# 풀샷 (Few-shot)

**풀샷 학습(Few-shot Learning)**란 대규모 언어 모델(LLM)에게 해결하고자 하는 작업의 예시를 몇 가지 제공함으로써, 모델이 원하는 출력 형식이나 작업의 의도를 빠르게 이해하고 수행하도록 만드는 프롬프트 엔지니어링 기법입니다. 모델의 가중치를 직접 수정하는 파인튜닝(Fine-tuning)과 달리, 입력 프롬프트 내에 예시를 포함시키는 것만으로 성능을 향상시킬 수 있다는 특징이 있습니다.

## 작동 원리

풀샷 학습의 핵심은 모델이 프롬프트에 포함된 예시들 사이의 패턴을 인식하게 하는 것입니다. 이는 아무런 예시 없이 지시사항만 전달하는 **제로샷(Zero-shot)** 방식과 대비됩니다.

*   **제로샷(Zero-shot):** "다음 문장을 영어로 번역해줘: 안녕하세요" $\rightarrow$ 모델의 사전 학습 지식에만 의존하여 결과 도출.
*   **풀샷(Few-shot):** "사과 $\rightarrow$ Apple, 바나나 $\rightarrow$ Banana, 안녕하세요 $\rightarrow$ " $\rightarrow$ 제공된 '단어 $\rightarrow$ 번역어' 패턴을 인식하여 "Hello"라는 결과를 도출.

### 샷(Shot) 수에 따른 비교

| 구분 | 예시 개수 | 특징 | 기대 효과 |
| :--- | :---: | :--- | :--- |
| **제로샷 (Zero-shot)** | 0개 | 지시문만 제공 | 일반적인 작업 수행, 모델의 기본 성능 테스트 |
| **원샷 (One-shot)** | 1개 | 단 하나의 예시 제공 | 기본적인 출력 형식 지정 가능 |
| **풀샷 (Few-shot)** | 2개 이상 | 여러 개의 예시 제공 | 복잡한 패턴 인식, 일관된 출력 형식 유지, 정확도 향상 |

## 구성 요소

풀샷 프롬프트는 일반적으로 다음과 같은 구조로 구성됩니다.

1.  **지시문 (Instruction):** 모델이 수행해야 할 작업에 대한 설명.
2.  **예시 쌍 (Example Pairs):** '입력(Input) - 출력(Output)'의 형태로 구성된 몇 가지 샘플 데이터.
3.  **최종 입력 (Target Input):** 모델이 실제로 답을 내놓아야 하는 대상 데이터.

## 활용 사례

풀샷 학습은 특히 정형화된 형식이 필요하거나, 모델이 기본적으로 학습하지 못한 특수한 규칙을 적용해야 할 때 유용합니다.

*   **감성 분석 및 분류:** 텍스트를 '긍정', '부정', '중립' 중 하나로 분류하도록 예시를 제공할 때.
*   **특정 포맷 추출:** 비정형 텍스트에서 이름, 날짜, 장소만 추출하여 JSON이나 CSV 형태로 출력하게 할 때.
*   **스타일 변환:** 특정 인물의 말투나 기업의 브랜드 톤앤매너를 모방하여 글을 작성하게 할 때.
*   **복잡한 추론:** 단계별 풀이 과정(Chain-of-Thought) 예시를 제공하여 논리적 사고를 유도할 때.

### 예시 프롬프트

```text
사용자의 리뷰를 분석하여 [긍정, 부정, 중립] 중 하나로 분류하고, 핵심 키워드를 추출하세요.

예시 1:
리뷰: 배송이 정말 빠르고 제품 품질도 만족스럽습니다!
결과: [긍정] 배송, 품질

예시 2:
리뷰: 생각보다 크기가 너무 작아서 실망했어요. 반품하고 싶습니다.
결과: [부정] 크기, 반품

예시 3:
리뷰: 그냥 평범합니다. 가격만큼 하는 것 같아요.
결과: [중립] 가격

리뷰: 디자인은 예쁜데 소음이 너무 심해서 사용하기 어렵네요.
결과: 
```

## 주의사항

풀샷 학습을 적용할 때는 다음과 같은 한계점을 고려해야 합니다.

*   **예시의 편향성(Bias):** 제공된 예시가 특정 정답에 치우쳐 있을 경우, 모델이 입력 내용과 상관없이 예시의 정답 패턴을 그대로 따라가는 '다수 클래스 편향'이 발생할 수 있습니다.
*   **컨텍스트 윈도우 제한:** LLM이 한 번에 처리할 수 있는 토큰 양(Context Window)은 제한되어 있습니다. 너무 많은 예시를 넣으면 정작 중요한 지시문이나 입력 데이터가 잘리거나, 모델의 집중력이 분산될 수 있습니다.
*   **토큰 비용 증가:** 입력 프롬프트의 길이가 길어질수록 API 호출 비용이 증가하며, 응답 생성 전까지의 대기 시간(Latency)이 늘어날 수 있습니다.