비즈니스 세계에서 아첨과 칭찬을 구분하는 방법

비즈니스 세계에서 진심 어린 칭찬과 아첨을 구별하려면 다음 팁을 고려하세요:

1. 구체성: 진심 어린 칭찬은 구체적이고 개인의 업무나 행동의 특정 측면에 초점을 맞추는 경향이 있습니다. 반면에 아첨은 모호하고 일반적인 경우가 많습니다[1].

2. 관련성: 진심 어린 칭찬은 상황 및 개인의 성과와 관련이 있는 반면, 아부는 칭찬받는 개인의 진정한 자질이나 능력을 반드시 반영하지 않을 수 있습니다[4].

3. 진정성: 진정성 있는 칭찬은 진실과 정직함에서 나오는 반면, 아첨은 종종 진실하지 않고 숨겨진 의도에 의해 동기 부여됩니다[8]. 칭찬을 하는 사람의 어조와 몸짓에 주의를 기울여 칭찬의 진정성을 가늠하세요.

4. 일관성: 진정한 칭찬은 그 사람의 과거 행동 및 성과와 일치하는 반면, 아첨은 일관성이 없거나 과장된 것일 수 있습니다[1].

5. 은밀한 동기: 아첨에는 호의를 구하거나 받는 사람을 조종하려는 등의 은밀한 동기가 있는 경우가 많습니다[10]. 대가가 따르는 것처럼 보이거나 호의 요청이 뒤따르는 칭찬은 주의해야 합니다.

6. 타이밍: 진심 어린 칭찬은 일반적으로 미리 계획하지 않고 즉흥적으로 이루어지는 반면, 아첨은 특정 결과를 달성하기 위해 전략적으로 타이밍을 잡을 수 있습니다[17].

7. 영향력: 진정한 칭찬은 받는 사람의 동기 부여와 자존감에 긍정적인 영향을 미칠 수 있는 반면, 아부는 단기간에 그치거나 심지어 부정적인 영향을 미칠 수도 있습니다[1].

이러한 요소를 인식하면 직장에서 진심 어린 칭찬과 아첨을 더 잘 구분할 수 있습니다. 진심 어린 칭찬과 격려가 동기를 부여하고 영감을 줄 수 있지만, 진심이 아닌 칭찬은 해롭고 교묘할 수 있다는 점을 기억하세요[6].

인용:
[1] https://medium.com/rampup/the-difference-between-flattery-and-praise-691212264bfa
[2] https://www.quora.com/How-can-you-tell-if-someone%E2%80%99s-compliments-are-genuine-My-big-boss-always-compliments-me-but-they-seem-to-me-to-be-insincere-Today-she-told-me-if-she%E2%80%99s-had-a-son-she%E2%80%99d-want-it-to-be-me-Because-I-simply-knew-how-she-took-her-coffee
[3] https://www.listeningpartnership.com/insight/master-manipulator/
[4] https://www.frontiersin.org/articles/10.3389/fnhum.2023.985047
[5] https://sg.indeed.com/career-advice/career-development/how-to-praise-someone-professionally
[6] https://thriveworks.com/blog/workplace-manipulation-identify-signs-communicate-effectively/
[7] https://www.quora.com/What-is-the-difference-between-praise-and-flattery
[8] https://hbr.org/2019/10/how-to-give-and-receive-compliments-at-work
[9] https://www.linkedin.com/pulse/manipulation-praise-joe-contrera
[10] https://gotherefor.com/offer.php?changestore=true&intid=29730
[11] https://www.indeed.com/career-advice/career-development/how-to-compliment-coworkers
[12] https://www.careeraddict.com/7-signs-your-boss-is-manipulating-you
[13] https://www.n2growth.com/beware-of-flattery/
[14] https://www.fastcompany.com/40537609/stop-giving-meaningless-compliments-and-do-this-instead
[15] https://hbr.org/2022/01/are-you-being-influenced-or-manipulated
[16] https://tanveernaseer.com/do-you-lead-others-through-flattery-or-praise/
[17] https://www.scienceofpeople.com/fake-compliments/
[18] https://medium.com/psychology-simplified/7-subtle-signs-of-manipulative-bosses-cd8386782928
[19] https://www.fastcompany.com/90340287/why-flattery-in-the-workplace-is-risky-behavior
[20] https://www.happify.com/hd/learn-to-give-genuine-compliments/
[21] https://www.psychologytoday.com/us/blog/evolution-of-the-self/201401/praise-as-manipulation-6-reasons-to-question-compliments
[22] https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9974641/
[23] https://www.tjguttormsen.com/blog/great-compliments
[24] https://www.indeed.com/career-advice/career-development/manipulative-coworker

네이버, 생성형 검색 서비스 Cue 출시

Cue:는 대화를 통해 답변을 찾아주는 네이버의 AI 검색입니다.
떠오르는 생각을 대화하듯 입력하고, 필요한 정보를 한눈에 파악하는 새로운 경험을 시작하세요.

Cue:는 대기 명단에 등록하신 순서에 따라 순차적으로 승인되어 서비스 이용까지 대기가 발생할 수 있습니다.

대기 명단에 등록하신 분들께 빠른 시일 내에 서비스를 원활하게 제공할 수 있도록 최선을 다하겠습니다.

네이버 검색은 사용자에게 최상의 답변을 제공하기 위해 끊임없이 도전을 해왔습니다. 그리고 이제 네이버의 AI 기술이 집약된 Cue:를 통해 새로운 검색 경험을 선보이고자 합니다. 첫 번째, 어떤 검색어로 입력해야 할지 고민하지 말고 사람에게 물어보듯이 자연스럽게 질문하세요. Cue:가 질문을 이해하고 원하는 정보를 검색해서 가져다줍니다. 두 번째, Cue:는 이전 질문과 답변을 기억합니다. Cue:와 대화를 이어나가며 원하는 답을 찾아보세요.

DALL·E 3

DALL-E 3는 이전 시스템보다 훨씬 더 많은 뉘앙스와 디테일을 이해하고 아이디어를 매우 정확한 이미지로 쉽게 변환할 수 있습니다.

동일한 프롬프트를 사용하더라도 DALL-E 3는 DALL-E 2에 비해 크게 개선된 기능을 제공합니다.

DALL-E 3는 기본적으로 ChatGPT를 기반으로 제작되었기 때문에 ChatGPT를 브레인스토밍 파트너이자 프롬프트를 다듬는 도구로 사용할 수 있습니다. 간단한 문장부터 자세한 단락까지 원하는 내용을 ChatGPT에 요청하기만 하면 됩니다.

아이디어를 입력하면 ChatGPT는 아이디어를 실현할 수 있는 맞춤형 세부 프롬프트를 자동으로 생성하여 DALL-E 3에 표시합니다. 특정 이미지가 마음에 들지만 적절하지 않은 경우 몇 마디 말만 하면 ChatGPT에 수정을 요청할 수 있습니다.

DALL-E 3는 10월 초에 ChatGPT 플러스 및 엔터프라이즈 고객에게 제공될 예정입니다. DALL-E 2와 마찬가지로 DALL-E 3로 만든 이미지는 귀하가 사용할 수 있으며 재인쇄, 판매 또는 상품화하기 위해 당사의 허가가 필요하지 않습니다.

중국 온라인결제 '알리페이' 운영사 토스페이먼츠에 1000억원대 지분투자 실질 지분율 약 40% 확보

업스테이지의 새로운 언어모델 솔라

업스테이지에서 만든 새로운 봇인 Solar를 이제 포에서 사용할 수 있습니다.

솔라는 HuggingFace Open LLM 순위표에서 상위권에 랭크된 모델이자 Llama 2를 미세 조정한 Solar는 오픈 소스를 통한 발전의 좋은 예입니다.

지금 체험하기 https://poe.com/Solar-0-70b

SOLAR-0-70b-16비트 모델 카드

• 모델명이 LLaMa-2-70b-instruct-v2에서 SOLAR-0-70b-16bit로 변경되었습니다.

모델 세부 정보

• 개발자: Upstage

• 백본 모델: LLaMA-2

• 언어(들): 영어

• 라이브러리: 허깅페이스 트랜스포머

• 라이선스: 미세 조정된 체크포인트는 비영리 크리에이티브 커먼즈 라이선스(CC BY-NC-4.0)에 따라 라이센스가 부여됩니다.

• 의견을 보낼 수 있는 곳: 모델에 대한 피드백이나 의견을 제공하는 방법에 대한 지침은 허깅페이스 커뮤니티의 모델 저장소에서 이슈를 열면 확인할 수 있습니다.

• 연락처: 모델에 대한 질문이나 의견이 있으시면 contact@upstage.ai 으로 이메일을 보내주세요.

• 사용된 데이터 세트

  • 오르카 스타일 데이터 세트

  • 알파카 스타일 데이터 세트

• 위에 언급된 데이터셋을 제외하고 다른 데이터셋은 사용되지 않았습니다.

• 벤치마크 테스트 세트 또는 훈련 세트가 사용되지 않았습니다.

프롬프트 템플릿
### System:
{시스템}

### 사용자:
{사용자}

### 어시스턴트:
어시스턴트: {어시스턴트}

사용법

다음은 A100 80GB에서 테스트한 결과입니다.

저희 모델은 로프 스케일링 옵션 덕분에 최대 10,000개 이상의 입력 토큰을 처리할 수 있습니다.

토치 가져오기

트랜스포머에서 AutoModelForCausalLM, AutoTokenizer, TextStreamer를 가져옵니다.

tokenizer = AutoTokenizer.from_pretrained("upstage/Llama-2-70b-instruct-v2")
model = AutoModelForCausalLM.from_pretrained(
    "upstage/Llama-2-70b-instruct-v2",
    device_map="auto",
    torch_dtype=torch.float16,
    load_in_8bit=True,
    rope_scaling={"type": "dynamic", "factor": 2} # 더 긴 입력 처리 가능
)

prompt = "### 사용자:\n토마스는 건강하지만 병원에 가야 합니다. 그 이유는 무엇일까요? \n\n### 어시스턴트:\n"
inputs = tokenizer(prompt, return_tensors="pt").to(model.device)
del inputs["token_type_ids"]
streamer = TextStreamer(tokenizer, skip_prompt=True, skip_special_tokens=True)

output = model.generate(**inputs, streamer=streamer, use_cache=True, max_new_tokens=float('inf'))
output_text = tokenizer.decode(output[0], skip_special_tokens=True)

하드웨어 및 소프트웨어

하드웨어: 모델 훈련에는 A100x8 * 4를 사용했습니다.

트레이닝 팩터: 딥스피드 라이브러리와 허깅페이스 트레이너/허깅페이스 액셀러레이트를 조합하여 이 모델을 미세조정했습니다.

평가 결과

Open LLM 리더보드에서 평가 중인 과제에 따라 성능 평가를 수행했습니다. ARC-Challenge, HellaSwag, MMLU, TruthfulQA 등 4개의 벤치마크 데이터 세트에서 모델을 평가했으며, 특히 커밋 b281b0921b636bc36ad05c0b0763bd6dd43463의 lm-evaluation-harness 리포지토리를 사용했습니다.

모델을 평가하기 위해 여러 차례에 걸친 까다로운 주관식 문제 세트인 MT-bench를 사용했습니다.

Scripts for H4 Score Reproduction

• Prepare evaluation environments:

# clone the repository
git clone https://github.com/EleutherAI/lm-evaluation-harness.git
# check out the specific commit
git checkout b281b0921b636bc36ad05c0b0b0763bd6dd43463
# change to the repository directory
cd lm-evaluation-harness

업스테이지 소개

Upstage는 대규모 언어 모델(LLM) 및 AI 전문 회사입니다. 개인용 LLM 및 관련 애플리케이션을 구축할 수 있도록 도와드립니다. 도메인별 LLM을 구축하거나 LLM 애플리케이션을 만들기 위한 데이터셋이 있다면 ► 여기를 클릭하여 문의해 주세요.

8월 1일 현재, 70B 모델은 오픈LLM 순위에서 1위를 차지하며 현재 전 세계에서 가장 우수한 성능을 보이고 있습니다.