퓨샷 러닝 (Few-shot)
퓨샷 러닝은 인공지능에 몇 가지 구체적인 입출력 예시를 제공하여 원하는 작업 방식과 형식을 빠르고 정확하게 학습시키는 프롬프트 기법입니다.
퓨샷 러닝(Few-shot Learning)이란 인공지능 모델에 수행해야 할 작업의 구체적인 예시를 몇 개(Few) 보여준 뒤 새로운 문제를 해결하도록 유도하는 프롬프트 기법입니다. 인공지능에게 지시문이나 규칙을 길고 복잡하게 설명하는 대신, 원하는 입력과 그에 알맞은 출력 예시를 서너 개 제시함으로써 모델이 문맥과 패턴을 스스로 파악하게 만듭니다.
이는 신입 직원에게 두꺼운 업무 매뉴얼을 전부 외우게 하는 것보다, 선배가 작성해 둔 모범 기안서 두세 장을 먼저 보여주며 업무를 파악하게 하는 방식과 같습니다. 대규모 언어 모델은 이미 방대한 지식을 학습한 상태이므로, 몇 가지 단서만 제공해도 사용자가 기대하는 결과물의 형태를 즉시 이해합니다.
백 마디 설명보다 확실한 예시의 힘
인공지능 모델은 자연어 지시를 폭넓게 이해하지만, 미묘한 어투나 엄격한 출력 형식, 특정 분류 기준 등을 말로만 설명하면 의도와 다른 결과를 내놓기 쉽습니다. 예를 들어 '친절하면서도 단호하게 거절해 줘'라는 지시는 모델에 따라 다르게 해석될 여지가 큽니다. 이때 퓨샷 러닝을 사용하면 추상적인 개념을 명확한 기준점으로 바꿀 수 있습니다.
퓨샷 기법은 특히 데이터 정제, 고객 문의 분류, 특정 문서 양식 작성처럼 일관된 규칙이 중요한 작업에서 탁월한 성능을 발휘합니다. 인공지능 내부의 거대한 파라미터를 직접 재학습시키지 않고도, 프롬프트 입력창 안에서 모델의 동작 방식을 즉석에서 원하는 방향으로 조율할 수 있습니다.
국내 실무 환경에서의 구체적인 활용 예시
배달의민족이나 네이버 스마트스토어에서 고객 리뷰에 답변을 남기는 소상공인의 사례를 생각해 볼 수 있습니다. 인공지능에게 단순히 '공손하고 다정한 말투로 답글을 써줘'라고 요청하면 지나치게 번역투 같거나 천편일률적인 답변이 나오기 쉽습니다. 이때 퓨샷 프롬프트를 다음과 같이 구성할 수 있습니다.
[리뷰]: 김치찌개가 조금 식어서 왔는데 고기도 많고 국물 맛은 정말 깊네요.
[답변]: 주문해 주셔서 감사합니다! 날씨 탓에 찌개가 식어 아쉬우셨을 텐데도 맛있게 드셔주셔서 정말 다행입니다. 다음에는 보온에 더욱 신경 써서 따뜻하게 보내드리겠습니다.
[리뷰]: 배달이 예정 시간보다 20분이나 늦어서 점심시간을 거의 다 날렸어요.
[답변]: 소중한 점심시간에 불편을 드려 고개 숙여 사과드립니다. 배달 대행업체와 동선을 다시 점검하여 다음에는 약속된 시간에 도착하도록 철저히 관리하겠습니다.
이렇게 실제 답변 예시를 두 개 이상 제시한 뒤 새로운 리뷰를 입력하면, 인공지능은 사장님의 응대 철학과 어조, 공감과 대책 제시라는 구조적 패턴을 그대로 복제하여 맞춤형 답변을 생성합니다.
제로샷, 원샷, 퓨샷의 차이점
인공지능 프롬프트 기법은 지시문에 포함되는 예시의 개수에 따라 크게 세 가지로 구분됩니다.
- 제로샷(Zero-shot): 예시를 전혀 제공하지 않고 오직 지시 사항만 전달하는 방식입니다. 일반적인 상식 질문이나 단순 번역, 일상적인 대화에 주로 쓰입니다.
- 원샷(One-shot): 단 하나의 예시만을 제공하여 답변의 양식이나 방향성을 가볍게 잡아주는 방식입니다.
- 퓨샷(Few-shot): 통상적으로 2개에서 5개 안팎의 예시를 함께 제공하는 방식입니다. 미묘한 문맥 파악, 복잡한 데이터 분류, 엄격한 서식 유지가 필요할 때 가장 높은 정확도를 보입니다.
퓨샷 프롬프팅 작성 시 흔히 하는 실수
퓨샷 기법을 활용할 때 가장 주의해야 할 점은 예시 간의 불일치입니다. 첫 번째 예시에서는 줄바꿈을 쓰고 두 번째 예시에서는 한 줄 요약 형태로 작성하는 등 서식이 일정하지 않으면 인공지능이 어떤 패턴을 따라야 할지 혼란을 겪게 됩니다.
또한 너무 많은 예시를 무리하게 넣는 것도 피해야 합니다. 열 개가 넘는 과도한 예시를 나열하면 프롬프트 처리 비용과 지연 시간이 늘어날 뿐 아니라, 인공지능이 특정 예시의 단어에 지나치게 얽매여 새로운 입력에 유연하게 대처하지 못하는 현상이 발생할 수 있습니다. 다양하면서도 완성도 높은 정제된 예시 서너 개를 제공하는 것이 가장 효율적입니다.
자주 묻는 질문
퓨샷 러닝에서 예시는 몇 개를 넣는 것이 가장 좋나요?
일반적으로 2개에서 5개 사이가 가장 이상적입니다. 문제의 난이도에 따라 다르지만, 명확하고 일관된 서식의 예시 3개 정도면 대부분의 작업에서 충분히 높은 정확도를 얻을 수 있습니다.
퓨샷 러닝과 파인튜닝(미세조정)은 어떻게 다른가요?
파인튜닝은 모델 자체의 가중치를 영구적으로 변경하여 추가 학습시키는 방식인 반면, 퓨샷 러닝은 프롬프트 입력창 안에서 일시적으로 예시를 보여주어 원하는 출력을 유도하는 방법입니다. 퓨샷 러닝은 별도의 학습 비용이나 엔지니어링 리소스 없이 즉시 적용할 수 있습니다.
예시가 많을수록 인공지능의 성능이 무조건 좋아지나요?
그렇지 않습니다. 지나치게 많은 예시를 입력하면 처리 토큰이 늘어나 비용이 커지고, 모델이 초기 예시의 세부 표현에 과도하게 편향되어 새로운 질문의 핵심을 놓치는 오류가 생길 수 있습니다.
