Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
LLM 네이티브 소프트웨어 설계의 엄밀함을 확보하기 위해 생성 흐름을 문서화하는 새로운 방법론을 제안합니다. 확률적 모델링을 통해 LLM의 불확실성과 창발적 현상을 체계적으로 분석하고 추론할 수 있는 프레임워크를 구축하고자 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기LLM 네이티브 (LLM-native) 소프트웨어를 엔지니어링하는 것은 여전히 도전적이고 미성숙한 분야입니다. 현재의 관행은 주로 탐색적이며, 프롬프팅 (prompting) 및 컨텍스트 엔지니어링 (context engineering)과 같은 실험과 휴리스틱 (heuristic) 기술에 의존하고 있습니다. 그러나 이러한 방식은 저수준 (low-level)이며, 설계 수준의 추론이나 분석을 지원하는 데 필요한 원칙적인 구조가 부족합니다. 이와 대조적으로, 전통적인 소프트웨어 엔지니어링은 모듈성 (modularity)과 추상화 (abstraction)를 활용하여 시스템 동작을 전달하고 분석합니다. LLM 네이티브 개발에 이와 유사한 엄밀함을 도입하기 위해, 우리는 생성 흐름 (generative flows)을 문서화하고 LLM 기반 소프트웨어 설계의 속성을 기술하기 위한 방법론을 제안합니다. 이러한 방법론은 대규모 언어 모델 (large language models)의 확률적 (stochastic)이고 프롬프트 의존적인 (prompt-dependent) 동작을 고려하는 동시에, 창발적 현상 (emergent phenomena)을 포착할 수 있을 만큼 충분히 표현력이 있어야 합니다. 우리의 초기 접근 방식은 LLM 네이티브 시스템의 특징적인 현상을 포착하도록 맞춤 설계된 그래픽 확률 모델 (graphical probabilistic models)에 기반합니다. 우리가 생성 네트워크 (Generation Networks)라고 명명한 이 프레임워크는 LLM 중심 소프트웨어 아키텍처에서 생성적 상호작용 및 시스템 수준의 속성에 대한 원칙적인 추론을 위한 토대를 제공하는 것을 목표로 합니다.