course/pr_1021/ko/_app/immutable/nodes/4.d342556d.js

import{s as _e,n as ve,o as Ve}from"../chunks/scheduler.37c15a92.js";import{S as He,i as ze,g as P,s as i,r as a,A as Fe,h as K,f as n,c as s,j as Ze,u as $,x as ke,k as Ie,y as Ee,a as r,v as l,d as m,t as p,w as f}from"../chunks/index.2bf4358c.js";import{C as We}from"../chunks/CodeBlock.4e987730.js";import{C as Re}from"../chunks/CourseFloatingBanner.9ff4c771.js";import{Q as u}from"../chunks/Question.668688bc.js";import{H as g,E as Se}from"../chunks/getInferenceSnippets.ebf8be91.js";function Ye(de){let o,X,Q,A,x,L,y,D,c,Ce="이번 챕터에서는 정말 많은 내용들을 다뤘습니다! 그러니 모든 세부 사항을 다 이해하지 못했다고 해서 좌절하지 마세요. 다음 챕터에서 다루는 내용은 내부 작동 방식을 이해하는 데에 도움이 될거에요.",O,w,Ge="그래도 우선, 이번 챕터에서 배운 내용에 대해 확인해보는 시간을 갖도록 하겠습니다!",ee,b,te,h,ne,T,re,M,ie,J,se,U,ae,j,$e,B,le,q,me,W,pe,d,fe,C,ge,G,ue,Z,oe,k,xe,I,ye,_,ce,v,we,V,be,H,he,z,Te,F,Me,E,Je,R,Ue,S,je,Y,Be,N,qe;return x=new g({props:{title:"단원 마무리 퀴즈",local:"단원-마무리-퀴즈",headingTag:"h1"}}),y=new Re({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),b=new g({props:{title:"1. Hub에서 roberta-large-mnli 체크포인트를 검색해 보세요. 이 모델은 어떤 작업을 수행하나요?",local:"1-hub에서-roberta-large-mnli-체크포인트를-검색해-보세요-이-모델은-어떤-작업을-수행하나요",headingTag:"h3"}}),h=new u({props:{choices:[{text:"요약",explain:'이 페이지를 다시 확인하세요 <a href="https://huggingface.co/roberta-large-mnli">roberta-large-mnli page</a>.'},{text:"텍스트 분류",explain:"더 정확하게 말하면, 이 모델은 두 문장이 논리적으로 타당한지 세 가지 레이블(모순, 함의, 중립)로 분류합니다. 이러한 문제를 <em>자연어 추론(natural language inference)</em>이라고 부릅니다.",correct:!0},{text:"텍스트 생성",explain:'이 페이지를 다시 확인하세요 <a href="https://huggingface.co/roberta-large-mnli">roberta-large-mnli page</a>.'}]}}),T=new g({props:{title:"2. 다음 코드는 무엇을 반환하나요?",local:"2-다음-코드는-무엇을-반환하나요",headingTag:"h3"}}),M=new We({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBbmVyJTIwJTNEJTIwcGlwZWxpbmUoJTIybmVyJTIyJTJDJTIwZ3JvdXBlZF9lbnRpdGllcyUzRFRydWUpJTBBbmVyKCUyMk15JTIwbmFtZSUyMGlzJTIwU3lsdmFpbiUyMGFuZCUyMEklMjB3b3JrJTIwYXQlMjBIdWdnaW5nJTIwRmFjZSUyMGluJTIwQnJvb2tseW4uJTIyKQ==",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

ner = pipeline(<span class="hljs-string">&quot;ner&quot;</span>, grouped_entities=<span class="hljs-literal">True</span>)
ner(<span class="hljs-string">&quot;My name is Sylvain and I work at Hugging Face in Brooklyn.&quot;</span>)`,wrap:!1}}),J=new u({props:{choices:[{text:'문장에 대해 "positive" 혹은 "negative" 로 분류한 레이블과 함께 분류 점수를 반환합니다.',explain:"오답입니다 — 이는 <code>sentiment-analysis</code> 파이프라인에 대한 설명입니다."},{text:"이 문장을 완성할, 생성 텍스트를 반환합니다.",explain:"오답입니다 — 이는 <code>text-generation</code> 파이프라인에 대한 설명입니다."},{text:"사람, 기관, 장소 등을 나타내는 단어들을 반환합니다.",explain:'이 뿐만 아니라, <code>grouped_entities=True</code>를 사용해 "Hugging Face"와 같이 같은 개체에 해당하는 단어들을 그룹화해줍니다.',correct:!0}]}}),U=new g({props:{title:"3. 다음 예제 코드에서 … 대신 무엇이 들어가야 할까요?",local:"3-다음-예제-코드에서--대신-무엇이-들어가야-할까요",headingTag:"h3"}}),j=new We({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBZmlsbGVyJTIwJTNEJTIwcGlwZWxpbmUoJTIyZmlsbC1tYXNrJTIyJTJDJTIwbW9kZWwlM0QlMjJiZXJ0LWJhc2UtY2FzZWQlMjIpJTBBcmVzdWx0JTIwJTNEJTIwZmlsbGVyKCUyMi4uLiUyMik=",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

filler = pipeline(<span class="hljs-string">&quot;fill-mask&quot;</span>, model=<span class="hljs-string">&quot;bert-base-cased&quot;</span>)
result = filler(<span class="hljs-string">&quot;...&quot;</span>)`,wrap:!1}}),B=new u({props:{choices:[{text:"<mask>",explain:"오답입니다. 여기 <code>bert-base-cased</code> 모델 카드를 보시고 다시 도전해보세요."},{text:"[MASK]",explain:"정답! 이 모델의 마스크 토큰은 [MASK]입니다.",correct:!0},{text:"man",explain:"오답입니다. 이 파이프라인은 마스킹된 단어를 채워야하기니까 어딘가에는 마스크 토큰이 있어야겠죠?"}]}}),q=new g({props:{title:"4. 다음 코드가 실행되지 않는 이유는 무엇일까요?",local:"4-다음-코드가-실행되지-않는-이유는-무엇일까요",headingTag:"h3"}}),W=new We({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBY2xhc3NpZmllciUyMCUzRCUyMHBpcGVsaW5lKCUyMnplcm8tc2hvdC1jbGFzc2lmaWNhdGlvbiUyMiklMEFyZXN1bHQlMjAlM0QlMjBjbGFzc2lmaWVyKCUyMlRoaXMlMjBpcyUyMGElMjBjb3Vyc2UlMjBhYm91dCUyMHRoZSUyMFRyYW5zZm9ybWVycyUyMGxpYnJhcnklMjIp",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

classifier = pipeline(<span class="hljs-string">&quot;zero-shot-classification&quot;</span>)
result = classifier(<span class="hljs-string">&quot;This is a course about the Transformers library&quot;</span>)`,wrap:!1}}),d=new u({props:{choices:[{text:"해당 텍스트를 분류하기 위해서는 파이프라인에 레이블을 넣어주어야 합니다.",explain:"맞습니다 — 제대로 작동시키기 위해 다음 코드가 필요합니다. <code>candidate_labels=[...]</code>.",correct:!0},{text:"한 문장이 아니라, 여러 문장을 파이프라인에 넣어주어야 합니다.",explain:"틀렸지만, 다른 파이프라인과 마찬가지로 제대로 사용한다면 물론 여러 리스트의 문장도 입력으로 넣어줄 수 있습니다."},{text:"늘 그렇듯 🤗 Transformers 라이브러리가 또 고장난거 아닌가요?",explain:"못 들은 걸로 하겠습니다!"},{text:"위의 문장은 너무 짧아서, 더 긴 문장을 입력해야 합니다.",explain:"오답입니다. 매우 긴 텍스트는 파이프라인에서 처리할 때 잘리게 되는 것을 명심하세요."}]}}),C=new g({props:{title:"5. “전이 학습(transfer learning)“이란 무엇을 의미하나요?",local:"5-전이-학습transfer-learning이란-무엇을-의미하나요",headingTag:"h3"}}),G=new u({props:{choices:[{text:"동일한 데이터셋으로 학습할 때, 사전 학습된 모델의 지식이 새로운 모델로 전달되는 것",explain:"틀렸습니다, 이런 경우 동일한 모델이 두 개 있는 것과 똑같습니다."},{text:"사전 학습된 모델의 가중치로 새로운 모델을 초기화할 때, 사전 학습된 모델의 지식이 전달되는 것",explain:"정답: 사전 학습된 모델이 새로운 모델로 지식을 *전이(transfer)*하여 새로운 과제에 대한 학습이 이루어집니다.",correct:!0},{text:"사전 학습된 모델과 동일한 구조의 모델을 새로 만들 때, 사전 학습 모델의 지식이 전달되는 것",explain:"구조(architecture)는 모델이 디자인되는 방식일 뿐, 이러한 경우 지식이 공유되거나 전이되지 않습니다."}]}}),Z=new g({props:{title:"6. 언어 모델은 일반적으로 사전 학습시에 레이블을 필요로 하지 않습니다. 이 문장은 참일까요 거짓일까요?",local:"6-언어-모델은-일반적으로-사전-학습시에-레이블을-필요로-하지-않습니다-이-문장은-참일까요-거짓일까요",headingTag:"h3"}}),k=new u({props:{choices:[{text:"참",explain:"사전 학습 과정은 일반적으로 <em>자가 지도(self-supervised)</em> 방식입니다. 이는 다음 단어 예측 혹은 마스킹 된 단어 채우기 등과 같이 입력으로부터 자동으로 레이블을 생성하는 것을 의미합니다.",correct:!0},{text:"거짓",explain:"정답이 아닙니다."}]}}),I=new g({props:{title:"7. 다음 중 “모델(model)”, “구조(architecture)”, “가중치(weights)”에 대해 가장 잘 설명한 것을 고르세요.",local:"7-다음-중-모델model-구조architecture-가중치weights에-대해-가장-잘-설명한-것을-고르세요",headingTag:"h3"}}),_=new u({props:{choices:[{text:"모델이 하나의 빌딩이라면, 구조는 청사진이고 가중치는 그 안에 사는 사람들입니다.",explain:"이러한 비유대로라면, 가중치는 건물을 짓는데 사용한 벽돌이나 기타 재료들이 더 어울리겠네요."},{text:"구조는 모델 구축을 위한 일종의 지도이고 가중치는 그 지도에 나타난 도시들에 해당합니다.",explain:"이 비유의 문제점은, 지도는 보통 하나의 실제 세상만을 나타낸다는 것입니다(한국에는 서울이 하나뿐이죠). 실제로 동일한 구조에 대해서 수많은 다른 가중치를 가질 수 있습니다."},{text:"구조는 모델을 구축하기 위한 수학적 함수의 연속이고 가중치는 그 함수들의 변수(parameters)입니다.",explain:"동일한 셋의 수학적 함수(구조)는 서로 다른 변수(가중치)를 사용해 각기 다른 모델을 만들 수 있습니다.",correct:!0}]}}),v=new g({props:{title:"8. 다음 중 어떤 모델이 텍스트를 생성하여 프롬프트(prompt)를 완성시키는 데에 가장 적합할까요?",local:"8-다음-중-어떤-모델이-텍스트를-생성하여-프롬프트prompt를-완성시키는-데에-가장-적합할까요",headingTag:"h3"}}),V=new u({props:{choices:[{text:"인코더 모델",explain:"인코더 모델은 전체 문장에 대한 표현을 생성하므로 분류에 더 적합합니다."},{text:"디코더 모델",explain:"디코더 모델은 프롬트로부터 텍스트를 생성하는 데에 최적의 모델입니다.",correct:!0},{text:"시퀀스-투-시퀀스 모델",explain:"시퀀스-투-시퀀스 모델은 주어진 프롬트가 아닌, 입력 문장과 관련 있는 문장을 생성하는 데에 더 적합합니다."}]}}),H=new g({props:{title:"9. 다음 중 어떤 모델이 텍스트 요약에 가장 적합할까요?",local:"9-다음-중-어떤-모델이-텍스트-요약에-가장-적합할까요",headingTag:"h3"}}),z=new u({props:{choices:[{text:"인코더 모델",explain:"인코더 모델은 전체 문장에 대한 표현을 생성하므로 분류에 더 적합합니다."},{text:"디코더 모델",explain:"디코더 모델 또한 (요약과 같이) 출력 텍스트 생성을 잘하지만 전체 맥락과 같은 컨텍스트를 활용하여 요약을 할 수는 없습니다."},{text:"시퀀스-투-시퀀스 모델",explain:"시퀀스-투-시퀀스 모델은 요약 작업을 수행하는 데에 최적의 모델입니다.",correct:!0}]}}),F=new g({props:{title:"10. 다음 중 어떤 모델이 입력 텍스트를 특정 레이블로 분류하는 데에 가장 적합할까요?",local:"10-다음-중-어떤-모델이-입력-텍스트를-특정-레이블로-분류하는-데에-가장-적합할까요",headingTag:"h3"}}),E=new u({props:{choices:[{text:"인코더 모델",explain:"인코더 모델은 전체 문장에 대한 표현을 생성하므로 분류 태스크에 최적의 모델입니다.",correct:!0},{text:"디코더 모델",explain:"디코더 모델은 출력 텍스트 파일 생성을 잘하지만, 문장으로부터 레이블을 잘 추출하진 못합니다."},{text:"시퀀스-투-시퀀스 모델",explain:"시퀀스-투-시퀀스 모델은 주어진 입력 문장을 기반으로 레이블이 아니라 텍스트를 생성하는 데에 적합합니다."}]}}),R=new g({props:{title:"11. 다음 중 모델이 편향성(bias)을 갖게 되는 데에 가장 가능성 있는 원인을 모두 고르세요.",local:"11-다음-중-모델이-편향성bias을-갖게-되는-데에-가장-가능성-있는-원인을-모두-고르세요",headingTag:"h3"}}),S=new u({props:{choices:[{text:"모델은 사전 학습 모델의 미세 조정된 버전이고, 여기서 편향성이 따라오게 됩니다.",explain:"전이 학습 시 사용되는 사전 학습 모델의 편향성이 미세 조정된 모델로도 전달됩니다.",correct:!0},{text:"모델 학습에 사용된 데이터가 편향되어 있습니다.",explain:"이는 가장 분명한 편향의 원인이지만, 유일한 원인은 아닙니다.",correct:!0},{text:"모델이 최적화한 메트릭(metric)이 편향되어 있습니다.",explain:"모델 학습 방식은 편향이 발생되는 불분명한 원인 중 하나입니다. 모델은 어떤 메트릭을 고르든 아무 생각 없이 그에 맞춰 최적화를 합니다.",correct:!0}]}}),Y=new Se({props:{source:"https://github.com/huggingface/course/blob/main/chapters/ko/chapter1/10.mdx"}}),{c(){o=P("meta"),X=i(),Q=P("p"),A=i(),a(x.$$.fragment),L=i(),a(y.$$.fragment),D=i(),c=P("p"),c.textContent=Ce,O=i(),w=P("p"),w.textContent=Ge,ee=i(),a(b.$$.fragment),te=i(),a(h.$$.fragment),ne=i(),a(T.$$.fragment),re=i(),a(M.$$.fragment),ie=i(),a(J.$$.fragment),se=i(),a(U.$$.fragment),ae=i(),a(j.$$.fragment),$e=i(),a(B.$$.fragment),le=i(),a(q.$$.fragment),me=i(),a(W.$$.fragment),pe=i(),a(d.$$.fragment),fe=i(),a(C.$$.fragment),ge=i(),a(G.$$.fragment),ue=i(),a(Z.$$.fragment),oe=i(),a(k.$$.fragment),xe=i(),a(I.$$.fragment),ye=i(),a(_.$$.fragment),ce=i(),a(v.$$.fragment),we=i(),a(V.$$.fragment),be=i(),a(H.$$.fragment),he=i(),a(z.$$.fragment),Te=i(),a(F.$$.fragment),Me=i(),a(E.$$.fragment),Je=i(),a(R.$$.fragment),Ue=i(),a(S.$$.fragment),je=i(),a(Y.$$.fragment),Be=i(),N=P("p"),this.h()},l(e){const t=Fe("svelte-u9bgzb",document.head);o=K(t,"META",{name:!0,content:!0}),t.forEach(n),X=s(e),Q=K(e,"P",{}),Ze(Q).forEach(n),A=s(e),$(x.$$.fragment,e),L=s(e),$(y.$$.fragment,e),D=s(e),c=K(e,"P",{"data-svelte-h":!0}),ke(c)!=="svelte-jy7jmt"&&(c.textContent=Ce),O=s(e),w=K(e,"P",{"data-svelte-h":!0}),ke(w)!=="svelte-h222ie"&&(w.textContent=Ge),ee=s(e),$(b.$$.fragment,e),te=s(e),$(h.$$.fragment,e),ne=s(e),$(T.$$.fragment,e),re=s(e),$(M.$$.fragment,e),ie=s(e),$(J.$$.fragment,e),se=s(e),$(U.$$.fragment,e),ae=s(e),$(j.$$.fragment,e),$e=s(e),$(B.$$.fragment,e),le=s(e),$(q.$$.fragment,e),me=s(e),$(W.$$.fragment,e),pe=s(e),$(d.$$.fragment,e),fe=s(e),$(C.$$.fragment,e),ge=s(e),$(G.$$.fragment,e),ue=s(e),$(Z.$$.fragment,e),oe=s(e),$(k.$$.fragment,e),xe=s(e),$(I.$$.fragment,e),ye=s(e),$(_.$$.fragment,e),ce=s(e),$(v.$$.fragment,e),we=s(e),$(V.$$.fragment,e),be=s(e),$(H.$$.fragment,e),he=s(e),$(z.$$.fragment,e),Te=s(e),$(F.$$.fragment,e),Me=s(e),$(E.$$.fragment,e),Je=s(e),$(R.$$.fragment,e),Ue=s(e),$(S.$$.fragment,e),je=s(e),$(Y.$$.fragment,e),Be=s(e),N=K(e,"P",{}),Ze(N).forEach(n),this.h()},h(){Ie(o,"name","hf:doc:metadata"),Ie(o,"content",Qe)},m(e,t){Ee(document.head,o),r(e,X,t),r(e,Q,t),r(e,A,t),l(x,e,t),r(e,L,t),l(y,e,t),r(e,D,t),r(e,c,t),r(e,O,t),r(e,w,t),r(e,ee,t),l(b,e,t),r(e,te,t),l(h,e,t),r(e,ne,t),l(T,e,t),r(e,re,t),l(M,e,t),r(e,ie,t),l(J,e,t),r(e,se,t),l(U,e,t),r(e,ae,t),l(j,e,t),r(e,$e,t),l(B,e,t),r(e,le,t),l(q,e,t),r(e,me,t),l(W,e,t),r(e,pe,t),l(d,e,t),r(e,fe,t),l(C,e,t),r(e,ge,t),l(G,e,t),r(e,ue,t),l(Z,e,t),r(e,oe,t),l(k,e,t),r(e,xe,t),l(I,e,t),r(e,ye,t),l(_,e,t),r(e,ce,t),l(v,e,t),r(e,we,t),l(V,e,t),r(e,be,t),l(H,e,t),r(e,he,t),l(z,e,t),r(e,Te,t),l(F,e,t),r(e,Me,t),l(E,e,t),r(e,Je,t),l(R,e,t),r(e,Ue,t),l(S,e,t),r(e,je,t),l(Y,e,t),r(e,Be,t),r(e,N,t),qe=!0},p:ve,i(e){qe||(m(x.$$.fragment,e),m(y.$$.fragment,e),m(b.$$.fragment,e),m(h.$$.fragment,e),m(T.$$.fragment,e),m(M.$$.fragment,e),m(J.$$.fragment,e),m(U.$$.fragment,e),m(j.$$.fragment,e),m(B.$$.fragment,e),m(q.$$.fragment,e),m(W.$$.fragment,e),m(d.$$.fragment,e),m(C.$$.fragment,e),m(G.$$.fragment,e),m(Z.$$.fragment,e),m(k.$$.fragment,e),m(I.$$.fragment,e),m(_.$$.fragment,e),m(v.$$.fragment,e),m(V.$$.fragment,e),m(H.$$.fragment,e),m(z.$$.fragment,e),m(F.$$.fragment,e),m(E.$$.fragment,e),m(R.$$.fragment,e),m(S.$$.fragment,e),m(Y.$$.fragment,e),qe=!0)},o(e){p(x.$$.fragment,e),p(y.$$.fragment,e),p(b.$$.fragment,e),p(h.$$.fragment,e),p(T.$$.fragment,e),p(M.$$.fragment,e),p(J.$$.fragment,e),p(U.$$.fragment,e),p(j.$$.fragment,e),p(B.$$.fragment,e),p(q.$$.fragment,e),p(W.$$.fragment,e),p(d.$$.fragment,e),p(C.$$.fragment,e),p(G.$$.fragment,e),p(Z.$$.fragment,e),p(k.$$.fragment,e),p(I.$$.fragment,e),p(_.$$.fragment,e),p(v.$$.fragment,e),p(V.$$.fragment,e),p(H.$$.fragment,e),p(z.$$.fragment,e),p(F.$$.fragment,e),p(E.$$.fragment,e),p(R.$$.fragment,e),p(S.$$.fragment,e),p(Y.$$.fragment,e),qe=!1},d(e){e&&(n(X),n(Q),n(A),n(L),n(D),n(c),n(O),n(w),n(ee),n(te),n(ne),n(re),n(ie),n(se),n(ae),n($e),n(le),n(me),n(pe),n(fe),n(ge),n(ue),n(oe),n(xe),n(ye),n(ce),n(we),n(be),n(he),n(Te),n(Me),n(Je),n(Ue),n(je),n(Be),n(N)),n(o),f(x,e),f(y,e),f(b,e),f(h,e),f(T,e),f(M,e),f(J,e),f(U,e),f(j,e),f(B,e),f(q,e),f(W,e),f(d,e),f(C,e),f(G,e),f(Z,e),f(k,e),f(I,e),f(_,e),f(v,e),f(V,e),f(H,e),f(z,e),f(F,e),f(E,e),f(R,e),f(S,e),f(Y,e)}}}const Qe='{"title":"단원 마무리 퀴즈","local":"단원-마무리-퀴즈","sections":[{"title":"1. Hub에서 roberta-large-mnli 체크포인트를 검색해 보세요. 이 모델은 어떤 작업을 수행하나요?","local":"1-hub에서-roberta-large-mnli-체크포인트를-검색해-보세요-이-모델은-어떤-작업을-수행하나요","sections":[],"depth":3},{"title":"2. 다음 코드는 무엇을 반환하나요?","local":"2-다음-코드는-무엇을-반환하나요","sections":[],"depth":3},{"title":"3. 다음 예제 코드에서 … 대신 무엇이 들어가야 할까요?","local":"3-다음-예제-코드에서--대신-무엇이-들어가야-할까요","sections":[],"depth":3},{"title":"4. 다음 코드가 실행되지 않는 이유는 무엇일까요?","local":"4-다음-코드가-실행되지-않는-이유는-무엇일까요","sections":[],"depth":3},{"title":"5. “전이 학습(transfer learning)“이란 무엇을 의미하나요?","local":"5-전이-학습transfer-learning이란-무엇을-의미하나요","sections":[],"depth":3},{"title":"6. 언어 모델은 일반적으로 사전 학습시에 레이블을 필요로 하지 않습니다. 이 문장은 참일까요 거짓일까요?","local":"6-언어-모델은-일반적으로-사전-학습시에-레이블을-필요로-하지-않습니다-이-문장은-참일까요-거짓일까요","sections":[],"depth":3},{"title":"7. 다음 중 “모델(model)”, “구조(architecture)”, “가중치(weights)”에 대해 가장 잘 설명한 것을 고르세요.","local":"7-다음-중-모델model-구조architecture-가중치weights에-대해-가장-잘-설명한-것을-고르세요","sections":[],"depth":3},{"title":"8. 다음 중 어떤 모델이 텍스트를 생성하여 프롬프트(prompt)를 완성시키는 데에 가장 적합할까요?","local":"8-다음-중-어떤-모델이-텍스트를-생성하여-프롬프트prompt를-완성시키는-데에-가장-적합할까요","sections":[],"depth":3},{"title":"9. 다음 중 어떤 모델이 텍스트 요약에 가장 적합할까요?","local":"9-다음-중-어떤-모델이-텍스트-요약에-가장-적합할까요","sections":[],"depth":3},{"title":"10. 다음 중 어떤 모델이 입력 텍스트를 특정 레이블로 분류하는 데에 가장 적합할까요?","local":"10-다음-중-어떤-모델이-입력-텍스트를-특정-레이블로-분류하는-데에-가장-적합할까요","sections":[],"depth":3},{"title":"11. 다음 중 모델이 편향성(bias)을 갖게 되는 데에 가장 가능성 있는 원인을 모두 고르세요.","local":"11-다음-중-모델이-편향성bias을-갖게-되는-데에-가장-가능성-있는-원인을-모두-고르세요","sections":[],"depth":3}],"depth":1}';function Ne(de){return Ve(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Oe extends He{constructor(o){super(),ze(this,o,Ne,Ye,_e,{})}}export{Oe as component};