본 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다.
이 강의에서는 리뷰 데이터를 분석하여 긍정적, 부정적 키워드를 자동으로 추출하는 방법을 학습했습니다. 특히, OpenAI API를 활용한 프롬프트 엔지니어링, JSON 응답 구조화, Function Calling 기법을 적용하여 실무에서 사용할 수 있는 키워드 분석 시스템을 구축하는 것이 핵심이었습니다.
🔹 주요 학습 내용
- 프롬프트 최적화
- 기본적인 텍스트 기반 분석에서 Prompt Template을 적용하여 동적 프롬프트 생성을 가능하게 함.
- 한글보다 영어 프롬프트를 사용할 경우 성능 향상이 가능함을 확인.
- OpenAI API를 활용한 리뷰 분석
- gpt-3.5-turbo와 gpt-4-turbo 모델을 활용하여 리뷰 속 감정 키워드 추출.
- Function Calling을 통해 JSON 형식의 구조화된 응답 생성 가능.
- Function Calling을 통한 키워드 분류
- 기존에는 단순 텍스트 분석을 했지만, Function Calling을 활용하여 positive_keywords, negative_keywords로 나누어 JSON 형식으로 반환.
- API 호출을 통해 실시간으로 리뷰 분석 가능.
- 성능 개선 및 최적화 전략
- Function Calling이 일반 API 호출보다 성능이 다소 낮아지는 이슈 발생.
- 해결 방법으로 GPT 모델 업그레이드, 프롬프트 최적화(한글 → 영어), JSON 응답 최적화 등의 방법을 실험.
- Streamlit을 활용한 데모 구축
- 실제 네이버 영화 리뷰 데이터를 활용하여 리뷰 분석 결과를 대시보드 형태로 시각화.
- 사용자 입력을 기반으로 실시간 감정 분석이 가능하도록 구현.
이 강의에서 가장 유익했던 점은 Function Calling을 활용한 JSON 기반 감정 분석이었습니다. 기존에는 단순 텍스트 매칭을 통한 감정 분석을 주로 활용했지만, GPT의 Function Calling을 적용함으로써 보다 구조화된 데이터 분석이 가능해졌습니다.
또한, API를 활용한 실시간 분석, Streamlit을 통한 UI 구현 등의 실습을 통해 이론뿐만 아니라 실제 프로젝트에서 어떻게 적용할 수 있는지에 대한 감을 잡을 수 있었습니다.
특히, 한글 프롬프트보다 영어 프롬프트가 성능이 더 좋다는 점이 흥미로웠습니다. AI 모델의 특성과 최적화를 고려할 때, 프롬프트 설계가 성능에 미치는 영향이 크다는 점을 체감할 수 있었습니다.
이제 앞으로 실제 서비스에서 감정 분석 기능을 활용할 때, Function Calling과 JSON 응답을 활용한 구조화된 데이터 분석을 적극적으로 적용해볼 계획입니다
① 오늘자 날짜, 공부 시작 시각
② 오늘자 날짜, 공부 종료 시각
③ 클립 1번 수강 인증 사진
④ 클립 2번 수강 인증 사진
⑤ 학습 인증샷 1장 이상 (ex. 필기 촬영, 작업물, 등)
