본 논문은 초기 단계 스타트업 투자의 고위험성과 데이터 부족 문제를 해결하기 위해, 메모리 증강 대규모 언어 모델(LLM)과 문맥 내 학습(ICL)을 활용한 투자 의사결정 프레임워크를 제시합니다. 자연어 정책을 LLM 프롬프트에 직접 포함하여 투명성을 확보하고, 전문가의 해석 및 수정을 용이하게 합니다. 소량의 데이터와 피드백만으로도 기존 벤치마크보다 훨씬 정확하게 스타트업 성공 여부를 예측하며, 무작위 추측(1.9% 성공률)보다 20배 이상, 최상위 벤처캐피탈(VC)의 평균 성공률(5.6%)보다 7.1배 높은 정확도를 보입니다. 경사 기반 최적화 없이, 소량 학습과 문맥 내 학습 루프를 결합한 경량화된 학습 과정을 통해 LLM의 의사결정 정책을 반복적으로 업데이트합니다.
