AI의 정화한 답변을 위한 구조화와 검증의 기술
구조화 출력 스키마 설계 이해: 표/JSON 기반 스키마를 설계하고 형식 일관성과 검증 규칙 이해
추론 스캐폴딩 구현: 단계별 질문과 근거 표를 활용해 논리적/근거 중심의 답변 생성 구현
재질문 루프 복구 설계: 실패 원인 태깅과 보완 질문을 통해 자동 재생성 루프 설계
< 보고 형식 표준화와 단계별 질문 기법 이론 >
스키마 설계 원칙
1. 필드 정의: 필수/옵션 구분, 순서 고정, 이름은 간결하게
2. 타입 형식: 날짜는 YYYY-MM-DD, 수치는 단위 명시, 목록은 배열로 고정
3. 누락 처리: 값이 없으면 “정보 없음”, 임의 추측 금지, 근거 없는 수치 금지
4. 검증 규칙: 길이 상한, 금칙어, 중복 키 금지
<과정>
1. 스키마 생성 및 유효성 점검
버전 표시는 PM으로서 나중에 관리하는 데 중요!
2. 실패 진단과 재질문 루프 복수
재질문 루프를 통해 1회 내로 복구를 목표로!
아웃풋 스키마를 고치는 경우보다 회의록을 고치는 경우가 많음.
< Flow >
회의록(Raw data)
↓ ← 아웃풋 스키마, 아웃풋 프롬프트
요약(Goal) – json 형태로 출력
↓ ← validation 스키마, validation 프롬프트
검증 (pass/fail)
↓
재질문(재요청) – 다시 요약으로
1. Input(회의록) → 스키마
2. Input( 1에서 만들어진 스키마) → 프롬프트
3. Input(요약Goal) → validation 스키마
4. Input( 3에서 만들어진 validation 스키마) → validation 프롬프트
이렇게 만들어지면 회의록 정리할 때마다 재활용 가능!
단계별 질문 기법 – 근거 표
- 재질문 루프 예시
검증에 실패하면 “이전 결과의 실패 원인”을 볼 것! → raw data 검토 or Output 스키마 검토
플랫폼 기반 데이터 분석 파이프라인 핵심 개념
- GPT 기반 데이터 분석 이해 (Code 기반): GPT 활용해 데이터 정제, 탐색, 시각화
- 데이터 분석 자동화 구현 (Agent flow): 자연어 명령으로 표/차트를 생성하고 분석 리포트
- 교통사고 데이터 분석 설계: 실제 안전 서비스용 교통사고 집계 데이터를 분석/시각호하는 워크플로우 설계
데이터 모델링 – 그레인, 키, 관계의 설계 원리
Transformer는 인코더와 디코더 존재
인코더에서는 임베딩(Positional Encoding)
Self-attention: 사용자가 입력한걸 계속 분석해서 중요한 맥락을 끄집어낼 수 있게 유사도를 통해 연산
디코더는 출력. Self-attention과 Cross-attention 존재
인코더와 디코더는 Context로 연결
RAG: 데이터를 벡터DB에 임베딩처리. 사용자가 쿼리를 입력했을 때 벡터DB에서 retrieval → 결과 출력
LLM은 들어오는 질문을 처리하고 나가는 출력만 처리. 답을 직접 만들지 않음 그저 소통 도구.
Schema = 틀(Frame)
스키마를 통해서 AI가 결과를 만들어내면 → Output 스키마 출력 → 가공 → 검증 → 재질문
Data → 객관적 근거 만들기(피벗, 차트) → 보고서 작성
API (Application Programming Interface): 애플리케이션 간의 서로 대화하는 방법
- 파라미터: 메서드 실행 시 건네는 값
- 반환 값: 메서드 실행 후 반환되는 결과값