도 핵심 의미와 주요 정보를 유지하는 과정입니다. 간결한 개요나 초록을 만드는 작업이라고 생각해 보세요.

LLM에 요약을 요청하려면 일반적으로 텍스트와 명확한 지침을 함께 제공합니다. 예를 들면 다음과 같습니다.

"Summarize the following article: [ARTICLE TEXT]"

LLM이 필요에 정확히 맞는 요약을 생성하도록 안내할 수 있습니다. 프롬프트에서 다음 항목을 구체적으로 지정하세요.

• 길이: "3문장으로", "100단어 이내로", "간단한 요약으로"
• 형식: "글머리 기호 목록으로", "한 문단으로", "헤드라인으로"
• 스타일/어조: "비전문가 독자를 대상으로", "격식 있는 어조로", "뉴스 보도문처럼"

구체적으로 지정할수록 LLM이 원하는 정확한 출력을 제공하는 데 도움이 됩니다.

프롬프트 엔지니어링에 관한 짧은 문단을 요약해 보겠습니다. 다음과 같이 프롬프트를 작성할 수 있습니다.

입력 텍스트: "프롬프트 엔지니어링은 인공지능, 특히 자연어 처리 분야의 개념으로, 다양한 애플리케이션과 연구 주제에 언어 모델을 효율적으로 사용하기 위해 프롬프트를 개발하고 최적화하는 데 중점을 둡니다. 이는 비교적 새로운 분야로, 모델의 가중치를 수정하지 않고 원하는 결과를 얻도록 LLM과 소통하여 동작을 유도하는 방법을 설명합니다."

프롬프트:

"Summarize the following text in one concise sentence: Prompt engineering is a concept in artificial intelligence, especially natural language processing, that focuses on developing and optimizing prompts to efficiently use language models for a wide range of applications and research topics. It's a relatively new discipline, outlining the methods for communicating with LLMs to steer their behavior for desired outcomes without modifying the model's weights."

추출은 더 큰 텍스트에서 특정 정보 조각을 식별하고 꺼내는 작업입니다. 요약과 달리 텍스트를 압축하는 것이 아니라 특정 데이터 항목, 사실 또는 개체를 분리해 냅니다.

일반적인 추출 작업에는 이름, 날짜, 위치, 제품 기능 또는 감성을 찾는 일이 포함됩니다. 이 기법은 구조화되지 않은 텍스트를 구조화된 데이터로 변환해야 할 때 매우 중요합니다.

정보를 추출할 때 원하는 출력 형식을 지정하면 유용한 경우가 많습니다. 이렇게 하면 추출한 데이터를 다른 시스템에서 더 쉽게 처리하고, 분석하고, 통합할 수 있습니다.

• 목록: "언급된 모든 회사 이름을 나열하세요."
• JSON: "이름, 나이, 도시를 JSON 객체로 추출하세요."
• 표: "'항목'과 '가격' 열이 있는 표에 결과를 제시하세요."

명확한 형식 지정 지침은 구조화된 데이터 출력을 위해 반드시 필요합니다.

이메일 일부에서 연락처 정보를 추출해 보겠습니다. 다음과 같이 LLM에 요청할 수 있습니다.

입력 텍스트: "존 스미스 님, 문의해 주셔서 감사합니다. 저희 영업 담당자인 사라 존스에게는 sarah.jones@example.com 또는 (555) 123-4567번 전화로 연락할 수 있습니다. 저희 사무실은 123 메인 스트리트, 애니타운, USA에 있습니다."

프롬프트:

"Extract the following information from the text: recipient name, sales representative name, sales representative email, sales representative phone, and office address. Present the output as a JSON object. Text: Dear John Smith, Thank you for your inquiry. Our sales representative, Sarah Jones, can be reached at sarah.jones@example.com or by phone at (555) 123-4567. Our office is located at 123 Main St, Anytown, USA."

더 복잡한 작업에서는 다음 두 가지 강력한 기법을 결합할 수 있습니다.

• 요약한 다음 추출: 먼저 긴 문서의 간결한 요약을 얻은 다음, 그 요약에서 특정 개체나 사실을 추출합니다.
• 추출한 다음 요약: 관련된 모든 사실을 추출한 다음, LLM에 추출한 사실을 일관된 문장으로 요약하도록 요청합니다.

이러한 모듈식 접근 방식은 복잡성을 관리하고 결과의 정확도를 높이는 데 도움이 됩니다.

LLM에서 가장 효과적인 요약과 추출 결과를 얻으려면 다음 사항을 지키세요.

• 구체적으로 지정하기: 요구 사항을 명확히 작성하세요(예: 요약 길이, 출력 형식, 추출할 특정 개체).
• 구분 기호 사용하기: 처리하려는 텍스트를 큰따옴표 3개(""")나 XML 태그처럼 명확한 구분 기호로 감싸 지침과 분리하세요.
• 맥락 제공하기: LLM이 목적을 이해하는 데 도움이 된다면 요약이나 추출의 용도를 간략하게 설명하세요.
• 반복 개선하기: 처음 출력이 완벽하지 않다면 프롬프트를 개선하세요. 작은 변경만으로도 큰 차이를 만들 수 있습니다!

다음 상황을 살펴보세요. 주어진 텍스트에서 주로 추출(요약이 아님)이 필요한 작업은 무엇인가요?

이 강의에서는 LLM으로 텍스트를 처리하기 위한 두 가지 강력한 프롬프트 엔지니어링 기법을 살펴보았습니다.

• 요약: 텍스트를 더 짧은 형태로 압축하고, 길이와 형식 및 스타일을 조절하여 핵심 내용을 빠르게 파악하는 방법을 배웠습니다.
• 추출: 이름, 날짜 또는 사실과 같은 구체적이고 구조화된 정보를 꺼내는 데 중점을 두었으며, JSON이나 목록과 같은 출력 형식을 지정하는 것이 중요하다는 점을 배웠습니다.

이러한 기법을 익히면 LLM을 사용하여 구조화되지 않은 텍스트 데이터에서 정보를 효율적으로 처리하고 활용하는 능력이 크게 향상됩니다.