문서 생성

문서 생성 프로세스를 단계별로 나타낸 흐름도. GPT/Claude/LLaMA 등 LLM을 기반으로 백지 상태에서의 문서 생성과 기존 문서 재구성 두 갈래로 나뉨. 구현 방법은 프롬프트 입력 → LLM의 의미망 확장 → 문장 및 문단 생성 → 의미 기반 재구성 흐름으로 구성됨. 기존 문서 재구성은 문장 확장(짧은 글 상세 설명), 문장 요약(긴 문서 핵심 추출), 의미 연관 확장, 중요 정보 보존으로 세분됨. 제어 방식은 파인튜닝(모델 재학습, 도메인 맞춤화)과 프롬프트 튜닝(입력 조정, 간단한 제어)으로 나뉘며, 오픈소스 모델 활용과 Notion AI/Jasper 등 상용 API/플랫폼 활용 두 가지 구현 방식이 병렬로 표시된 구조.문서 생성 초

사용자가 입력한 키워드, 주제, 요약 정보에 따라 AI가 자연스러운 문장과 문단을 자동으로 구성해 완결된 문서를 만들어내는 기술
GPT, Claude, LLaMA 같은 LLM의 등장으로 실질적인 활용이 가능해짐
활용 방식은 크게 백지 상태에서 새로 만드는 방식과 기존 문서를 재구성하는 방식 두 가지
구현 방법은 오픈소스 모델 직접 활용과 상용 API/플랫폼 활용으로 나뉨

백지 상태에서의 문서 생성 : 사용자가 키워드나 주제를 프롬프트로 입력하면 LLM이 의미망을 확장하며 서론/본문/결론 구조를 자동으로 설계. 단어(토큰) 단위로 하나씩 예측하면서 문장을 완성하고, 각 문장이 전체 흐름에서 어떤 역할인지도 함께 판단

기존 문서 재구성 : 짧은 문장을 확장(의미 연관 확장, 중요 정보 보존)하거나 긴 문서를 핵심만 추출해 요약하는 방식. 방향은 반대지만 문장의 의미를 이해하고 다시 표현하는 LLM의 같은 능력으로 수행됨

파인튜닝 vs 프롬프트 튜닝

파인튜닝 : 특정 도메인에 맞는 입력/출력 쌍 데이터로 모델을 재학습. 안정적인 품질을 낼 수 있지만 시간/연산 자원이 많이 필요
프롬프트 튜닝 : 모델은 그대로 두고 입력 프롬프트에 지시와 맥락을 부여해 원하는 출력을 유도. 간단하고 빠르게 실험 가능. 실무에서는 프롬프트 튜닝으로 먼저 시작하고 품질 안정화가 필요할 때 파인튜닝으로 넘어가는 순서가 일반적

상용 API/플랫폼 활용 : Notion AI, Jasper 등. 모델 내부를 다룰 필요 없이 API로 바로 결과를 받을 수 있어 빠른 구현과 높은 사용 편의성이 장점. 세밀한 제어가 제한적인 것이 단점