이 페이지는 실습 교실 활동입니다. 짧은 대화 프롬프트로 AI가 기본적인 EvoX 최적화 작업을 생성하고 실행하도록 이끌고, 엔지니어링 검수 방식으로 그 실행 결과를 점검합니다. 핵심은 '작동시키는 것'이 아니라 검증하는 것입니다.'사람이 방향을 제시하고, AI가 구현하며, 사람이 검수한다'는AI Native 업무 선순환 구조입니다.
활동 목표
실제 EvoX 환경에서 '프롬프트 → 생성 → 실행 → 검수'의 최소 선순환 구조를 완성하는 것이 목표이며, 단순히 읽을 수 있는 코드를 얻는 것이 아닙니다. 대화로 AI를 이끌어 기본 최적화 작업을 완수하고, 엔지니어처럼 그 출력을 점검하는 과정을 직접 경험하게 됩니다.
프롬프트 구성 요소 (하나도 빠질 수 없음)
- 최적화 문제와 목적 함수: 예를 들어 Rastrigin 함수 최소화.
- 탐색 공간과 차원: 예를 들어 10차원, 각 차원의 값 범위.
- 알고리즘/연산자 선택: 예를 들어 DE 알고리즘, 교차·변이 연산자.
- 개체군 규모와 반복 세대 수: 예를 들어 개체군 128, 반복 200세대.
- 연산 백엔드: CPU 또는 GPU 텐서화.
- 기대 출력: 최적값, 수렴 곡선, 실행 로그.
프롬프트 세분화 수준의 선택
프롬프트가 너무 거칠면 AI의 기본 설정이 작동하여 의도 충족 여부를 판단하기 어렵고, 너무 세밀하면 수작업 코딩으로 전락합니다. 다음을 명확히 하는 것을 권장합니다:'제약과 검수 기준', 그리고 구현 세부 사항은 AI에게 맡기세요. 예를 들어 문제, 알고리즘, 개체군 크기, 반복 횟수를 지정하되 API 호출 방법까지 지정할 필요는 없습니다.
실행 결과 점검 목록
- 코드만 제시한 것이 아니라 실제로 실행되었는가? — 터미널 로그와 실행 시간을 확인.
- 수렴 곡선이 단조롭게 개선되며 이상 진동이 없는가? — 곡선은 안정적으로 하강해야 함.
- 최적값이 문제의 알려진 규모와 부합하는가? — 예를 들어 Rastrigin 함수의 전역 최적값은 0.
- 난수 시드와 설정이 재현 가능한가? — seed를 고정한 후 반복 실행하면 동일하거나 유사한 결과가 나와야 함.
검수 관점의 추가 질문
결과가 기대에 미치지 못할 때는 대화로 제약을 추가하세요. 예를 들어 'seed=42로 고정해 재실행하고 3회 반복의 평균과 분산을 제시해줘'라고 요청합니다. AI가 처음부터 다시 작성하는 대신 반복적으로 수정하는지 관찰하세요. 이는 문제와 검수 기준을 정확하게 설명하는 능력을 키워줍니다.
인간-AI 역할 분담
인간은 문제 정의, 지표 기준, 결과 판정을 담당하고, AI는 API 선택, 코드 구성, 디버깅 실행을 담당합니다. 이번 활동을 통해 AI Native 워크플로에서 자신의 역할을 더 명확히 정립할 수 있습니다.
인접 내용과의 경계
이 페이지는 기본 작업의 프로세스 검증만 다루며, MetaDE 이중 계층 진화, 다목적 트레이드오프, Genesis 멀티 에이전트 등 후속 주제는 다루지 않습니다.
참고 프롬프트 예시
'EvoX로 Rastrigin 함수(10차원)의 최솟값을 구하되, DE 알고리즘을 사용하고 개체군 128, 반복 200세대, GPU 텐서화 백엔드, seed=42로 고정해줘. 직접 실행하고 최적 적합도, 수렴 곡선 그래프, 실행 로그를 반환해줘.'
검수 시 네 가지를 대조하세요: 실제 실행 여부, 수렴 곡선 형태의 합리성, 최적값이 0에 근접하는지, 반복 실행 결과의 일관성.
EvoX 교실 활동 선순환 구조이 상호작용 스크린샷은 교실 활동의 최소 선순환 구조에 해당합니다. 하나의 프롬프트로 AI가 EvoX 최적화 작업을 생성하고 실행하도록 하며, 프롬프트에는 문제, 목적 함수, 탐색 공간, 알고리즘, 개체군 규모, 반복 세대, 연산 백엔드, 기대 출력을 명시해야 합니다. 실행 후에는 실제 실행 여부, 수렴 곡선의 합리성, 최적값이 알려진 규모에 근접하는지, 고정 시드로 재현 가능한지를 기준으로 검수하며, 이는 사람이 방향을 제시하고, AI가 구현하며, 사람이 검수하는 구조를 보여줍니다.
