기본 콘텐츠로 건너뛰기

[생성형 AI 모델(Gemini Advanced, Claude 3 Opus, GPT-4o)들에 대한 스프레드시트 데이터 분석 능력 비교]

생성형 AI 모델 (Gemini Advanced, Claude 3 Opus, GPT-4o) 데이터 분석 능력 비교

1930년부터 2014년까지의 월드컵 경기 데이터 (아래 시트) 를 3가지 생성형 AI 모델 (Claude AI, GPT-4o, Gemini Advanced)을 사용하여 분석하고, 그 결과를 비교 분석해보았습니다. 각 모델별로 스프레드시트 데이터를 어떻게 분석하고 시각화하여 월드컵 경기의 추세와 특징을 어떻게 설명을 하고 있는지 비교 평가 해보았습니다.

테스트용 스프레드시트 데이터는 1930년부터 2014년까지 월드컵 경기에 대한 데이터 (개최연도, 개최지, 승리국가, 준우승 국가, 평균 관중 수, 총 경기수, 골 수, 평균 골 수) 입니다.


Google Spreadsheet 데이터 원본 링크

월드컵

연도

개최지

승리국

준우승

평군관중

참가팀

경기수

골 스코어

평균 골수

1930 World Cup Uruguay

1930

Uruguay

Uruguay

Argentina

32,808

13

18

70

3.9

1934 World Cup Italy

1934

Italy

Italy

Czechoslovakia

21,353

16

17

70

4.1

1938 World Cup France

1938

France

Italy

Hungary

20,872

15

18

84

4.7

1950 World Cup Brazil

1950

Brazil

Uruguay

Brazil

47,511

13

22

88

4

1954 World Cup Switzerland

1954

Switzerland

Germany

Hungary

29,562

16

26

140

5.4

1958 World Cup Sweden

1958

Sweden

Brazil

Sweden

23,423

16

35

126

3.6

1962 World Cup Chile

1962

Chile

Brazil

Czechoslovakia

27,912

16

32

89

2.8

1966 World Cup England

1966

England

England

Germany

48,848

16

32

89

2.8

1970 World Cup Mexico

1970

Mexico

Brazil

Italy

50,124

16

32

95

3

1974 World Cup Germany

1974

Germany

Germany

Netherlands

49,099

16

38

97

2.6

1978 World Cup Argentina

1978

Argentina

Argentina

Netherlands

40,679

16

38

102

2.7

1982 World Cup Spain

1982

Spain

Italy

Germany

40,572

24

52

146

2.8

1986 World Cup Mexico

1986

Mexico

Argentina

Germany

46,039

24

52

132

2.5

1990 World Cup Italy

1990

Italy

Germany

Argentina

48,389

24

52

115

2.2

1994 World Cup United States

1994

United States

Brazil

Italy

68,991

24

52

141

2.7

1998 World Cup France

1998

France

France

Brazil

43,517

32

64

171

2.7

2002 World Cup Korea & Japan

2002

Korea & Japan

Brazil

Germany

42,269

32

64

161

2.5

2006 World Cup Germany

2006

Germany

Italy

France

52,491

32

64

147

2.3

2010 World Cup South Africa

2010

South Africa

Spain

Netherlands

49,670

32

64

145

2.3

2014 World Cup Brazil

2014

Brazil

Germany

Argentina

53,592

32

64

171

2.7

2018 World Cup Russia

2018

Russia

France

Croatia

47,371

32

64

169

2.6

(** 이 통계는 https://en.wikipedia.org/wiki/FIFA_World_Cup 에서 발췌한 것입니다 **)

각 모델별 질문 “질문: 평균 관중수 추이 분석해주세요. 필요하면 차트도 그려서 설명” 에 대한 각 모델별 분석 결과 요약

  • Claude AI: 표 형태로 데이터를 제시하고, 시대별 특징을 요약하는 텍스트 설명을 제공했습니다. 하지만 시각적인 자료가 없고, 설명이 다소 장황하다는 단점이 있었습니다.
  • GPT-4o: 차트를 통해 연도별 평균 관중 수 변화를 시각적으로 보여주고, 간결한 텍스트 설명을 제공했습니다. 하지만 차트의 시각적인 요소가 부족하고, 1994년 이후 감소 추세에 대한 설명이 없었습니다.
  • Gemini Advanced: Altair 라이브러리를 사용하여 인터랙티브한 시각화를 제공하고, 상세한 텍스트 설명과 함께 상관계수를 제시하여 통계적인 근거를 뒷받침했습니다. 

종합 평가

세 가지 모델 중 Gemini Advanced가 가장 우수한 분석 결과를 제공했습니다. 시각적인 자료와 텍스트 설명의 조화, 구체적인 수치 언급, 분석 결과에 대한 근거 제시 등이 균형 있게 이루어져 사용자가 정보를 쉽게 이해하고 해석할 수 있도록 했습니다. 다만, 

결론


이번 비교 분석을 통해 생성형 AI 모델이 월드컵 경기 데이터와 같은 스포츠 데이터 분석에 유용하게 활용될 수 있음을 확인했습니다. 특히, Gemini Advanced 모델은 뛰어난 분석 능력과 시각화 기능을 바탕으로 데이터에 대한 깊이 있는 이해를 돕는 결과를 제공했습니다.

여기서 한가지 놀라웠던 점은, Gemini Advanced 가 분석한 결과 내용중에는 2002년 한일 월드컵때에 관중수가 1994년 대비 거의 반토막 나고 1998년 보다 다소 감소한 결과에 대해서 다음과 같이 분석 설명을 했다는 사실에 놀라울 따름입니다.

‘다만, 2002년 한일 월드컵에서는 평균 관중 수가 다소 감소하는 모습을 보였는데, 이는 개최국의 지리적 위치나 경기 시간 등이 현지 관중의 참여에 영향을 미쳤을 수 있습니다.”

이 결과로 인하여 모든 스프레드시트 데이터 분석에서 Gemini Advanced 가 가장 우수한 것으로 일반화할 수는 없습니다. 단편적인 월드컵 경기 데이터만으로 평가한 결과임을 참고하여 주시기 바랍니다. 

—---------------------------------------------------------------------------------------

Claude 3 Opus :

질문: 평균 관중수 추이 분석해주세요. 필요하면 차트도 그려서 설명

답변:

평균 관중수 추이를 분석해 보겠습니다. 데이터를 연도순으로 정렬하고, 평균 관중수의 변화를 살펴보면 다음과 같습니다.

이를 그래프로 나타내면 다음과 같습니다:

분석 결과:

  • 1930년대부터 1950년대까지 평균 관중수는 2-3만 명 수준이었습니다.
  • 1950년 브라질 월드컵에서 평균 관중수가 크게 증가한 후, 1960년대부터 1980년대 중반까지 4-5만 명 수준을 유지했습니다.
  • 1994년 미국 월드컵에서 평균 관중수가 약 69,000명으로 크게 증가했지만, 이후 다시 4-5만 명 수준으로 감소했습니다.
  • 2000년대 들어 평균 관중수는 소폭 증가하는 추세를 보이며, 2014년 브라질 월드컵에서는 약 53,600명을 기록했습니다.

전반적으로 평균 관중수는 1950년대 이후 꾸준히 증가해 왔으며, 1994년 미국 월드컵에서 정점을 찍은 후 다소 감소했지만, 최근 다시 증가 추세에 있습니다. 이는 월드컵의 인기와 규모가 지속적으로 성장해 왔음을 보여줍니다. 다만 개최국의 스타디움 규모, 경제 상황, 축구 인기도 등 다양한 요인에 따라 평균 관중수에는 등락이 있었던 것으로 보입니다.

GPT-4o

연도별 월드컵 평균 관중수 추이를 분석한 결과입니다. 아래 차트는 각 대회가 열린 연도에 따른 평균 관중수의 변화를 시각적으로 나타냅니다.

분석 결과 요약:

  • 1930-1960년대: 초기 월드컵 대회에서는 평균 관중수가 비교적 낮았으나, 1950년 브라질 월드컵에서 관중수가 급증한 것을 볼 수 있습니다.
  • 1970-1990년대: 이 시기 동안 평균 관중수는 지속적으로 증가했으며, 특히 1994년 미국 월드컵에서 가장 높은 관중수를 기록했습니다.
  • 2000년대 이후: 최근 월드컵 대회에서도 여전히 높은 관중수를 유지하고 있으며, 2014년 브라질 월드컵과 2010년 남아프리카 공화국 월드컵에서도 많은 관중이 경기를 관람했습니다.

이러한 추이는 월드컵의 인기가 지속적으로 증가하고 있으며, 전 세계적으로 많은 팬들이 경기를 관람하러 온다는 것을 보여줍니다. 추가적으로 궁금한 사항이나 다른 분석이 필요하시면 말씀해 주세요. ​​

—---------------------------------------------------------------------------------

Gemini Advanced (Gemini 1.5 Pro)

월드컵 개최 연도(Year)별 평균 관중 수(Average attendance)의 추이를 분석하고 시각화하여 보여드리겠습니다.

이미지로 표시된 차트



연도별 월드컵 평균 관중 수 추이를 나타내는 그래프를 보면, 대체로 시간이 지남에 따라 평균 관중 수가 증가하는 추세를 보입니다. 특히 1994년 미국 월드컵에서 크게 증가한 이후로 높은 수준을 유지하고 있습니다.

이는 월드컵이 전 세계적으로 인기를 얻으면서 더 많은 사람들이 경기장을 찾게 된 것으로 해석할 수 있습니다. 또한, 경기 수와 참가 팀 수의 증가 또한 평균 관중 수 증가에 영향을 미쳤을 가능성이 있습니다.

다만, 2002년 한일 월드컵에서는 평균 관중 수가 다소 감소하는 모습을 보였는데, 이는 개최국의 지리적 위치나 경기 시간 등이 현지 관중의 참여에 영향을 미쳤을 수 있습니다.

전반적으로 월드컵은 시간이 지남에 따라 더 많은 관중을 끌어모으는 스포츠 행사로 성장해왔으며, 이는 월드컵의 세계적인 인기와 위상을 반영한다고 볼 수 있습니다.

참고로 연도와 평균 관중 수 간의 상관계수는 0.708로, 비교적 강한 양의 상관관계를 나타냅니다. 즉, 연도가 증가함에 따라 평균 관중 수도 증가하는 경향이 통계적으로 유의미하다는 것을 의미합니다.

댓글

이 블로그의 인기 게시물

[Gemini Deep Research 200% 활용법] Gemini 활용 전문가 팁

  Gemini 활용 전문가 팁 Gemini Deep Research 200% 활용법 AI에게 '알아서' 리서치를 시키는 것을 넘어, '최고의 결과물'을 받아내는 2단계 프롬프트 전략 Google Gemini의 'Deep Research' 기능, 정말 강력하죠. 하지만 "어떻게 질문해야 이 기능을 제대로 쓸 수 있을까?" 고민해 본 적 없으신가요? 원하는 답변 대신 너무 광범위하거나 초점이 맞지 않는 결과를 받아보고 실망한 경험도 있으실 겁니다. 오늘은 이 고민을 한 번에 해결해 드릴, 정말 간단하면서도 강력한  ' 2단계 메타 프롬프팅'  전략을 소개합니다. 이 방법은 AI 전문가가 아닌 일반 사용자 누구나 따라 할 수 있으며, 여러분을 단순한 '질문자'에서 AI의 잠재력을 이끌어내는 '프로젝트 감독'으로 만들어 줄 것입니다. 핵심 아이디어는 이렇습니다. "최고의 리서치 프롬프트를 내가 직접 쓰는 대신,  Gemini에게 '최고의 프롬프트를 만들어달라'고 먼저 요청 하는 것" 입니다. AI가 자기 자신을 가장 잘 아는 원리를 이용하는 거죠! 2단계로 완성하는 '전문가급 리서치' 이제부터 딱 두 단계만 따라 해보세요. 놀라운 결과물을 얻게 될 겁니다. 1  프롬프트 '설계도' 요청하기 먼저, 우리가 어떤 정보를 원하는지 Gemini에게 알려주고, 그에 맞는 완벽한 'Deep Research 실행용 프롬프트'를 만들어달라고 요청합니다. 아래 템플릿을 복사해서 여러분의 주제에 맞게 내용을 채워보세요. # 페르소나 당신은 Google Gemini의 'Deep Research' 기능에 대해 완벽하게 이해하고 있는 최고의 프롬프트 엔지니어입니다. 당신의 임무는 사용자의 연구 목표를 기반으로, Deep Research 기능의 성능을 극한까지 끌어낼 수 있는 가장 효과적이고 정교한 ...

[알아두면 쓸모 있는 구글 문서 팁] 문서 공유시- 사용자 이름 대신에 익명의 동물이 표시 되는 이유와 동물 종류

구글 드라이브에는 다른 유사 서비스에서는 제공하지 않는 구글 만의 유니크한 기능들이 있다 구글 문서를  불특정 다수에게 전체 공개로 공유할 수 있습니다. 불특정인이 구글 문서에 접속한 경우 익명의 동물로 표시됩니다.  ' 웹에 공개' 또는 '링크가 있는 사용자' 공유 설정을 선택하면 인식할 수 없는 이름이나 익명의 동물이 표시될 수 있습니다. 파일에서 인식할 수 없는 이름을 볼 수 있는 몇 가지 이유는 다음과 같습니다. 메일링 리스트와 파일을 공유합니다. Google 계정이 없는 사용자와 파일을 공유하며, 그 사용자가 다른 사용자에게 공유 초대를 전달했습니다. 내 파일을 수정할 수 있는 누군가가 파일을 다른 사용자와 공유했습니다. 다른 사용자가 자신의 Google 계정 이름을 변경했습니다. 공유 설정 페이지에서 해당 사용자 이름 위로 마우스를 이동하여 이메일 주소를 확인하세요. 익명의 동물 다른 사용자에게 개별적으로 보기 또는 수정 권한을 부여하거나 메일링 리스트에 속해 있는 경우에만 사용자 이름이 표시됩니다. 파일 권한을 '링크가 있는 사용자'로 설정하면 파일을 보고 있는 사용자의 이름이 표시되지 않습니다. 대신 다른 사용자가 익명으로 라벨이 지정되어 표시되고 각 익명 사용자는 다양한 익명의 동물로 나열됩니다. 파일 권한을 '링크가 있는 사용자'로 설정했지만 특정 사용자와 파일을 공유하는 경우 파일을 공유한 사용자의 이름이 표시됩니다. 그 외 다른 사용자가 파일을 볼 때는 익명으로 나타납니다. 비공개 파일의 익명 동물 파일 권한을 '링크가 있는 사용자'로 설정한 다음 이를 '특정 사용자'로 변경하면 다음과 같은 경우 여러 익명의 동물이 표시될 수 있습니다. 누군가 파일을 여러 번 여는 경우에는 익명의 동물 목록에서 오래되고 연결이 끊긴 세션을 강제 종료하는 데 조금 시간이 걸릴 수 있습니다. 누군가 온...

[팁] Google Slide 프리젠테이션시 모든 한글폰트가 '굴림체' 로 바뀌는 현상을 해결한 크롬 확장 프로그램 소개

구글 문서도구인 구글 슬라이드를 이용하여 프리젠테이션을 많이 하는 분들을 위한 희소식 현재 구글 슬라이드에서는 슬라이드 편집시 사용한 고유 한글 폰트들은 프리젠테이션 모드로 전환할 경우는 모두 '굴림체' 로 바뀌어 표시가 되는 불편함이 있었습니다. 예). 슬라이드 편집에서 사용한 '궁서체' 한글 폰트는, 프리젠테이션 모드에서는 '굴림체'로 바뀌어 디스플레이됨 예). 슬라이드 편집 모드 - '궁서체' 폰트 사용 프리젠테이션 모드에서 '굴림체' 로 변경됨    따라서, 이러한 현상을 해결하는 크롬 확장 프로그램이 개발 되었습니다.  크롬 확장 프로그램 명 - ShowAsis 입니다. 크 롬 웹스토어 링크 -  https://goo.gl/PVPkZz 이 확장 프로그램을 사용하여 슬라이드 프리젠테이션을 하면, 편집 모드의 폰트 그대로 프리젠테이션시에도 그대로 한글 폰트로 디스플레이 됩니다. 단, 단점은 슬라이드가 애니메이션 슬라이드가 있는 경우는 애니메이션이 동작하지 않습니다. ----------------------- G Suite/Google Apps 전문 블로그 -  charlychoi.blogspot.kr 도서 '기업과 학교를 위한 구글크롬북'

[복잡한 프롬프트 엔지니어링은 이제 그만, 동료와 대화하듯 소통하세요]

AI와 자연스러운 대화법 프롬프트 엔지니어링은 이제 그만, 동료와 대화하듯 소통하세요 핵심 철학 AI는 복잡한 명령어가 필요한 기계가 아닙니다. 자연스러운 대화로 협업하는 지능적인 파트너입니다. 프롬프트 패러다임의 변화 초기 생성형 AI 시대 (2022-2023) 한계:  제한적 추론 능력, 정적 학습 데이터, 단순 패턴 매칭 결과:  복잡한 프롬프트 엔지니어링 기법 필수 Chain-of-Thought   Few-shot Learning   Role Playing 현재 AI 시대 (2024-2025) 발전:  강화된 추론 능력, 실시간 웹 검색, 심층 리서치 결과:  자연스러운 대화만으로 충분한 성능 실시간 검색   고도화된 추론   맥락 이해 🔄 패러다임 전환의 핵심 AI의 능력이 향상되면서  "사용자가 AI에 맞춰야 하는 시대" 에서  "AI가 사용자에게 맞춰주는 시대" 로 변화했습니다. 1 맥락 제공하기 동료에게 업무를 요청할 때처럼, 상황과 배경을 자연스럽게 설명해주세요. "고객 발표용 자료를 만들어야 하는데, 비전문가들이 이해하기 쉽게 설명하고 싶어요." 2 단계적 대화 한 번에 완벽한 결과를 기대하지 말고, 대화를 통해 점진적으로 발전시켜나가세요. "먼저 전체 구조부터 잡아볼까요? 그다음에 세부 내용을 채워넣죠." 3 명확한 의도 표현 복잡한 구조 대신, 왜 이것이 필요한지 목적을 솔직하게 말해주세요. "팀 회의에서 사용할 건데, 논점을 명확하게 정리하고 싶어요." 4 자연스러운 피드백 마음에 들지 않는 부분이 있으면 편하게 수정을 요청하세요. 협업의 일부입니다. "이 부분은 좀 더 구체적으로 설명해줄 수 있을까요? 예시도 넣어주시고요." Before vs After 복잡한 프롬프트 엔지니어링 당신은 10년 이상의 경험을 가진 마케팅 전문가로서 행동하세요. AIDA 프레임워크를 사용하여 포괄적인 마케팅 전략을 수립하세요. 다음을 포함하세요: ...

정보 과잉 시대의 필수 스킬: Deep Research 잘하는 법 (SCOPE 프레임워크 활용)

  정보 과잉 시대의 필수 스킬: Deep Research 잘하는 법 (SCOPE 프레임워크 활용) 영희:  철수 박사님, 안녕하세요! 평소 생성형 AI나 검색형 AI에 관심이 많았는데, 최근에 'Deep Research'라는 개념이 새롭게 떠오르는 것 같더라고요. 박사님은 이 분야 전문가시니, 제가 Deep Research에 대해 좀 자세히 배울 수 있을까요? 철수:  안녕하세요, 영희 씨! 물론입니다. Deep Research는 기존의 AI 검색 방식과는 차원이 다른 심층적인 정보 탐색 및 분석 능력을 의미합니다. 마치 관광 여행과 현지 생활의 차이처럼 생각하시면 이해하기 쉬울 거예요. 일반 AI가 유명 관광지를 빠르게 둘러보는 패키지여행과 같다면, Deep Research는 그 지역에서 몇 달간 살아보며 현지 문화를 깊이 이해하는 경험과 비슷합니다. 영희:  아, 비유가 정말 와닿네요! 그럼 일반 AI와 Deep Research는 구체적으로 어떻게 다른 건가요? 철수:  핵심적인 차이점은 정보를 다루는 깊이와 방식에 있습니다. 일반 AI는 주로 학습된 데이터나 제한적인 검색 결과에 의존하여 즉각적인 답변을 제공하는 반면, Deep Research 에이전트는 자율적으로 다양한 출처를 탐색하고, 여러 단계의 심층적인 조사를 수행합니다. 예를 들어, 일반 AI에게 "비트코인 가격에 영향을 미치는 요인은 무엇인가요?"라고 질문하면, 학습된 데이터를 바탕으로 일반적인 요인들, 예를 들어 공급과 수요, 규제 환경 등을 나열하는 수준의 답변을 얻을 수 있습니다. 하지만 Deep Research 에이전트에게 "2018년부터 현재까지 비트코인 가격과 미국 금리 변동의 상관관계를 분석해주세요. 특히 금리 인상/인하 결정 발표 전후 비트코인 가격 변동 패턴, 시차 효과, 그리고 이 관계가 시간에 따라 어떻게 변화했는지 패턴화해주세요."와 같이 구체적인 질문을 던지면, Deep Research 가 스스로 자료를 조사하고 보기 ...