Prompt Design - 도메인별 실전 적용

데이터 사이언스, 거버넌스, 도메인 특화 프롬프트 엔지니어링

프롬프트 엔지니어링의 실무 활용 사례 중심. (1) 탐색적 데이터 분석(EDA)을 위한 구조화된 프롬프트와 Python 구현 예시, (2) 데이터 거버넌스 및 표준 용어화: DAMA-DMBOK, ISO/IEC 11179 기반 메타데이터 관리, (3) RAG 기반 도메인 특화 추천 시스템(PCR 진단 도메인 예시), (4) 향후 발전 방향(멀티모달, 자동 최적화, 에이전트 워크플로)을 다룬다. 각 섹션은 실행 가능한 코드, JSON 출력 사례, 국제 표준 참조를 포함한다.

Prompt Engineering
Domain Applications
Data Governance
RAG
저자

Kwangmin Kim

공개

2025년 01월 20일

Prompt Design

도메인별 실전 적용 (Domain-Specific Applications)

데이터 사이언스 & 분석

탐색적 데이터 분석 (EDA)

프롬프트의 역할: EDA는 순차적 단계(structure → statistics → anomaly → distribution)의 조합이므로, 명확한 분석 단계(analysis_steps) 지정이 필수다. 이를 통해 LLM이 "할루시네이션"(미검증 통계치 생성)을 피하고, 실제 계산 가능한 작업들만 수행하도록 제약한다.

프롬프트 템플릿:

<role>  
너는 10년 경력의 데이터 사이언티스트야.  
통계적 엄밀성과 실무적 통찰을 동시에 제공해.  
</role>  

<task>  
첨부된 데이터셋 {dataset_name}에 대해 포괄적인 EDA를 수행해줘.  
</task>  

<analysis_steps>  
1. 데이터 구조 파악  
   - 행/열 개수, 데이터 타입, 메모리 사용량  
   
2. 기술 통계  
   - 수치형: mean, median, std, quartiles, skewness, kurtosis  
   - 범주형: value_counts, cardinality, mode  
   
3. 결측치 분석  
   - Missing pattern 시각화  
   - 결측 메커니즘 추론 (MCAR vs MAR vs MNAR)  
   
4. 이상치 탐지  
   - IQR method  
   - Z-score (|z| > 3)  
   - Isolation Forest  
   
5. 변수 간 관계  
   - 수치형-수치형: Pearson/Spearman correlation  
   - 범주형-범주형: Chi-square test  
   - 범주형-수치형: ANOVA  
   
6. 분포 분석  
   - Normality test (Shapiro-Wilk)  
   - 분포 fitting (scipy.stats)  
</analysis_steps>  

<output_format>  
## 1. 데이터 개요  
[표 형식]  

## 2. 주요 발견사항 (Top 5)  
[번호 매겨 설명]  

## 3. 잠재적 문제점  
[우선순위 정렬]  

## 4. 추천 전처리 단계  
[실행 가능한 코드 포함]  

## 5. 시각화  
[matplotlib/seaborn 코드]  
</output_format>  

<constraints>  
- 모든 주장은 통계적 근거 제시  
- p-value < 0.05 기준  
- 시각화는 color-blind friendly palette 사용  
- 코드는 PEP 8 준수  
</constraints>

실제 출력 예시:

import pandas as pd  
import numpy as np  
import matplotlib.pyplot as plt  
import seaborn as sns  
from scipy import stats  

# 1. 데이터 로드  
df = pd.read_csv('sales_data.csv')  

# 2. 기술 통계  
print(df.describe())  
print(f"Skewness:\n{df.skew()}")  
print(f"Kurtosis:\n{df.kurtosis()}")  

# 3. 결측치 히트맵  
plt.figure(figsize=(10, 6))  
sns.heatmap(df.isnull(), cbar=False, cmap='viridis')  
plt.title('Missing Value Pattern')  

# 4. 이상치 탐지 (IQR)  
Q1 = df.quantile(0.25)  
Q3 = df.quantile(0.75)  
IQR = Q3 - Q1  
outliers = ((df < (Q1 - 1.5 * IQR)) | (df > (Q3 + 1.5 * IQR))).sum()  
print(f"Outliers per column:\n{outliers}")  

# 5. 상관관계 매트릭스  
corr_matrix = df.corr()  
plt.figure(figsize=(12, 8))  
sns.heatmap(corr_matrix, annot=True, fmt='.2f',   
            cmap='coolwarm', center=0)  
plt.title('Correlation Matrix')  

# 6. 정규성 검정  
for col in df.select_dtypes(include=[np.number]).columns:  
    stat, p = stats.shapiro(df[col].dropna())  
    print(f"{col}: Shapiro-Wilk p-value = {p:.4f}")  
    if p < 0.05:  
        print(f"  → Non-normal distribution (reject H0)")

데이터 거버넌스 & 표준화

데이터 표준 용어 생성

표준화의 필요성: 같은 개념을 다양한 비즈니스 용어로 표현하면("총매출액", "판매액", "순이익 전 수익" 등), 데이터 통합 시 혼란이 발생한다. DAMA-DMBOK 프레임워크와 ISO/IEC 11179 메타데이터 표준을 따르면, 한국어 이름(logical name), 영문명(English name), 물리적 이름(physical name)이 1:1:1로 대응되어, 데이터 거버넌스 추적 가능성(traceability)이 보장된다.

프롬프트 (DAMA-DMBOK 기반):

<role>  
너는 데이터 거버넌스 전문가야.  
DAMA-DMBOK 2.0 프레임워크를 따르고,  
ISO/IEC 11179 메타데이터 표준을 준수해.  
</role>  

<task>  
비즈니스 용어를 표준 데이터 용어로 변환해줘.  
</task>  

<input>  
비즈니스 용어: "고객이 최근 3개월간 구매한 총 금액"  
도메인: E-commerce  
</input>  

<standardization_rules>  
1. 3-tier 구조 적용  
   - 표준 단어 (Standard Word)  
   - 표준 도메인 (Standard Domain)  
   - 표준 용어 (Standard Term)  

2. 명명 규칙  
   - CamelCase for logical names  
   - snake_case for physical names  
   - 한글명은 조사 제거  

3. 메타데이터 항목 (ISO/IEC 11179)  
   - 식별자 (Identifier)  
   - 이름 (Name)  
   - 정의 (Definition)  
   - 데이터 타입 (Data Type)  
   - 형식 (Format)  
   - 허용값 (Permissible Values)  
   - 비즈니스 규칙 (Business Rules)  
</standardization_rules>  

<output_format>  
{  
  "logical_name_kr": "",  
  "logical_name_en": "",  
  "physical_name": "",  
  "definition": "",  
  "data_type": "",  
  "format": "",  
  "business_rule": "",  
  "domain": "",  
  "standard_words": [],  
  "related_terms": []  
}  
</output_format>

출력 예시:

{  
  "logical_name_kr": "고객최근3개월구매금액",  
  "logical_name_en": "CustomerRecent3MonthPurchaseAmount",  
  "physical_name": "cust_rcnt_3mon_prchs_amt",  
  "definition": "특정 고객이 현재 시점 기준 최근 3개월(90일) 동안 구매한 상품 및 서비스의 총 금액(부가세 포함)",  
  "data_type": "DECIMAL(15,2)",  
  "format": "999,999,999,999.99",  
  "business_rule": [  
    "취소/환불 건은 제외",  
    "부분 환불 시 환불 금액 차감",  
    "배송비 포함",  
    "쿠폰 할인 후 실결제 금액 기준"  
  ],  
  "domain": "Sales",  
  "standard_words": [  
    "고객(Customer)",  
    "최근(Recent)",  
    "개월(Month)",  
    "구매(Purchase)",  
    "금액(Amount)"  
  ],  
  "related_terms": [  
    "고객생애가치(CustomerLifetimeValue)",  
    "구매빈도(PurchaseFrequency)",  
    "평균구매금액(AveragePurchaseAmount)"  
  ],  
  "data_quality_rules": {  
    "completeness": "NOT NULL",  
    "validity": ">= 0",  
    "consistency": "= SUM(order_amount) WHERE order_date BETWEEN CURRENT_DATE - 90 AND CURRENT_DATE"  
  },  
  "steward": "영업팀 데이터 스튜어드",  
  "last_updated": "2025-01-15",  
  "version": "1.2"  
}

RAG 기반 표준 용어 추천 시스템

시스템 아키텍처 및 각 단계의 의의:

사용자 질의 (자연어)  
    ↓  
1. 질의 임베딩 (sentence-transformers)  
   → 사용자의 비정형 입력을 벡터 공간으로 변환  
    ↓  
2. Vector DB 검색 (FAISS/Pinecone)  
   - 표준 용어 사전: 조직에서 승인된 공식 용어들  
   - 과거 승인된 용어: 이전 표준화 이력 (일관성 유지)  
   - 도메인 지식베이스: 산업 표준 (ISO, WHO, CLSI 등)  
   → 유사한 기존 용어들을 검색하여, LLM의 할루시네이션 방지  
    ↓  
3. Top-k 유사 용어 검색 (k=3~5)  
   → 동일 개념의 다양한 표현 형태 제시 (유사도 순 정렬)  
    ↓  
4. LLM 컨텍스트 구성 (Few-shot Prompting)  
   → 검색된 용어들과 정의, 관련 표준을 프롬프트에 포함  
   → LLM이 기존 맥락을 활용하여 최적 선택 가능  
    ↓  
5. 표준화된 추천 생성  
   → 3가지 후보 제시 + 각각의 유사도/근거 제공  
   → 최종 선택의 신뢰도(confidence) 명시

RAG의 효과: 순수 LLM만 사용하면 "새로운 용어"를 임의로 생성할 위험이 있으나(hallucination), 기존 데이터베이스를 먼저 검색하고 그것을 기반으로 추천하므로, 조직의 표준화 일관성이 보장된다.

프롬프트:

<context>  
{retrieved_similar_terms}  

예시 1:  
입력: "매출액"  
표준 용어: "판매금액 (SalesAmount)"  
정의: "상품 또는 서비스의 판매로 인해 발생한 수익"  

예시 2:  
입력: "회원 번호"  
표준 용어: "고객식별자 (CustomerIdentifier)"  
정의: "고객을 고유하게 식별하는 코드"  

예시 3:  
입력: "주문일자"  
표준 용어: "주문일시 (OrderDateTime)"  
정의: "고객이 주문을 완료한 날짜와 시간"  
</context>  

<user_input>  
{domain_expert_description}  

"코로나 검사에서 양성으로 나온 사람 수"  
</user_input>  

<task>  
위 맥락과 예시를 참고하여, 사용자 입력을 표준 데이터 용어로 변환해줘.  
Seegene의 PCR 진단 도메인 지식을 적용해.  
</task>  

<output_requirements>  
1. 3가지 표준 용어 후보 제시  
2. 각 후보에 대해:  
   - 표준명 (한글/영문)  
   - 정의  
   - 유사도 점수 (0-100%)  
   - 선택 근거  
3. 최종 추천 1개 선정 및 이유  
</output_requirements>

출력:

{  
  "candidates": [  
    {  
      "rank": 1,  
      "logical_name_kr": "양성검출건수",  
      "logical_name_en": "PositiveDetectionCount",  
      "physical_name": "pos_detc_cnt",  
      "definition": "PCR 검사 결과 SARS-CoV-2 바이러스가 검출된(Ct값이 기준치 이하인) 검체의 수",  
      "similarity_score": 0.94,  
      "rationale": "도메인 표준 용어 '검출(Detection)'과 '건수(Count)' 사용. 의료 도메인에서 '양성'보다 '검출'이 더 정확한 표현.",  
      "related_standards": ["ISO 15189", "CLSI GP19"]  
    },  
    {  
      "rank": 2,  
      "logical_name_kr": "확진자수",  
      "logical_name_en": "ConfirmedCaseCount",  
      "physical_name": "cnfm_case_cnt",  
      "definition": "PCR 검사에서 양성 판정을 받은 사람의 수",  
      "similarity_score": 0.87,  
      "rationale": "일반적인 역학 조사 용어. 단, Seegene는 진단기기 회사이므로 '확진자'보다 '검출'이 적합.",  
      "related_standards": ["WHO ICD-10"]  
    },  
    {  
      "rank": 3,  
      "logical_name_kr": "양성반응수",  
      "logical_name_en": "PositiveResponseCount",  
      "physical_name": "pos_rspn_cnt",  
      "definition": "검사 결과 양성으로 나타난 반응의 수",  
      "similarity_score": 0.81,  
      "rationale": "'반응(Response)'은 화학적 관점. PCR은 분자진단이므로 '검출'이 더 적합.",  
      "related_standards": []  
    }  
  ],  
  "recommendation": {  
    "selected": "양성검출건수 (PositiveDetectionCount)",  
    "reason": "Seegene의 PCR 진단 도메인 특성상, '검출(Detection)'이 가장 정확한 표현. 국제 표준(ISO 15189)과도 일치.",  
    "confidence": 0.94  
  },  
  "metadata": {  
    "embedding_model": "sentence-transformers/paraphrase-multilingual-mpnet-base-v2",  
    "retrieved_docs": 12,  
    "processing_time_ms": 340  
  }  
}

향후 발전 방향

1. Multimodal Prompting (멀티모달 프롬프트)
- 텍스트 + 이미지 + 오디오 + 비디오 통합 프롬프트
- 예시: “이 제품 이미지를 분석하고, 첨부된 고객 리뷰를 종합하여 개선점을 제시해줘”
- 과제: 모달 간 상호작용 최적화, 비용 관리

2. Prompt Optimization Algorithms (자동 프롬프트 최적화)
- DSPy (Stanford): 프롬프트를 자동으로 최적화하는 프레임워크
- Gradient-based Prompt Tuning: 연속 공간에서 프롬프트 최적화
- 진화 알고리즘: 유전 알고리즘으로 프롬프트 진화

3. Agentic Workflows (에이전트 워크플로)
- 여러 LLM이 협력하여 복잡한 태스크 수행
- 예시: 리서치 에이전트 + 분석 에이전트 + 작성 에이전트
- LangGraph, AutoGen 등 프레임워크 활용

4. Domain-Specific Prompt Libraries (도메인 특화 프롬프트 라이브러리)
- 의료, 법률, 금융 등 전문 도메인별 프롬프트 표준화
- Kwangmin의 context: Data Governance, PCR 진단 도메인 특화 프롬프트 체계

참고문헌 (References)

핵심 논문

  1. Wei, J., Wang, X., Schuurmans, D., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” NeurIPS 2022. arXiv:2201.11903
    • CoT의 이론적 기초 및 실증 연구
  2. Wang, X., Wei, J., Schuurmans, D., et al. (2022). “Self-Consistency Improves Chain of Thought Reasoning in Language Models.” ICLR 2023. arXiv:2203.11171
    • Self-Consistency 기법의 효과 검증
  3. Yao, S., Yu, D., Zhao, J., et al. (2023). “Tree of Thoughts: Deliberate Problem Solving with Large Language Models.” NeurIPS 2023. arXiv:2305.10601
    • Tree-of-Thoughts 알고리즘
  4. Lewis, P., Perez, E., Piktus, A., et al. (2020). “Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks.” NeurIPS 2020. arXiv:2005.11401
    • RAG 아키텍처의 기초
  5. Gao, L., Madaan, A., Zhou, S., et al. (2022). “PAL: Program-aided Language Models.” ICML 2023. arXiv:2211.10435
    • 코드 기반 프롬프트 접근법
  6. Bai, Y., Kadavath, S., Kundu, S., et al. (2022). “Constitutional AI: Harmlessness from AI Feedback.” Anthropic Technical Report. arXiv:2212.08073
    • Anthropic의 안전성 연구

추가 자료

  1. OpenAI (2023). “GPT-4 Technical Report.” arXiv:2303.08774

  2. Google (2023). “Gemini: A Family of Highly Capable Multimodal Models.” arXiv:2312.11805

  3. Anthropic (2024). “Mapping the Mind of a Large Language Model.” Anthropic Blog

  4. Perez, F., & Ribeiro, I. (2022). “Ignore Previous Prompt: Attack Techniques For Language Models.” arXiv preprint. arXiv:2211.09527

Subscribe

Enjoy this blog? Get notified of new posts by email: