프로페서 H의 메디톡

💎 포인트 (Key Takeaways)Reason 단계: 세부 기준을 명시하여 사용자가 명확한 평가 기준을 이해하도록 함.Act 단계: 종합적인 판단을 위한 간결한 권장사항을 제시함.AI 프롬프팅 고급 기술: 6가지 전략1. 개방형 질문 (Asking Open-Ended Questions)개방형 질문은 AI에게 특정 정보를 직접 요청하는 대신, 문제 해결에 필요한 정보가 무엇인지 스스로 묻도록 유도하는 프롬프팅 기법입니다. 이 접근 방식은 사용자가 미처 생각하지 못했던 요소들을 AI가 식별하게 하여 문제에 대한 더 깊이 있는 이해를 돕고, 창의적인 해결책을 모색하는 데 유용합니다.개방형 질문의 주요 프롬프트 예시:"이 문제를 효과적으로 해결하기 위해 어떤 정보가 필요한가?""이 작업/문제를 해결하기 위..

오늘은 RAG-LLM과 관련된 문헌이 있어 공유하고자 합니다.  Developing Retrieval Augmented Generation (RAG) Based LLM Systems from PDFs: An Experience Reporthttps://arxiv.org/html/2410.15944v1#S4 Developing Retrieval Augmented Generation (RAG) based LLM Systems from PDFs: An Experience ReportBest Practice: Ask the Model to adopt a Persona  Provide specialized context-Rich instructions that guide the assistant on how to..

LLM 기반 Synthetic Data 연구https://arxiv.org/html/2406.15126v1 On LLMs-Driven Synthetic Data Generation, Curation, and Evaluation: A SurveyOn LLMs-Driven Synthetic Data Generation, Curation, and Evaluation: A Survey Lin Long1, Rui Wang1, Ruixuan Xiao1 Junbo Zhao1, Xiao Ding2, Gang Chen1, Haobo Wang1 1Zhejiang University, China  2Harbin Institute of Technology, China Correspondence: wanghaobarxiv.or..

BabyAGI  : 인공지능 기반 작업관리 시스템 GitHub - yoheinakajima/babyagiContribute to yoheinakajima/babyagi development by creating an account on GitHub.github.com A simple framework for managing tasks using AI  BabyAGI는 인공지능을 활용한 작업 관리 시스템입니다. 이 프레임워크는 OpenAI의 언어 모델과 Pinecone의 벡터 데이터베이스를 결합하여 자동으로 작업을 생성, 우선순위 지정, 실행하는 능력을 갖추고 있습니다[1][2].## 주요 특징**자율적 문제 해결**: BabyAGI는 복잡한 목표를 작은 하위 작업으로 분해하여 효율적으로 문제를 해결합니다..

1차 업데이트: 2025.1.24- Among the top 100 largest publishers, 24% provided guidance on the use of GAI참고문헌:BMJ. 2024 Jan 31:384:e077192.  doi: 10.1136/bmj-2023-077192.Publishers' and journals' instructions to authors on use of generative artificial intelligence in academic and scientific publishing: bibliometric analysis    안녕하세요, 인공지능의 성능이 급속히 향상되면서 연구 설계부터 논문 리뷰까지 전 영역에 활용되고 있습니다. 이에 따라 저널마다 인공지능의 ..

안녕하세요,  이번 시리즈의 글들은 LLM의 동작들에 대해 궁금한 점들을 LLM들과 문답으로 풀어가는 과정을 기록하고자 합니다. 비록 완전히 정확하지는 않겠지만 일반인들이 이해하는 수준에서는 도움이 되지 않을까 생각합니다. 되도록 hallucination이 발생하지 않도록 주의를 기울여 작성해보겠습니다.  transformer가 무엇인지 궁금해서 알아보던 과정에 아래와 같은 궁금한 점이 생겼습니다. 최신 초대형 언어 모델인 Claude 3.5 Sonnet은 어떻게 200,000 토큰이라는 방대한 컨텍스트 윈도우를 효율적으로 처리할 수 있을까? 특히 기존 Transformer 아키텍처의 제한사항을 어떻게 극복하였나? 또한 추가적으로 이어서 생기는 저의 궁금함들은 다음과 같습니다.  계산 효율성"200K ×..

이미지 분석과 ChatGPT 4.0, Claude 3.5 Sonnet: 최신 트렌드와 접근법이미지 분석 기술은 빠르게 진화하고 있으며, 최근 몇 년 동안 트랜스포머 모델을 활용한 새로운 접근법이 주목받고 있습니다. 특히 ChatGPT 4.0과 Claude 3.5 Sonnet은 이미지 처리에서 전통적인 방법을 넘어서는 혁신적인 방식으로 주목받고 있습니다. 여기서는 이미지를 패치로 분할하고 임베딩을 생성하는 접근법이 최신 모델들에서 어떻게 활용되는지에 대해 간단히 살펴보겠습니다.1. 이미지 분석의 기본 개념: 패치 분할과 임베딩이미지를 분석할 때 흔히 사용되는 기법 중 하나는 이미지를 여러 개의 패치로 분할(segmentation)한 후 임베딩(embedding) 을 생성하는 것입니다. 이는 비전 트랜스포머..

1차 원고 작성: 2024.11.22참고문헌: https://onlinelibrary.wiley.com/doi/10.1111/bjh.19738 Exploring the role of Large Language Models in haematology: A focused review of applications, benefits and limitations. 대규모 언어 모델(LLMs)의 이점과 한계: 혈액학 분야에서의 활용일관성대규모 언어 모델의 일관성에 대한 평가는 연구마다 상이합니다.Kurstjens et al.은 ChatGPT가 동일한 답변을 80%의 확률로 선택해 일관성이 부족한 모델로 평가되었으나, GPT-4는 98.3%의 확률로 동일한 답변을 선택해 매우 일관성이 높은 모델로 평가되었습니다(27..

1차 원고 작성: 2024-11-21오늘은 "Assessing the medical reasoning skills of GPT-4 in complex ophthalmology cases"라는 논문에 대해 내용을 정리하고자 합니다. 이 연구는 GPT-4의 복잡한 안과 임상 사례에 대한 의료 추론 능력을 평가한 중요한 논문입니다.출처: JAMA Ophthalmology (2024)https://bjo.bmj.com/content/108/10/1398  Assessing the medical reasoning skills of GPT-4 in complex ophthalmology casesBackground/aims This study assesses the proficiency of Generative P..

대형 언어 모델(LLM)은 자연어 처리 분야에서 중요한 혁신을 이루었지만, 여전히 특정 도메인에서는 한계를 보이고 있습니다. 특히, 도메인별로 요구되는 세부적인 지식이나 전문성을 반영하지 못해 정확하지 않은 출력을 생성하거나, 신뢰성에 문제가 발생하는 경우가 있습니다. 이러한 한계를 극복하기 위한 한 가지 방법으로 도메인 특화 LLM을 개발하는 것이 주목받고 있습니다.일반 LLM: 한계를 해결하는 접근법LLM의 한계를 해결하는 한 가지 방법은 특정 도메인에 맞는 데이터로 모델을 **미세 조정(finetuning)**하는 것입니다. 미세 조정은 대형 언어 모델이 학습한 범용적인 지식 위에, 특정 분야에서 자주 등장하는 용어나 표현, 문맥 등을 이해할 수 있도록 추가 학습하는 과정을 말합니다. 이를 통해 관..