하이퍼파라미터
•
사용자가 인공지능 모델의 셋팅을 조절하는 변수로 이 값을 프롬프트에 잘
적용하면 원하는 방향으로 좋은 결과를 도출 가능
•
사용법 : 프롬프트에 명령어 입력 후 뒷 부분에 ‘하이퍼파라미터’ 변수 값을 추가하면 됨
temperature
•
(0~1)
•
생성된 후보 단어들의 확률 분포를 조절하는 파라미터
•
값이 높을수록 분포가 평탄해지며, 낮을수록 분포가 sharp해짐
•
예를 들어, temperature가 0.5일 때는 큰 확률의 단어가 선택되지만, temperature가 1일 때는 모든 단어들의 확률이 비슷해짐
•
값이 높을수록, 예측 불가한 단어 출연확률이 커짐
•
[예시] "나는 OOO 에 갔다."
- temperature가 0.5일 경우, 모델이 생성한 단어 확률 분포의 폭이 좁아져서 예측 결과가 보다 확정적이고 일관성 있게 생성됩니다. 이 경우, 가능한 다음 단어로는 "학교", "도서관", "영화관" 등이 있습니다.
- temperature가 2.0일 경우, 모델이 생성한 단어 확률 분포의 폭이 넓어져서 예측 결과가 더 다양해집니다. 이 경우, 가능한 다음 단어로는 "바다", "사진관", "서점", "노래방" 등이 있습니다.
max_length
•
답변의 토큰 수 제한
•
최소 0 ~ 최대 2048 (1000자~2000자 정도)
writing style (문체)
•
글의 내용적 측면의 분위기
•
Academic(학술적인), Analytical(분석적), Argumentative(논쟁적인), Conversational(대화적인), Creative(창의적인), Critical(비판적인), Descriptive(설명적인), Epigrammatic(풍자적인), Epistolary(편지체), Expository(설명적인), Informative(자세한), Instructive(유익한), Journalistic(신문체), Metaphorical(은유적인), Narrative(서술적인), Persuasive(설득적인), Poetic(시적인), Satirical(풍자적인), Technical(기술적인)
tone (톤)
•
문장에 담긴 감정적 분위기
•
Authoritative(권위적인), Clinical(냉담한), Cold(차가운), Confident(자신감에찬), Cynical(냉소적인), Emotional(감정적인), Empathetic(공감하는), Formal(격식있는), Friendly(친근한), Humorous(유머있는), Informal(비격식적인), Ironic(역설적인), Optimistic(낙관적인), Pessimistic(비관적인), Sarcastic(빈정대는), Serious(심각한), Sympathetic(동조적인), Tentative(머뭇되는), Warm(따뜻한)
Length penalty
•
(0.5~2.0)
•
생성된 문장의 길이를 조정하는 변수
•
이 값이 높을수록 길이가 긴 문장이 우선순위가 높아짐
Repetition penalty
•
(0~1)
•
중복된 단어가 생성되는 것을 피하기 위해 사용되는 파라미터.
•
이 값이 높을수록 중복된 단어를 생성하는 것을 방지함
Beam width
•
(0~10)
•
빔 서치(beam search) 알고리즘에서 사용되는 파라미터
•
이 값이 높을수록 다양한 문장을 생성할 가능성이 높아짐
•
일반적으로 빔 너비는 5에서 10 사이의 값이 많이 사용
•
값이 높을 수록 다양한 문장이 출연할 확률이 높아짐
•
[예시] "나는 밥을"이라는 문장을 생성하는 경우, Beam width가 1이면 "나는 밥을 먹었다"와 같은 하나의 문장만 생성 된다. 하지만 Beam width가 3으로 늘어난다면 "나는 밥을 먹었다", "나는 밥을 좋아한다", "나는 밥을 사러 갔다"와 같이 다양한 문장이 생성될 수 있다.
top-p
•
(0~1)
•
이전 단어들을 바탕으로 생성한 후보 중에서, 누적 확률 분포의 상위 p%에 해당하는 후보만을 선택하는 기법
•
예를 들어, top-p가 0.9이면 누적 확률 분포의 상위 90%에 해당하는 후보들만을 선택
•
top-p값이 낮을수록 다음 단어의 예측가능성이 커지며(일반적), 값이 높을수록 다양한 단어가 도출될 가능성이 높음
•
[예시] "나는 OOO 에 갔다."
- top-p가 0.5일 경우, 모델이 생성한 단어 확률 분포에서 상위 50%의 단어만을 고려하여 다음 단어를 선택합니다. 이 경우, 가능한 다음 단어로는 "학교", "영화관", "식당" 등이 있습니다.
- top-p가 0.9일 경우, 모델이 생성한 단어 확률 분포에서 상위 90%의 단어만을 고려하여 다음 단어를 선택합니다. 이 경우, 가능한 다음 단어로는 "학교", "영화관", "식당", "수영장", "공원" 등이 있습니다.
<출처 : 서울디지털재단 >