Earticle

초록

영어

AI is being utilized in specific domains through its data learning and fine-tuning capabilities. The jewelry industry also generates and processes a wide range of data, and fine-tuning this data has the potential to provide customized services within the industry. We are designed to conduct AI fine-tuning on jewelry-related data and compare it with a base LLM to identify and analyze the differences. To this end, we trained ChatGPT with data from the National Statistical Portal and Milan Jewelry Week to check the differences in responses before and after fine-tuning. The results were compared and analyzed through a combination of expert group evaluation of relevance, accuracy, and completeness indicators and quantitative evaluation using BERTScore. As a result of the experiment, the BERTScore F1 was 0.69 on average, indicating that there was content differentiation from the basic LLM. In addition, as a result of conducting expert FGI, it was observed that fine-tuning adjusted through data learning outperformed basic LLM in terms of relevance, accuracy, and completeness, confirming the expandable usability of fine-tuning. Fine-tuning can reduce hallucinations and enhance the trustworthiness of AI users. This suggests that AI can be applied as a collaborative tool that contributes to increased added value within the industry through jewelry-related data learning.

한국어

AI는 데이터 학습인 파인튜닝 기능을 통해 특정 도메인에서 활용되고 있다. 주얼리 산업 역시 다양한 데이터 를 생성 및 가공하고 있으며, 이를 파인튜닝하면 산업 현장 맞춤형 서비스로 활용 가능성이 있다. 본 연구에서 주얼 리 관련 데이터를 파인튜닝하고 기본 LLM과의 비교를 통해 차별점을 확인 및 분석하여 주얼리 산업에서의 파인튜닝 활용 가능성을 확인하고자 한다. 이를 위해 ChatGPT에 국가통계포털 및 밀라노 주얼리 위크 데이터를 학습시켜 파 인튜닝 전후 답변의 차이를 확인한다. 관련성, 정확성, 완전성 지표의 전문가 집단 평가와 BERTScore를 통한 정량 적 평가를 병행하여 결과를 비교·분석하였다. 실험 결과, BERTScore F1은 평균 0.69로 기본 LLM과 내용적 차별성 이 존재하였다. 또한, 전문가 FGI를 진행한 결과, 데이터 학습을 통해 조정된 파인튜닝이 관련성, 정확성, 완전성 항 목에서 기본 LLM보다 상향된 결과가 관찰되어 파인튜닝의 확장적 활용성을 확인하였다. 파인튜닝이 할루시네이션을 경감하고 AI 사용자의 신뢰성을 높일 수 있다. 이는 주얼리 관련 데이터 학습을 통해 AI가 산업 내 부가가치 상승에 기여하는 협업 도구로 적용될 수 있음을 시사한다.

목차

요약
Abstract
Ⅰ. 서론
1. 연구의 배경
2. 연구의 목적과 범위
Ⅱ. 이론적 배경
1. LLM과 AI의 진화
2. 파인튜닝에 대한 이해
Ⅲ. 주얼리 산업에서의 활용을 위한 데이터 파인
1. 연구 방법
2. 데이터 학습에 따른 결과 비교
Ⅳ. 결과
Ⅴ. 토론
Ⅵ. 결론
References

키워드

파인튜닝 AI 주얼리 ChatGPT AI 데이터 학습 프롬프팅 Fine-Tuning AI Jewelry ChatGPT AI Data Learning Prompting

저자

• 강혜림 [ Hye-Rim Kang | 정회원, 한경국립대학교 디자인예술스포츠학부 귀금속보석 공예전공 조교수 ] 제1저자

참고문헌

발행기관

간행물