본 GPT mini 포스팅은 패스트캠퍼스 환급 챌린지 참여를 위해 작성하였습니다. 이번 강의에서는 Make와 GPT-4o mini를 활용한 데이터 추가 적재 및 데이터 분류에 대해 배웠습니다. 강의 내용은 기존의 데이터베이스인 구글 시트, 노션, 에어테이블 등의 자료를 챗봇을 통해 자동으로 분류하는 방법에 대한 것이었습니다. 특히, 카테고리를 JSON 형태로 표현하는 과정이 인상 깊었습니다. 주요 내용은 DB에 저장된 자료를 챗봇에 의뢰하고, GPT mini 어드밴스드 세팅에서 응답 포맷을 JSON Object로 설정하며, JSON 응답 분석 옵션을 'Yes'로 설정하는 것이었습니다.​ 이러한 과정 덕분에 복잡한 데이터를 보다 체계적으로 정리할 수 있다는 점에서 큰 장점을 느꼈습니다. 특히, JSON 형태로 데이터가 제공되면 다른 시스템과의 연동이 쉬워져, 데이터 활용의 범위가 넓어진다는 점이 유익했습니다. 그러나 강의 중 몇 가지 어려운 점이 있었습니다. 먼저, JSON GPT mini 형식에 대한 이해가 부족한 상태에서 설명을 들었기 때문에 이를 완벽히 소화하기 어려웠습니다. 또한, Make와 챗봇 설정에 사용되는 특정 용어들이 생소하게 느껴져, 초기 이해에 어려움이 있었습니다. 따라서 강의에서 다뤘던 설정 과정에서 좀 더 구체적인 예시와 설명이 있었으면 좋겠다는 생각이 들었습니다. 앞으로 더 궁금한 점은 JSON 데이터를 활용한 다양한 응용 사례입니다. 예를 들어, 다른 플랫폼과의 GPT mini 연동 과정에서 발생할 수 있는 문제점이나 해결 방안에 대해 더 알고 싶습니다. 또한, 챗봇을 활용한 데이터 분류 외에도 다른 데이터 처리를 위한 유용한 TIP이나 베스트 프랙티스를 접할 수 있다면 더욱 발전된 이해를 할 수 있을 것 같습니다. 이번 강의를 통해 데이터 관리의 새로운 방식에 대한 많은 인사이트를 얻었고, 앞으로도 이와 관련된 추가 학습을 GPT mini 이어갈 계획입니다. ​ 2강에서는 Make 및 GPT-4o를 활용하여 데이터를 기반으로 판단하는 방법에 대해 배웠습니다. 우리는 먼저 원하는 카테고리를 선택하고, 그에 해당하는 뉴스를 자동으로 가져오는 과정을 살펴보았습니다. 이후, 가져온 뉴스에 대한 평가를 수행하기 위해 rubric을 구성하는 방법을 알아보았는데, 이때 챗봇을 활용하는 것이 중요하다고 강조되었습니다. 가장 인상 깊었던 점은 평가 시 챗봇의 객관성을 높이기 위해 GPT mini 항목별 점수 기준을 설정하는 것이었습니다. 일반적으로 평가가 주관적일 수 있기 때문에, 명확한 기준을 마련함으로써 더 공정한 결과를 도출할 수 있다는 점이 매우 흥미로웠습니다. 이를 통해 평가의 일관성을 유지하고, 특정 뉴스에 대해 과도하게 높은 점수를 주는 경향을 방지할 수 있다는 점이 특히 유익했습니다. 하지만 강의 중에 느낀 어려운 점은 rubric을 구성하는 과정에서 여러 가지 GPT mini 요소를 고려해야 한다는 것이었습니다. 뉴스의 신뢰성, 정보의 정확성, 주제의 일관성 등 다양한 평가 항목을 명확히 정의하고 그에 따른 점수 기준을 설정하는 것이 쉽지 않았습니다. 실제로 이러한 평가를 위해서는 각 요소에 대한 깊은 이해가 필요할 것 같습니다. 이와 관련해 더 궁금한 점은 실제로 다양한 카테고리의 뉴스를 평가하는 데 있어 어떤 기준을 적용해야 하는가 하는 GPT mini 것입니다. 특정 주제에 따라 뉴스를 평가하는 데 필요한 고유한 요소가 있을 것 같은데, 이에 대한 예시나 추가적인 가이드라인이 있다면 더 좋을 것 같습니다. 이를 통해 향후 실무에 적용할 때 더욱 효과적으로 활용할 수 있을 것 같습니다. ​​#패스트캠퍼스 #직장인자기계발 #직장인공부 #환급챌린지 #패스트캠퍼스후기 #오공완 ​2월 28일까지만 이 가격 가격 인상 전, 지금 시작 하세요!bit.ly​