
538
에이전트 시대의 AI 시스템 설계
이미지가 얼룩졌다면 그럴 수 있겠다 싶지만, 입력이 깨끗하더라도 환각이 발생한다는 것이 문
제이다. 집필 시점을 기준으로 이미지에서 추출된 필드의 정확도는
90
%에서
97
% 수준이다.
이는 청구서나 영수증 등에서 추출된 숫자의
3
%에서
10
%가 환각이라는 뜻이다! 게다가 추출
된 데이터를 다른
LLM
호출의 입력 컨텍스트로 넘기면, 오류 감지나 수정 기능이 있어도 오류
발생 가능성이 눈덩이처럼 불어난다.
LLM
호출 체인이 복잡할수록 응답이 환각일 가능성은 더
커진다.
LLM
이 환각을 일으키는지 어떻게 판단할까? 서로 겹치지 않는 데이터셋으로 훈련된 아주 다
른
LLM
세 개가 있다고 하자. 이 세 모델로 응답을 생성해 비교했을 때 서로 다르다면 환각일
가능성이 높다. 정답이 뭔지는 몰라도, 적어도 잠재적인 문제가 있음은 알 수 있다.
LLM
응답
의 가변성을 이용해 환각이 의심되는 지점을 직관적으로 찾아낼 수 있는 것이다.
하지만 프런티어 모델
frontier
model
들은 훈련 데이터셋이 상당히 많이 겹치기 때문에, 데이터가 겹
치지 않는
LLM
세 개를 구하기는 어렵다. 게다가 여러
LLM
으로 인퍼런스하면 비용도 배로 든
다.
LLM
하나의 응답만 보고 잠재적인 환각 지점을 찾아낼 방법은 없을까?
9.3.2
해법
제