저의 치트키라고 말하였던 퇴행성기억질환자 시각의 데이터학습 라인에 대해서 좀더 부가적으로는
부서의 수준에서 학습의 자료에 대한
정보부류의 위계수준을 적당히 나눠서 학습한 뒤 답변의 종합을 조합생성을 하는 것이 옳다는게 가장 형식적으로
맞다는 판단이 있었는데요..
IT 바닥공단에서 다루는 Legacy 자료에 대한 유지보수는 상대적으로 현대적인 공학기량이 이미 현대기술 개념에서
밑에 깔려있는 바탕으로 흡수가 되어있기
때문에 수정과 보수에 있어서 기준의 처리가
어렵지는 않을 것이 기술적 효용에 대해서는 이미 버려진 것이 전체 중의 절반 이상인 것으로 파악이 되는 짐작이
있기는 하지만, 생각을 해보기에
AI 기반 유지보수 팔렛트로 바닥수준이라도 기술문화의 바탕으로써는 기술적으로 도전해볼만한 분야가 남아있는
것으로
생각이 됩니다.
그래서,
결국에는 Generative A.I 로써 유지보수 팔렛트를 만들기에 결국에는 Props 라는 지시자의 설정에 대한 맥락은
모두 답변의 PROMPT 가 되는 것들에 대해
일단 제거를 하고서, Expert 수준에서 맥락의 위계수준을 정보맥락에 대해 나눠보자면,
결과적으로는 지시구문들의 종합이니까,
Legacy 에 대해 지시맥락이 있을 것이로 보입니다. 그렇다면 이 지시맥락에
대해 ChatGPT 수준의 자연스러운 Native PROMPT 는
어렵습니다만,
SLOT 을 만들어서 지시맥락의 Type 들을 분류합니다.
그렇다면 Legacy 니까, 이미 나눠진 지시맥락의 Types 들이 만들어져 있는 것이 사장된 수많은 자료들에
대해 사용사례들은 이미 연구가 되어있겠죠.
그래서,
사용사례의 Types 들을 SLOT 으로 정보맥락의 위계에 따라 Execute Slot Types 들을 만듭니다.
그 뒤,
남은 것은 맥락의 스펙이 됩니다.
그래서,
그 맥락의 스펙에 대해서 Execute Types 에 대한 Scenario 들이 있습니다. 그래서 거기에 대해서는
기본적으로는 Props 가 중요하죠..
그런데,
객체지향의 Concept 들을 생각을 해보자면 어느정도의 오차에 대해 Native PROMPT 에 대해 답변을 할 수 있는 Scenario 들이 있을 것입니다.
거기에 대해서 Props 의 구조체에 대해 뱉어지는 Bias 수준의 Execute Types 들의
Scenario 수준의 Variation 이 있을거죠..
그래서,
그 부분에 대해 사용사례에 대한 질의 Types 들을 다시 나눠서 Reasoning 에 대한 Query 수준의 Scenario
들을 모두 분류합니다.
그래서,
결국에는 Execute Slot Types >> Scenario Types >> Query Types 로 해석 Pipe-Line 의 위계를 나눠놓는 것이 중요하게 되는 것이죠..
역으로 설계하면 완전 Chat-GPT 이지만 대부분의 Legacy Edu 의
수준에서는 학습효과의 Legacy 적인 Life-ness 를 고려해볼때는,
이러한 Step Skeleton 으로 Legacy GPT 를
만드는 것이 좋아보입니다. :D
결국에는 Legacy Code 에 대한 사용사례가 뭔지 하나도 모르겠다는 퇴행성 Old Programmer 의 입장에서,
자료만 모든 Legacy Code 들의 Base 들을 들고 있어서,
Old Programmer 의 Expert Skill 을 가르쳐야 하는 입장에서 Skill Types 들을
Native 수준에서 Code 수준으로 분류하는 자료의 위계와
자료 그 자체의
분량이
중요하겠습니다.
들어가는 시간은 엄청날 것같네요. ^^
abcd1234
AMERICANO1234