API TEST KEY

nv-d4db4e8174964d9cb1bc65994bd31808ytsV

api spec

https://www.ncloud-forums.com/topic/428/

https://www.ncloud-forums.com/topic/277

https://www.ncloud-forums.com/topic/428/

구분 프롬프트 Prompt 튜닝 Fine-tuning
📌 방식 매번 입력 시 지시문 작성 지속적으로 학습시켜 모델에 내재화
🧠 기억 매 호출 시 초기화됨 학습된 내용은 모델이 “기억”함
💰 비용 기본 요금 (저렴) 학습 + 호출 시 비용 증가
💡 목적 일회성 요청, 다양한 유연한 처리 일관된 응답 또는 브랜드 맞춤화
⚙️ 설정 난이도 매우 쉬움 (프롬프트에 글 쓰기만 하면 됨) 데이터 정제 + 학습 필요 (약간 번거로움)
항목 벡터 DB 방식 (RAG) 튜닝 방식
유연성 높음 (데이터만 바꾸면 됨) 낮음 (모델 재학습 필요)
초기 비용 낮음 높음
동적 데이터 반영 쉬움 어려움
정확성 보통 특정 도메인에 매우 강함
추천 시스템 ✅ 매우 적합 ❌ (직접 추천 로직 구현해야 함)
비교 항목 RAG Fine‑tuning
모델 변경 여부 X O
최신성 반영 ✔️ 외부 DB 업데이트 ❌ 재학습 필요
도메인 적합성 ✔️ 문맥 포함으로 보강 ✔️ 파라미터 단에서 최적화
적용 난이도 O △ (전문성 필요)
비용 & 자원 ✅ 상대적 낮음 ❌ 비용 & 리소스 큼
Hallucination 방지 ✔️ 검색 기반 ✔️ 데이터 기반, 하지만 완전 X

✅ 추천 방식 요약

방식 추천
AI가 직접 모든 술을 보고 추천 ❌ 비효율적, 소규모 DB 아니면 지양
AI가 스타일만 추출 → DB에서 필터링 ✅ 추천! (가볍고 정확도 높음)
파인튜닝으로 술 DB 통째로 학습 ⚠️ 가능은 하지만 비용/작업 많음