본 논문은 대규모 언어 모델(LLM)의 프롬프트 엔지니어링 문제를 해결하기 위해, 라벨링된 데이터를 활용하여 프롬프트를 향상시키는 새로운 프레임워크인 Examples as the Prompt (EaP)를 제안합니다. EaP는 최적의 예시들을 자동으로 선택하여 LLM의 퓨샷 학습 능력을 극대화하며, 비지도 학습 방식으로 효율적이고 데이터 분포 변화에도 적응적입니다. 실제 전자상거래 환경의 네 가지 사례 연구를 통해 전문가가 직접 만든 프롬프트와 비교하여 동등하거나 우수한 성능을 달성함을 보여줍니다. 또한, 자연어 부분을 라벨링된 예시로 완전히 대체하는 EaP_lite를 제시하여 최대 70%의 추론 속도 향상을 이루었습니다. A/B 테스트 결과, EaP와 EaP_lite를 데이터 라벨링에 활용하면 복합 매출이 0.06% 증가하는 것을 확인했습니다.
시사점, 한계점
•
시사점:
◦
전문가 수준의 프롬프트 엔지니어링 없이도 LLM 성능을 향상시킬 수 있는 효율적인 프레임워크 제시.
