Few-Shot Learning for Natural Language Translation of Data Records

최근 자연어 처리(NLP)의 혁신적 진보는 생성형 인공지능(Generative AI)과 대규모 언어 모델(Large Language Models, 이하 LLM)의 발전에 크게 기인한다. 특히, GPT-3와 같은 초거대 언어 모델은 소량의 예시(few-shot examples)만으로도 다양한 자연어 생성 작업을 수행할 수 있는 뚜렷한 능력을 보이고 있다(Brown, 2020). 이러한 생성형 AI 기술은 기존의 ICT 응용 환경에도 많은 영향을 미치고 있다. 대표적으로 정부 및 민간 부문의 각종 정보가 자연어로 서비스되는 사례가 빈번해지고 있으며 이러한 추세는 더욱 가속화될 것이다.본 논문에서는 데이터 레코드를 자연어로 변환하는 방법을 다룬다. 데이터베이스는 전통적 ICT의 근간이고, 다양한 레코드를 포함하기 때문에 데이터 레코드의 자연어 변환 기술은 기존 ICT와 생성형 AI를 융합하는데 있어 중요한 요소이다. 퓨샷-학습이 자연스럽고 일관성 있는 자연어 변환에 유용하다는 주장을 실증적 사례를 통해 제시한다. 객체중심 퓨샷과 속성중심 퓨샷, 두 가지 접근 방법을 제시하고 후자가 자연스러움과 확장성 면에서 더 유리함을 보인다. 자연스러운 변환을 위해 두 접근방법은 체인닝으로 연결되는 2단계 재변환 과정을 거칠 수 있다.