LLM(대규모 언어 모델)에서 사용하도록 설정된 생성 AI는 소프트웨어 개발자와 조직에 흥미로운 새로운 가능성을 열어줍니다. Foundry 모델의 Azure OpenAI와 같은 서비스를 사용하면 사용하기 쉬운 API를 사용하여 AI 개발에 액세스할 수 있습니다. 모든 기술 수준의 개발자는 전문 지식이나 하드웨어 투자 없이도 고급 AI 기능을 애플리케이션에 통합할 수 있습니다.
애플리케이션 개발자는 수행할 수 있는 역할과 적합한 위치를 이해하려고 할 수 있습니다. 예를 들어 학습에 집중할 수 있는 "AI 스택"의 수준이 궁금할 수 있습니다. 또는 기존 기술을 통해 무엇을 빌드할 수 있는지 궁금할 수 있습니다.
이러한 질문에 대답하려면 먼저 새로운 용어와 기술이 이미 이해한 내용에 어떻게 부합하는지 매핑하는 정신 모델을 개발하는 것이 중요합니다. 정신 모델을 개발하면 애플리케이션에 생성 AI 기능을 디자인하고 빌드하는 데 도움이 됩니다.
일련의 문서에서는 현재 소프트웨어 개발 환경이 생성 AI에 어떻게 적용되는지 보여 줍니다. 또한, 이러한 문서들은 첫 번째 생성 AI 솔루션을 개발하기 시작할 때 발전시킬 키워드와 개념의 기초를 마련합니다.
기업이 생성 AI를 사용하여 이점을 얻는 방법
현재 소프트웨어 개발 환경이 생성 AI에 어떻게 적용되는지 이해하려면 기업이 생성 AI를 사용하여 이점을 얻는 방법을 이해하는 것이 중요합니다.
기업은 생성 AI를 고객 참여를 개선하고 운영 효율성을 높이며 문제 해결 및 창의성을 향상시키는 수단으로 간주합니다. 기존 시스템에 생성 AI를 통합하면 기업이 소프트웨어 에코시스템을 개선할 수 있는 기회가 열립니다. 사용자에 대한 개인 설정된 권장 사항 또는 조직 또는 제품 또는 서비스에 대한 특정 질문에 대답할 수 있는 지능형 에이전트와 같은 고급 AI 기능으로 기존 소프트웨어 기능을 보완할 수 있습니다.
다음은 생성 AI가 비즈니스에 도움이 될 수 있는 몇 가지 일반적인 시나리오입니다.
콘텐츠 생성:
- 텍스트, 코드, 이미지 및 소리를 생성합니다. 이 시나리오는 마케팅, 영업, IT, 내부 통신 등에 유용할 수 있습니다.
자연어 처리:
- 제안 또는 전체 메시지 생성을 통해 비즈니스 통신을 작성하거나 개선합니다.
- "데이터와 채팅"을 사용합니다. 즉, 사용자가 조직의 데이터베이스 또는 문서에 저장된 데이터를 답변의 기초로 사용하여 채팅 환경에서 질문을 할 수 있습니다.
- 콘텐츠의 접근성을 높일 수 있도록 콘텐츠의 큰 본문을 요약, 구성 및 간소화합니다.
- 시맨틱 검색을 사용하세요. 즉, 사용자가 정확한 키워드 일치를 사용하지 않고 문서 및 데이터를 검색할 수 있습니다.
- 언어를 번역하여 콘텐츠의 도달률과 접근성을 높입니다.
데이터 분석:
- 시장을 분석하고 데이터의 추세를 식별합니다.
- "what if" 시나리오를 모델링하여 기업이 비즈니스의 모든 영역에서 가능한 변경 또는 과제를 계획할 수 있도록 지원합니다.
- 코드를 분석하여 개선 사항을 제안하고, 버그를 수정하고, 설명서를 생성합니다.
소프트웨어 개발자는 조직에서 사용하는 소프트웨어에 생성 AI 애플리케이션 및 기능을 통합하여 영향을 크게 높일 수 있습니다.
생성 AI 애플리케이션을 빌드하는 방법
LLM은 많은 작업을 수행하지만 결과를 통합, 오케스트레이션 및 모니터링하는 시스템을 빌드합니다. 배울 것이 많지만 다음 방법을 포함하여 이미 가지고 있는 기술을 적용할 수 있습니다.
- REST, JSON 또는 언어별 SDK(소프트웨어 개발 키트)를 사용하여 API 호출
- API 호출을 오케스트레이션하고 비즈니스 로직을 수행합니다.
- 데이터 저장소에 저장 및 검색
- 입력 및 결과를 사용자 환경에 통합
- LLM에서 호출할 수 있는 API 만들기
귀하의 기존 기술을 기반으로 생성 AI 솔루션을 개발하십시오.
개발자 도구 및 서비스
Microsoft는 생성 AI 개발 과정을 시작할 때 도움이 되는 도구, 서비스, API, 샘플 및 학습 리소스 개발에 투자합니다. 각각은 생성 AI 솔루션을 생성하는 데 필요한 주요 관심사 또는 책임을 강조합니다. 지정된 서비스, API 또는 리소스를 효과적으로 사용하려면 다음을 확인해야 합니다.
- 지정된 유형의 생성 AI 기능에서 일반적인 기능, 역할 및 책임을 이해합니다. 예를 들어, 검색 증강 생성(RAG) 기반의 채팅 시스템을 설명하는 개념 문서에서 자세히 논의한 것처럼, 시스템에는 많은 구조적 책임이 있습니다. 문제를 해결하는 시스템을 디자인하기 전에 문제 도메인 및 제약 조건을 잘 이해하는 것이 중요합니다.
- 지정된 함수, 역할 또는 책임에 대해 존재하는 API, 서비스 및 도구를 이해합니다. 이제 문제 도메인 및 제약 조건을 이해했으므로 사용자 지정 코드 또는 기존 하위 코드/코드 없음 도구를 사용하여 시스템의 해당 측면을 직접 빌드하도록 선택하거나 기존 서비스에 대한 API를 호출할 수 있습니다.
- 코드 중심 및 코드 없음/하위 코드 솔루션을 비롯한 옵션을 이해합니다. 당신은 모든 것을 직접 구축 할 수 있지만, 시간과 기술의 효율적인 사용입니까? 요구 사항에 따라 일반적으로 기술과 접근 방식의 조합(코드, 코드 없음, 하위 코드, 도구)을 결합할 수 있습니다.
애플리케이션에 생성 AI 기능을 빌드하는 올바른 방법은 없습니다. 다양한 도구와 방법 중에서 선택할 수 있습니다. 각 요소의 장단점을 평가하는 것이 중요합니다.
애플리케이션 계층 시작
생성 AI에 대한 모든 것을 이해하지 않아도 시작하고 생산성을 높일 수 있습니다. 앞에서 설명한 대로 이미 충분히 알고 있을 것입니다. API를 사용하고 기존 기술을 적용하여 시작할 수 있습니다.
예를 들어 사용자 고유의 LLM을 처음부터 학습시킬 필요가 없습니다. LLM을 교육하려면 대부분의 회사가 투자하기를 꺼리는 시간과 리소스가 필요합니다. 대신 Azure OpenAI API와 같은 기존 호스티드 서비스에 API를 호출하여 GPT-4와 같은 기존의 미리 학습된 기본 모델을 기반으로 빌드합니다. 기존 애플리케이션에 생성 AI 기능을 추가하는 것은 API 호출을 기반으로 다른 기능을 추가하는 것과 다르지 않습니다.
LLM을 학습하는 방법 또는 작동 방식을 조사하면 지적 호기심을 충족할 수 있지만 LLM 작동 방식을 완전히 이해하려면 데이터 과학과 이를 지원하는 수학 배경을 깊이 이해해야 합니다. 이러한 이해를 얻는 데는 통계, 확률 및 정보 이론에 대한 대학원 수준의 과정이 포함될 수 있습니다.
컴퓨터 과학 배경 지식이 있는 경우 대부분의 애플리케이션 개발은 연구 및 기술의 "스택"에서 더 높은 계층에서 발생한다는 것을 알 수 있습니다. 각 계층에 대한 이해가 있을 수 있지만 사용 가능한 API, 도구 및 패턴과 같은 특정 프로그래밍 언어 및 플랫폼에 중점을 두고 애플리케이션 개발 계층을 전문으로 할 수 있습니다.
AI 분야도 마찬가지입니다. LLM을 기반으로 구축되는 이론을 이해하고 평가할 수 있지만, 귀하는 애플리케이션 계층에 집중하거나, 회사에서 창의적 AI 노력을 촉진하기 위한 패턴이나 프로세스를 구현하는 데 주력할 가능성이 높습니다.
새 애플리케이션 또는 기존 애플리케이션에서 생성 AI 기능을 구현하는 데 필요한 지식 계층의 지나치게 단순화된 표현은 다음과 같습니다.
가장 낮은 수준에서 데이터 과학자들은 통계, 확률 이론 등에 대한 깊은 수학적 이해를 기반으로 AI를 해결하거나 개선하기 위해 데이터 과학 연구를 수행하고 있습니다.
데이터 과학자는 가장 낮은 기본 계층 위에 있는 한 계층에서, LLM에서 이론적 개념을 구현하고, 신경망을 구축하며, 가중치와 편향을 학습하여 입력(프롬프트)을 수락하고 결과(완성)를 생성할 수 있는 실용적인 소프트웨어를 제공합니다. 프롬프트에 기초하여 완성을 구성하는 계산 프로세스를 추론이라고 합니다. 데이터 과학자는 신경망의 뉴런이 다음 단어 또는 픽셀을 생성하는 방법을 결정합니다.
모델을 학습시키고 입력을 기반으로 결과를 생성하는 데 필요한 처리 능력의 양을 감안할 때 모델은 대용량 데이터 센터에서 학습되고 호스트되는 경우가 많습니다. 로컬 컴퓨터에서 모델을 학습하거나 호스트할 수 있지만 결과가 느린 경우가 많습니다. 속도와 효율성은 결과를 생성하는 데 필요한 컴퓨팅을 처리하는 데 도움이 되는 전용 GPU 비디오 카드와 함께 제공됩니다.
대규모 데이터 센터에서 호스트되는 경우 REST API를 통해 이러한 모델에 대한 프로그래밍 방식 액세스가 제공됩니다. API는 SDK에 의해 "래핑"되는 경우가 있으며 애플리케이션 개발자가 쉽게 사용할 수 있습니다. 다른 도구는 개발자 환경을 개선하여 관찰 가능성 또는 기타 유틸리티를 제공하는 데 도움이 될 수 있습니다.
애플리케이션 개발자는 이러한 API를 호출하여 비즈니스 기능을 구현할 수 있습니다.
프로그래밍 방식으로 모델을 표시하는 것 외에도 조직이 생성 AI를 기반으로 안정적인 비즈니스 기능을 구축하는 데 도움이 되는 패턴과 프로세스가 등장하고 있습니다. 예를 들어, 기업이 생성된 텍스트, 코드, 이미지 및 사운드가 윤리적 및 안전 표준과 고객 데이터의 개인 정보 보호에 대한 약속을 준수하는 데 도움이 되는 패턴이 등장하고 있습니다.
이 문제 또는 계층 스택에서 비즈니스 기능 빌드를 담당하는 애플리케이션 개발자인 경우 애플리케이션 계층을 넘어 사용자 고유의 LLM을 개발하고 교육할 수 있습니다. 그러나 이러한 수준의 이해에는 고급 교육을 통해서만 개발되는 새로운 기술 세트가 필요합니다.
스택에서 다음 계층을 빌드하는 데 도움이 되도록 학문적으로 데이터 과학 역량 개발에 전념할 수 없는 경우 애플리케이션 계층 토픽에 대한 지식을 개발하는 데 집중할 수 있습니다.
- API 및 SDK: 사용 가능한 기능 및 다양한 엔드포인트에서 생성하는 내용
- 프로덕션 준비가 완료된 생성 AI 솔루션에 필요한 모든 기능을 빌드하는 데 도움이 되는 관련 도구 및 서비스입니다.
- 프롬프트 엔지니어링: 질문을 하거나 질문을 반복하여 최상의 결과를 달성하는 방법입니다.
- 병목 현상이 나타나는 위치 및 솔루션의 크기를 조정하는 방법 이 영역에는 고객의 개인 정보 보호 우려를 침해하지 않고 로깅이나 원격 분석 수집과 관련된 사항을 이해하는 것이 포함됩니다.
- 다양한 LLM의 특징: 해당 강점, 사용 사례, 벤치마크 및 측정한 내용, 각 공급업체에서 생성된 공급업체와 모델 간의 주요 차별화. 이 정보는 조직의 요구에 적합한 모델을 선택하는 데 도움이 됩니다.
- 애플리케이션에서 효과적이고 복원력 있는 생성 AI 기능을 빌드하는 데 사용할 수 있는 최신 패턴, 워크플로 및 프로세스입니다.
Microsoft의 도구 및 서비스
Microsoft의 하위 코드 및 코드 없는 생성 AI 도구 및 서비스를 사용하여 솔루션의 일부 또는 전부를 빌드할 수 있습니다. 다양한 Azure 서비스는 중요한 역할을 할 수 있습니다. 각 솔루션은 솔루션의 효율성, 확장성 및 견고성에 기여합니다.
코드 중심 접근 방식을 위한 API 및 SDK
모든 생성 AI 솔루션의 핵심은 LLM 모델입니다. Azure OpenAI는 GPT-4와 같은 모델에서 사용할 수 있는 모든 기능에 대한 액세스를 제공합니다.
| 제품 | 설명 |
|---|---|
| Azure OpenAI | GPT-4와 같은 강력한 언어 모델에 대한 액세스를 제공하는 호스트된 서비스입니다. 여러 API를 사용하여 포함 만들기 및 채팅 환경 만들기를 포함하여 LLM의 모든 일반적인 기능을 수행할 수 있습니다. 원하는 결과를 얻기 위해 설정 및 사용자 지정에 대한 모든 권한이 있습니다. |
실행 환경
생성 AI를 조직의 애플리케이션에 통합하기 위해 비즈니스 논리, 프레젠테이션 논리 또는 API를 빌드하기 때문에 해당 논리를 호스트하고 실행하는 서비스가 필요합니다.
| 제품 | 설명 |
|---|---|
| Azure 앱 서비스(또는 여러 컨테이너 기반 클라우드 서비스 중 하나) | 이 플랫폼은 사용자가 RAG 채팅 시스템과 상호 작용하는 웹 인터페이스 또는 API를 호스트할 수 있습니다. 웹 애플리케이션의 신속한 개발, 배포 및 크기 조정을 지원하므로 시스템의 프런트 엔드 구성 요소를 보다 쉽게 관리할 수 있습니다. |
| Azure 함수 | 서버리스 컴퓨팅을 사용하여 RAG 채팅 시스템 내에서 이벤트 기반 작업을 처리합니다. 예를 들어 데이터 검색 프로세스를 트리거하거나, 사용자 쿼리를 처리하거나, 데이터 동기화 및 정리와 같은 백그라운드 작업을 처리하는 데 사용합니다. 이를 통해 시스템의 백 엔드를 빌드하는 보다 모듈식의 확장성 있는 접근 방식을 사용할 수 있습니다. |
코드가 낮은 솔루션 및 코드 없음 솔루션
생성 AI 비전을 구현하는 데 필요한 일부 논리는 낮은 코드 또는 코드 없는 솔루션을 사용하여 신속하게 빌드되고 안정적으로 호스트될 수 있습니다.
| 제품 | 설명 |
|---|---|
| Azure AI 파운드리 | Azure AI Foundry 사용하여 사용자 지정 기계 학습 모델을 학습, 테스트 및 배포하여 RAG 채팅 시스템을 향상시킬 수 있습니다. 예를 들어 Azure AI Foundry 사용하여 응답 생성을 사용자 지정하거나 검색된 정보의 관련성을 개선합니다. |
벡터 데이터베이스
일부 생성 AI 솔루션은 생성을 보강하는 데 사용되는 데이터를 저장하고 검색해야 할 수 있습니다. 예를 들어 사용자가 조직의 데이터와 채팅할 수 있는 RAG 기반 채팅 시스템이 있습니다. 이 사용 사례에서는 벡터 데이터 저장소가 필요합니다.
| 제품 | 설명 |
|---|---|
| Azure AI 검색 | 이 서비스를 사용하여 큰 데이터 세트를 효율적으로 검색하여 언어 모델에서 생성된 응답을 알리는 관련 정보를 찾을 수 있습니다. RAG 시스템의 검색 구성 요소에 유용하므로 생성된 응답은 가능한 한 유익하고 컨텍스트적으로 관련이 있습니다. |
| Azure Cosmos DB | 전역적으로 분산된 다중 모델 데이터베이스 서비스는 RAG 채팅 시스템에서 액세스해야 하는 방대한 양의 구조화 및 비정형 데이터를 저장할 수 있습니다. 빠른 읽기 및 쓰기 기능을 통해 언어 모델에 실시간 데이터를 제공하고 추가 분석을 위해 사용자 상호 작용을 저장하는 데 적합합니다. |
| Azure Cache for Redis | 이 완전히 관리되는 메모리 내 데이터 저장소는 자주 액세스하는 정보를 캐싱하고 대기 시간을 줄이고 RAG 채팅 시스템의 성능을 향상시키는 데 사용할 수 있습니다. 세션 데이터, 사용자 기본 설정 및 일반적인 쿼리를 저장하는 데 특히 유용합니다. |
| Azure Database for PostgreSQL - 유연한 서버 | 이 관리형 데이터베이스 서비스는 로그, 사용자 프로필 및 기록 채팅 데이터를 포함하여 애플리케이션 데이터를 저장할 수 있습니다. 유연성과 확장성은 RAG 채팅 시스템의 동적 요구 사항을 지원하므로 데이터를 일관되게 사용할 수 있고 안전하게 사용할 수 있습니다. |
이러한 각 Azure 서비스는 생성 AI 솔루션을 위한 포괄적이고 확장 가능하며 효율적인 아키텍처를 만드는 데 기여합니다. 개발자가 최상의 Azure 클라우드 기능 및 AI 기술에 액세스하고 사용할 수 있도록 도와줍니다.
Azure OpenAI API를 사용하여 코드 중심 생성 AI 개발
이 섹션에서는 Azure OpenAI API에 집중합니다. 앞에서 설명한 대로 RESTful 웹 API를 통해 프로그래밍 방식으로 LLM 기능에 액세스합니다. 말 그대로 모든 최신 프로그래밍 언어를 사용하여 이러한 API를 호출할 수 있습니다. 대부분의 경우, 언어별 또는 플랫폼별 SDK는 REST API 호출을 감싸는 래퍼로써 작동하여 보다 자연스럽고 직관적인 환경을 제공합니다.
Azure OpenAI REST API 래퍼 목록은 다음과 같습니다.
- .NET용 Azure OpenAI 클라이언트 라이브러리
- Java용 Azure OpenAI 클라이언트 라이브러리
- JavaScript용 Azure OpenAI 클라이언트 라이브러리
- Go용 Azure OpenAI 클라이언트 모듈
- OpenAI Python 패키지 사용하고 몇 가지 옵션을 변경합니다. Python은 Azure 특정 클라이언트 라이브러리를 제공하지 않습니다.
언어 또는 플랫폼 SDK를 사용할 수 없는 경우 최악의 시나리오는 웹 API에 직접 REST를 호출해야 한다는 것입니다.
대부분의 개발자는 웹 API를 호출하는 방법을 잘 알고 있습니다.
Azure OpenAI는 다양한 유형의 AI 기반 작업을 용이하게 하도록 설계된 다양한 API를 제공하므로 개발자는 고급 AI 기능을 애플리케이션에 통합할 수 있습니다. 다음은 OpenAI에서 사용할 수 있는 주요 API에 대한 개요입니다.
- 채팅 완료 API: 이 API는 자연스럽고 인간과 유사한 대화에 참여할 수 있는 챗봇 및 가상 도우미 만들기를 지원하는 대화형 기능을 포함하여 텍스트 생성 시나리오에 초점을 맞췄습니다. 고객 지원, 개인 비서 및 대화형 학습 환경을 비롯한 대화형 사용 사례에 최적화되어 있습니다. 그러나 요약, 자동 완성, 문서 작성, 텍스트 분석 및 번역을 비롯한 모든 텍스트 생성 시나리오에 사용됩니다. 현재 미리 보기로 제공되는 비전 기능의 진입점입니다(즉, 이미지를 업로드하고 그것에 대해 질문하기).
- 조정 API: 이 API는 개발자가 텍스트 내에서 잠재적으로 유해한 콘텐츠를 식별하고 필터링할 수 있도록 설계되었습니다. 공격적이거나 안전하지 않거나 부적절한 자료를 자동으로 감지하여 사용자 상호 작용을 보다 안전하게 하는 데 도움이 되는 도구입니다.
- 임베딩 API: 임베딩 API는 텍스트 입력의 벡터 표현을 생성합니다. 단어, 문장 또는 단락을 고차원 벡터로 변환합니다. 이러한 포함은 의미 체계 검색, 클러스터링, 콘텐츠 유사성 분석 등에 사용할 수 있습니다. 텍스트에서 기본 의미와 의미 체계 관계를 캡처합니다.
- 이미지 생성 API: 이 API를 사용하여 텍스트 설명에서 고품질의 원본 이미지 및 아트를 생성합니다. OpenAI의 DALL을 기반으로 합니다. E 모델- 수신하는 프롬프트에 따라 다양한 스타일 및 주제와 일치하는 이미지를 만들 수 있습니다.
- Audio API: 이 API는 OpenAI의 오디오 모델에 대한 액세스를 제공하며 자동 음성 인식을 위해 설계되었습니다. 음성 언어를 텍스트로 전사하거나 텍스트를 음성으로 전사하여 다양한 언어와 방언을 지원할 수 있습니다. 음성 명령, 오디오 콘텐츠 전사 등이 필요한 애플리케이션에 유용합니다.
생성 AI를 사용하여 다양한 미디어 형식으로 작업할 수 있지만 이 문서의 나머지 부분에는 텍스트 기반 생성 AI 솔루션에 중점을 두고 있습니다. 이러한 솔루션에는 채팅 및 요약과 같은 시나리오가 포함됩니다.
생성 AI를 사용하여 개발 시작
익숙하지 않은 언어, API 또는 기술을 접하는 소프트웨어 개발자는 일반적으로 작은 애플리케이션을 빌드하는 방법을 보여 주는 자습서 또는 교육 모듈을 따라 학습하기 시작합니다. 일부 소프트웨어 개발자는 자체 기반 접근 방식을 사용하고 작은 실험적 애플리케이션을 빌드하는 것을 선호합니다. 두 방법 모두 유효하고 유용합니다.
시작할 때는 작게 시작하고, 거의 약속하지 않으며, 반복하고, 이해와 기술을 구축하는 것이 가장 좋습니다. 생성 AI를 사용하여 애플리케이션을 개발하는 데는 고유한 과제가 있습니다. 예를 들어 기존 소프트웨어 개발에서는 결정적 출력을 사용할 수 있습니다. 즉, 모든 입력 집합에 대해 매번 정확히 동일한 출력을 기대할 수 있습니다. 그러나 생성 AI는 비결정적입니다. 지정된 프롬프트에 대해 정확히 동일한 대답을 두 번 얻지 못하며, 이는 많은 새로운 과제의 근원입니다.
시작할 때 다음 팁을 고려하세요.
팁 1: 달성하려는 항목에 대해 명확히 설명합니다.
- 해결하려는 문제에 대해 구체적으로 설명합니다. 생성 AI는 광범위한 문제를 해결할 수 있지만, 성공은 해결하려는 특정 문제를 명확하게 정의하는 데서 비롯됩니다. 텍스트, 이미지, 코드 또는 다른 항목을 생성하려고 합니까? 더 구체적으로 지정할수록 요구 사항에 맞게 AI를 더 잘 조정할 수 있습니다.
- 대상 그룹 이해: 대상 그룹을 알면 AI의 출력을 특정 분야의 캐주얼 사용자 또는 전문가와 관계없이 기대에 맞게 조정하는 데 도움이 됩니다.
팁 2: LLM의 장점 사용
- LLM의 제한 사항 및 편견 이해: LLM은 강력하지만 제한 사항과 내재된 편견이 있습니다. 제한 사항과 편견을 알면 이를 중심으로 설계하거나 완화를 통합하는 데 도움이 될 수 있습니다.
- LLM의 탁월한 분야를 이해하세요: LLM은 콘텐츠 생성, 요약, 언어 번역 등의 작업에서 뛰어난 성과를 보입니다. 새 버전마다 의사 결정 기능과 차별적 기능이 점점 더 강해지고 있지만 시나리오 또는 사용 사례에 더 적합한 다른 유형의 AI가 있을 수 있습니다. 작업에 적합한 도구를 선택합니다.
팁 3: 좋은 결과를 위해 좋은 프롬프트를 사용하세요.
- 프롬프트 엔지니어링 모범 사례 알아보기: 효과적인 프롬프트를 만드는 것은 예술입니다. 다른 프롬프트를 실험하여 출력에 미치는 영향을 확인합니다. 간결하지만 설명적이어야 합니다.
- 반복적인 개선을 약속하십시오: 자주 첫 번째 프롬프트가 원하는 결과를 생성하지 못할 수 있습니다. 그것은 시행 착오의 과정입니다. 출력을 사용하여 프롬프트를 더 구체화합니다.
당신의 첫 번째 생성 AI 솔루션 구축
만약 당신이 즉시 생성 AI 솔루션을 구축하기 위한 실험을 시작하고 싶다면, Python용 자신의 데이터 샘플을 사용하여 채팅을 시작하는 방법을 살펴보는 것이 좋습니다. 이 자습서는 .NET, Java 및 JavaScript에서도 사용할 수 있습니다.
애플리케이션 디자인에 대한 최종 고려 사항
다음은 애플리케이션 디자인 결정에 영향을 줄 수 있는 이 문서에서 고려해야 할 사항 및 기타 내용의 짧은 목록입니다.
- AI의 기능을 사용자 기대에 맞게 명확하게 문제 공간 및 대상 그룹을 정의합니다. 의도한 사용 사례에 대한 솔루션의 효율성을 최적화합니다.
- 프로젝트의 요구 사항을 충족하는 경우 빠른 프로토타입 생성 및 개발을 위해 로우 코드/코드 없음 플랫폼을 사용합니다. 개발 속도와 사용자 지정 가능성 간의 장단 관계를 평가합니다. 애플리케이션의 일부에서 개발 속도를 향상시키고 비기술 팀 구성원이 프로젝트에 기여할 수 있도록 하는 하위 코드 및 코드 없는 솔루션의 가능성을 살펴봅니다.