# 목적 달성 가능성 (Goal Attainment Probability)

목적 달성 가능성이란 LLM(대규모 언어 모델)이 사용자의 의도를 정확히 파악하여 최종적으로 원하는 결과물을 생성해낼 확률을 의미합니다. 이는 입력되는 프롬프트의 정교함, 제공된 컨텍스트의 품질, 그리고 사용된 모델의 추론 성능에 따라 결정됩니다.

## 측정 방법

목적 달성 가능성은 정성적 평가와 정량적 평가를 통해 수치화하거나 측정할 수 있습니다.

*   **정확도(Accuracy) 측정**: 정답이 명확한 태스크의 경우, 생성된 결과물이 정답과 일치하는 비율을 계산합니다.
*   **LLM-as-a-Judge**: 더 상위 성능을 가진 모델(예: GPT-4o)이 생성된 결과물이 사용자의 목적을 달성했는지 기준표(Rubric)에 따라 점수를 매기는 방식입니다.
*   **사용자 피드백(Human-in-the-loop)**: 실제 사용자가 결과물에 대해 '좋아요/싫어요' 또는 만족도 점수를 부여하여 측정합니다.
*   **통과율(Pass Rate)**: 특정 조건이나 제약 사항을 모두 충족한 응답의 비율을 측정합니다.

## 영향 요인

목적 달성 가능성에 영향을 주는 주요 요소는 다음과 같습니다.

*   **프롬프트 엔지니어링**: 지시문의 명확성, 역할 부여(Persona), 제약 조건의 구체성 등이 결과의 품질을 결정합니다.
*   **컨텍스트 윈도우 및 데이터**: 모델에 제공되는 참고 자료의 양과 질, 그리고 관련 정보가 컨텍스트 내에 적절히 배치되었는지 여부가 중요합니다.
*   **모델 파라미터**: Temperature(온도) 설정에 따른 창의성/일관성 조절, Top-p 설정 등이 응답의 안정성에 영향을 줍니다.
*   **기술적 장애 요인**: 네트워크 불안정으로 인한 스트리밍 오류나 API 타임아웃 등은 물리적으로 응답 수신을 불가능하게 하여 달성 가능성을 0으로 만듭니다.

## 개선 방안

목적 달성 가능성을 높이기 위해 다음과 같은 전략을 사용할 수 있습니다.

*   **Few-shot Prompting**: 모델에게 몇 가지 입출력 예시를 제공하여 원하는 출력 형식을 학습시킵니다.
*   **Chain-of-Thought (CoT)**: "단계별로 생각해보세요"와 같은 지시를 통해 모델이 논리적인 추론 과정을 거치도록 유도합니다.
*   **RAG (Retrieval-Augmented Generation)**: 외부 지식 베이스에서 관련 문서를 검색하여 제공함으로써 모델의 환각(Hallucination)을 줄이고 정확도를 높입니다.
*   **반복적 최적화 (Iterative Refinement)**: 결과물을 분석하여 부족한 점을 프롬프트에 다시 반영하는 피드백 루프를 구축합니다.

### 프롬프트 최적화 전/후 비교

| 구분 | 최적화 전 (Zero-shot) | 최적화 후 (Few-shot + CoT) |
| :--- | :--- | :--- |
| **프롬프트** | "이 텍스트를 요약해줘." | "너는 전문 요약가야. 아래 예시처럼 핵심 내용을 3줄로 요약해. 단계별로 분석해서 작성해줘." |
| **결과물 특성** | 일반적이고 모호한 요약 | 구조적이고 구체적인 핵심 요약 |
| **달성 가능성** | 낮음 $\rightarrow$ 보통 | 높음 $\rightarrow$ 매우 높음 |