상황에 맞는 학습
상황 내 학습은 재교육 없이 프롬프트에 배치된 몇 가지 예에서 새로운 작업을 선택하는 대규모 언어 모델의 놀라운 능력입니다.
개요
It is the reason you can 'teach' a model on the fly just by showing it what you want.
심층 분석
일반적으로 신경망에 새로운 작업을 가르치는 것은 훈련을 통해 가중치를 업데이트하는 것을 의미합니다. 상황 내 학습은 다릅니다. 프롬프트('컨텍스트')에 직접 몇 가지 예를 작성하면 모델이 패턴을 추론하여 새 입력에 적용합니다. 모델 내부에는 아무것도 변경되지 않습니다. 예제는 다음 토큰 예측을 조정합니다. '제로샷'(설명만), '원샷'(예제 1개) 및 '퓨샷'(여러 예)을 듣게 됩니다. 이 동작은 2020년 GPT-3에 의해 대중화되었으며 새로운 능력으로 밝혀졌습니다. 작은 모델은 이를 수행할 수 없지만 대략 1000억 매개변수 규모를 지나면 몇 번의 샷 프롬프트에 대한 정확도가 급격히 높아집니다. 모델은 사전 훈련 중에 패턴을 인식하고 지속하는 방법을 효과적으로 학습했으므로 추론 시 해당 기술을 재사용할 수 있습니다.
기술적 통찰력
해석 가능성 연구에서는 이러한 능력의 대부분을 '유도 헤드'(훈련 중에 나타나고 퍼지 접두어 일치를 수행하는 주의 회로)에서 추적했습니다. 유사한 토큰이 나타난 위치를 다시 스캔한 다음 그 뒤에 오는 것을 복사합니다. 따라서 프롬프트에 '사과 -> 과일, 당근 -> 야채'가 표시되면 모델은 구조와 일치하고 다음 항목에 대한 올바른 라벨을 예측합니다. 결정적으로 추론 시 기울기 흐름이 없고 가중치가 업데이트되지 않습니다. 예제는 단순히 다음 토큰 확률 분포를 제공하는 활성화를 재구성합니다.
전략적 영향
속도와 규모
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
접근 및 도달
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
더 명확한 결정들
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
상황 내 학습의 미래
확장된 컨텍스트 창(현재 수십만 개의 토큰)은 교육 비용 없이 수십 또는 수백 개의 예제가 일부 작업에 대한 미세 조정과 경쟁할 수 있는 '다중 샷' 체제로 컨텍스트 내 학습을 추진합니다. 검색과의 더욱 긴밀한 통합을 기대하여 관련 예제를 자동으로 가져오고 상황 내 학습이 실패하거나 주의가 산만해지는 경우에 대한 더 나은 이론을 기대합니다. 이는 안정적인 대용량 작업을 위한 미세 조정을 대체하지 않고 보완하면서 모델을 조정하는 빠르고 저렴한 방법으로 남을 것입니다.
실제 구현
챗봇에 세 가지 지원 티켓 예시와 해당 카테고리를 제공한 다음 동일한 방식으로 새 티켓을 분류하도록 합니다.
지저분한 텍스트 쌍의 이전/이후 모델을 깨끗한 JSON으로 다시 포맷하여 나머지를 변환하는 모습을 보여줍니다.
새로운 설명이 스타일과 일치하도록 브랜드 톤에 맞춰 몇 가지 샘플 제품 설명을 붙여넣습니다.
모델이 동일한 추론 형식으로 유사한 문제를 해결할 수 있도록 까다로운 수학 단어 문제를 단계별로 시연합니다.
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the In-Context Learning quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
상황별 창
자주 묻는 질문
What is In-Context Learning?
상황 내 학습은 재교육 없이 프롬프트에 배치된 몇 가지 예에서 새로운 작업을 선택하는 대규모 언어 모델의 놀라운 능력입니다. 원하는 것을 보여주기만 하면 즉석에서 모델을 '가르칠' 수 있는 이유가 여기에 있습니다.
상황 내 학습 중에 모델 내부에서 근본적으로 변화하는 것은 무엇입니까?
상황 내 학습은 전적으로 추론을 통해 이루어집니다. 프롬프트의 예는 모델의 활성화 및 다음 토큰 예측을 형성하지만 가중치는 업데이트되지 않습니다.
맥락 내 학습이 '창발' 능력으로 설명되는 이유는 무엇입니까?
작은 모델에서는 그 능력이 약하거나 없거나, 모델이 매우 큰 규모에 도달하면 가파르게 올라가므로 이를 창발적(emergent)이라고 합니다.
변환기의 상황 내 학습과 가장 관련이 있는 내부 메커니즘은 무엇입니까?
해석 가능성 연구에서는 유도 헤드(유사한 토큰이 나타난 위치를 찾고 다음에 나온 것을 복사하는 주의 회로)가 맥락 내 학습의 핵심 동인임을 확인했습니다.