Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Prompting for Performance: Exploring LLMs for Configuring Software

Created by
  • Haebom

저자

Helge Spieker, Theo Matricon, Nassim Belmecheri, J{\o}rn Eirik Betten, Gauthier Le Bartz Lyan, Heraldo Borges, Quentin Mazouni, Dennis Gross, Arnaud Gotlieb, Mathieu Acher

개요

본 연구는 대규모 언어 모델(LLM)을 활용하여 소프트웨어 성능 향상을 위한 설정 최적화를 지원하는 가능성을 탐색하는 예비 연구입니다. 컴파일러, 비디오 인코더, SAT 솔버 등 다양한 설정 가능한 시스템을 대상으로, LLM이 관련 옵션 식별, 설정 순위 지정, 성능이 우수한 설정 추천 등의 과제를 수행하는 능력을 평가했습니다. 실험 결과, 과제와 시스템에 따라 LLM이 전문가 지식과 잘 일치하는 경우도 있지만, 환각이나 피상적인 추론이 나타나는 경우도 있음을 확인했습니다. 이는 LLM 기반 소프트웨어 설정 지원 솔루션에 대한 체계적인 평가 및 설계를 위한 첫걸음입니다.

시사점, 한계점

•
시사점:
◦
LLM을 활용하여 소프트웨어 설정 최적화를 지원하는 새로운 가능성을 제시합니다.
◦
일부 과제 및 시스템에서는 LLM이 전문가 수준의 성능을 보여줍니다.
◦
LLM 기반 자동화된 소프트웨어 설정 최적화 도구 개발의 기반을 마련합니다.
•
한계점:
◦
과제 및 시스템에 따라 LLM의 성능이 크게 달라집니다.
◦
환각이나 피상적인 추론으로 인한 오류 가능성이 존재합니다.
◦
LLM의 성능을 체계적으로 평가하고 향상시키기 위한 추가 연구가 필요합니다.
👍
Made with Slashpage