대형 의료 센터 내에서 대규모 언어 모델을 시범 운영하고 배포하면서, 벤치마크 기반 평가는 임상의가 주도하는 상호작용을 모니터링하고 평가하는 데 불충분하며, 이를 위해서는 성능 모니터링을 위한 새로운 방법이 필요하다는 것을 배웠습니다.