Apa itu Pola pada Prompt?

Pada kelas AI Praktis untuk Produktivitas , kita telah mengenal prompt engineering sebagai keterampilan merancang prompt yang dapat memandu model Generative AI menghasilkan respons yang diinginkan.

Dalam prosesnya, kita telah memahami bahwa cara terbaik untuk merancang prompt adalah dengan membuatnya menggunakan sebuah struktur informasi.

Namun, ada kalanya kami merasa kesulitan atau bingung dalam mengisi informasi setiap elemen dalam struktur. Oleh karena itu, pada modul ini akan membahas berbagai pola dalam prompt engineering yang dapat digunakan sebagai alternatif dari pembuatan prompt dengan Struktur.

Sebelum membahas lebih dalam, apa yang terlintas di benak Anda ketika mendengar istilah “pola”?

Mungkin yang langsung terlintas di benak kita adalah pola busana seperti motif batik, pola ritme dalam musik, pola pikir, atau pola pengembangan aplikasi ( design pattern ). Tentu saja, masih banyak lagi pola-pola yang dapat kita kenali dalam berbagai aspek kehidupan.

Dengan banyaknya contoh pola yang dapat terpikirkan, lalu, apa itu pola? Pola adalah suatu bentuk yang memiliki keteraturan serta pedoman atau acuan dalam pembuatannya. Berbeda dengan template , pola dapat dianalogikan seperti “resep” yang memberikan panduan umum untuk membuat sesuatu, sedangkan template dapat diibaratkan “cetakan kue” yang sudah memiliki bentuk tertentu dan siap digunakan.

Nah, dalam konteks prompt engineering, pola adalah panduan untuk menyusun prompt dengan mempertimbangkan cara kerja model Generative AI . Dengan demikian, penerapan pola dalam pembuatan prompt dapat meningkatkan peluang model menghasilkan respon yang kita inginkan sehingga mengurangi proses berulang untuk memperbaiki prompt.

Penting untuk diingat bahwa meskipun kita akan mengenal berbagai teknik pola prompt , tidak berarti semua pola harus digunakan di setiap kesempatan. Kita dapat menggunakan satu pola atau mengombinasikannya dengan pola lain, semua tergantung dari tugas yang ingin kita selesaikan.

Pada dasarnya, pemahaman tentang berbagai pola dalam prompt engineering bertujuan membantu kita mengeksplorasi beragam pendekatan efektif yang dapat diterapkan untuk menyelesaikan tugas menggunakan model Generative AI .

Apakah Anda sudah siap memulai perjalanan untuk mengenal berbagai pola dalam prompt engineering? Yuk, kita lanjutkan ke materi berikutnya!

Pengantar Pola Dasar Teknik Cepat

Mari kita memulai perjalanan pembelajaran dengan mengenal berbagai pola dasar dalam prompt engineering. Terdapat beberapa pola dasar yang dapat kita gunakan sebagai fondasi dalam membuat sebuah prompt sehingga memungkinkan kita berinteraksi dengan model Generative AI secara efektif. Apa saja itu? Yuk , langsung kita bahas.

Pola Dasar: Persona

Dikutip dari KBBI, persona adalah ciri khas seseorang atau hal yang identik dengan pribadi orang tersebut. Dalam konteks prompt engineering, pola persona digunakan untuk membantu model Generative AI menyesuaikan respons seperti layaknya dari sudut pandang sebuah “persona”.

Gambar dibuat menggunakan AI image generator DALL-E dengan prompt: “Buat ilustrasi berbagai persona profesi yang dapat diperankan oleh model Generative AI”

Model Generative AI dibor menggunakan data dalam jumlah yang sangat banyak. Data tersebut bisa berasal dari berbagai sumber, seperti buku, jurnal ilmiah, informasi di web, dan masih banyak lagi. Dalam proses memahami korelasi antar data, model mulai mengenali bahwa suatu topik dapat memiliki inti pesan yang sama, tetapi disampaikan dengan cara yang berbeda tergantung pada sumbernya.

Misalnya, penjelasan suatu sintaks pemrograman pada dokumentasi resmi dibuat oleh seorang pengembang perangkat lunak dengan tujuan menjelaskan secara teknis dan mendalam. Sebaliknya, seorang guru di kelas membuat penjelasannya dengan pendekatan yang lebih praktis agar mudah dipahami oleh siswa.

Dengan proses pelatihan berbasis beragam data, model Generative AI memiliki kinerja yang tinggi dalam menghasilkan respons. Hal ini memungkinkan munculnya pola persona .

Pola persona membantu model Generative AI memberikan konteks serta batasan interpretasi sehingga respon yang dihasilkan lebih relevan dan spesifik karena menyesuaikan dengan sudut pandang persona yang diberikan pada prompt .

Mari kita lihat contoh berikut.

Katakanlah kita adalah seorang guru yang ingin mengetahui tips menjaga kesehatan tubuh manusia. Berdasarkan situasi tersebut, mari kita telaah model respon AI Generatif berikut.

Apakah Anda dapat mengetahui letak kekurangannya?

Ya betul! Model Generative AI memberikan tips umum, seperti pola makan seimbang, olahraga rutin, istirahat yang cukup, dan seterusnya. Meski informasinya benar, namun respon tersebut kurang relevan dengan situasi kita sebagai seorang tenaga pendidik.

Nah, pola persona di dalamnya bisa menjadi solusi. Pola ini dibuat dengan menambahkan seseorang pada prompt . Mari kita ubah prompt sebelumnya dengan menggunakan pola persona.

Dapat dilihat, model respon Generatif AI kini meniru jawaban dari sudut pandang persona yang kami berikan. Seorang guru sekolah dasar menjawabnya seolah-olah sedang menjelaskannya kepada siswa, seorang dokter mata menjawabnya dengan tekanan pada kesehatan mata, lalu seorang pengembang perangkat lunak senior lebih menekan untuk mulai bergerak walaupun sedikit.

Mantap! Pola persona akan menjadi pola dasar yang sering kita gunakan. Selanjutnya, kita akan mempelajari pola kebalikan dari pola persona, yaitu pola audiens persona. Sampai jumpa di materi selanjutnya!

Pola Dasar: Persona Audiens

Pola persona audiens adalah kebalikan dari pola persona. Alih-alih memberikan persona untuk ditiru, pola ini membantu model Generative AI menentukan target audiensnya. Dengan begitu, respon yang dihasilkan dapat disesuaikan dengan sudut pandang dan tingkat pemahaman audiens terkait topik yang dibahas. Mari kita lihat contoh berikut.

Contoh:

Misalnya, kita ingin menjelaskan tentang apa itu algoritma ke anak berusia 5 tahun. Berdasarkan situasi tersebut, mari kita telaah model respons AI Generatif berikut.

Apakah respon ini bisa kita gunakan untuk menjelaskan algoritma kepada anak berusia 5 tahun?

Tentu saja tidak! Penjelasan tersebut menggunakan tata bahasa dan istilah-istilah yang mungkin belum dapat dipahami oleh anak-anak pada usia tersebut.

Nah, menyembunyikan pola audiensi adalah persona yang berguna. Pola audiens persona dibuat dengan memberikan informasi target audiens secara cepat . Mari kita ubah prompt sebelumnya dengan menggunakan pola audiens persona.

Mantap! Kini model Generative AI memberikan respon yang lebih relevan dan sekiranya dapat dipahami oleh anak-anak berusia 5 tahun.

Pola Dasar: Beberapa foto

Model Generative AI memproses isi prompt secara keseluruhan untuk memahami tugas yang diberikan.

Dalam prosesnya, kita dapat meningkatkan peluang model Generative AI menghasilkan respons yang diinginkan dengan memberikan beberapa contoh pasangan masukan dan keluaran (shots) kepada model sebelum meminta respons keluaran dari masukan baru.

Model Generative AI kemudian menjadikan hal tersebut sebagai panduan agar responsnya menyesuaikan contoh yang telah diberikan.

Nah, inilah yang menjadi gagasan dari pola beberapa gambar. Pola ini sangat berguna, terutama untuk tugas-tugas yang membutuhkan hasil dengan format tertentu, seperti ekstraksi informasi atau pembuatan konten dengan struktur khusus.

Mari kita lihat contoh berikut.

Katakanlah kami memiliki beberapa judul artikel berita yang ingin kami tampilkan dalam sebuah aplikasi atau layanan. Selain menampilkan judul kepada pembaca, kami juga ingin mengetahui topik utama yang disebutkan dalam judul tersebut.

Misalnya, untuk judul “Inovasi Terbaru: Penggunaan Robotik di Bidang Keamanan”, kami ingin agar model mengekstrak “Robotik” sebagai topik bahasa pemrogramannya.

Berdasarkan situasi tersebut, marilah kita telaah respon model Generatif AI berikut.

Apakah hasilnya sudah sesuai dengan yang kita inginkan?

Betul, tentu saja belum! Dari tiga percobaan yang dilakukan, respon model Generative AI masih jauh dari apa yang kita inginkan. Hal ini sangat wajar karena model tidak diberikan perintah yang jelas terkait yang perlu ia lakukan. Ingat, model tidak dapat membaca pikiran kita!

Nah, dalam situasi seperti inilah kita bisa memanfaatkan pola beberapa tembakan. Pola beberapa-shot dibuat dengan menambahkan dua hal, yaitu label deskriptif dan beberapa contoh (shot). Mari kita ubah prompt sebelumnya dengan menambahkan dua hal tersebut secara bertahap.

Langkah 1: Menambahkan Label Deskriptif

Langkah pertama adalah menambahkan label yang deskriptif pada contoh di dalam prompt . Label yang jelas membantu model memahami tugas dengan lebih baik. Mari tambahkan label “Teknologi” ke dalam prompt.

Apakah hasilnya sudah sesuai? Sayangnya belum. Respons model masih belum memenuhi keinginan kita karena model belum diberikan contoh yang cukup untuk memahaminya.

Langkah 2: Menambahkan Beberapa Contoh (shots)

Pola beberapa gambar biasanya memberikan 2–5 contoh agar model Generatif AI dapat memahami tugas yang diminta. Oleh karena itu, mari tambahkan beberapa contoh pasangan masukan dan keluaran ke dalam prompt .

Mantap! Respons model Generative AI kini telah sesuai dengan yang kita inginkan, yaitu hanya mengekstrak topik dari judul yang diberikan.

Lebih lanjut, penting juga untuk memastikan bahwa kami telah menyediakan contoh yang beragam dalam pembuatan pola beberapa gambar. Hal ini untuk menghindari model Generative AI menghasilkan respon yang tidak diinginkan ketika menerima masukan yang berbeda dari contoh. Mari lihat contoh berikut.

Dapat kita lihat bahwa model AI Generatif dapat menjawab dua teknologi yang berkaitan dengan artikel yang dituju.

Horor! Kini respons model Generative AI semakin konsisten dan sesuai harapan, baik untuk artikel dengan satu bahasa pemrograman, dua bahasa pemrograman, maupun yang tidak menyebutkan bahasa pemrograman secara eksplisit.

Pola Dasar: Rantai Pemikiran

Perhatikan prompt di bawah ini.

Lalu, bandingkan dengan prompt di bawah ini.

Apakah Anda menangkap perbedaannya? Yap, sekali sekali! Kita menambahkan kalimat “Kerjakan proses ini secara bertahap” dan mendapatkan prompt yang sangat detail dibandingkan yang pertama.

Apakah Anda bertanya-tanya mengapa menambahkan prompt “Kerjakan proses ini secara bertahap” bisa mengubah hasil dari yang semula salah menjadi benar? Tenang, prompt tersebut bukanlah semacam kode rahasia yang secara ajaib dapat membuat model Generative AI selalu memberikan jawaban yang benar.

Menurut penelitian , model Generative AI terbukti lebih akurat ketika diminta untuk menghasilkan jawaban akhir dengan memprosesnya secara bertahap dibandingkan dengan diminta langsung menghasilkan jawaban akhir secara keseluruhan.

Kita dapat meminta model Generative AI untuk menghasilkan jawaban akhir secara bertahap dengan dua cara, yaitu:

Meminta AI menjabarkan proses pengerjaannya secara bertahap (seperti pada studi kasus sebelumnya).
Memberikan contoh instruksi untuk mencapai hasil yang diinginkan.

Nah, pendekatan yang memberikan contoh proses untuk mencapai hasil disebut dengan pola rantai pemikiran.

Pola some-shot dan chain-of-thinking memiliki cara yang mirip, yaitu memandu model menghasilkan respons melalui contoh. Perbedaannya, beberapa-shot hanya menyediakan contoh, sedangkan rantai pemikiran lebih detail. Jadi, selain memberikan contoh, pada pola pikir rantai, kami juga menambahkan langkah-langkah untuk memandu model menyelesaikan tugas.

Dengan memberikan contoh dan langkah-langkah yang jelas, pola pemikiran rantai mampu meningkatkan peluang model Generative AI menghasilkan respons yang lebih akurat, terutama pada tugas-tugas yang kompleks dalam pengerjaannya.

Mari kita lihat contoh berikut.

Misalnya, kita ingin mengetahui hari dari suatu tanggal tertentu. Berdasarkan situasi tersebut, mari kita telaah model respon AI Generatif berikut.

Dari responnya, model Generative AI tidak dapat menentukan hari untuk tanggal yang diberikan. Ini dapat terjadi jika model diminta untuk langsung merespons.

Nah, pola rantai pemikiran yang mendalam dapat membantu. Pola rantai pemikiran dibuat dengan memberikan contoh sepanjang tahapan-tahapan pengerjaan untuk menghasilkan hasil akhir. Dengan demikian, model dapat meniru proses yang dicontohkan untuk menghasilkan jawaban yang lebih akurat.

Mari kita ubah prompt sebelumnya dengan menggunakan pola rantai pemikiran.

Horor! Kini model Generative AI mampu memberikan respon yang akurat. Model dapat menjawab hari dari suatu tanggal dengan benar menggunakan langkah-langkah yang telah kami jabarkan.

Tenang! Jangan fokus pada algoritma yang digunakan, perhatikan bagaimana AI Generatif merespons prompt yang diberikan. Dengan perintah yang lebih jelas dan detail, AI berhasil memberikan jawaban dengan lebih terstruktur.

Pola Dasar: ReAct

AI Generatif adalah teknologi yang dikembangkan berdasarkan data yang dia pelajari di masa lampau. Ada satu kekurangan yang perlu diketahui, yakni adanya cut-off date pada data masa lampau yang model AIpelajari Generatif. Artinya, AI hanya mengetahui hal-hal tertentu hanya dalam rentang waktu tertentu saja berdasarkan data yang ia pelajari.

Namun, mungkin Anda bertanya, “Kalau begitu, bagaimana model bisa menjawab pertanyaan tentang hal yang tampaknya baru seperti cuaca hari ini?” Sebenarnya model Generative AI bukanlah seorang peramal, melainkan beberapa aplikasi AI tersebut sudah “dihubungkan” dengan layanan lain, salah satunya adalah aplikasi cuaca.

Jadi, ketika kita menanyakan cuaca hari ini, model Generative AI akan secara internal memproses prompt dan menggunakan alat eksternal (seperti aplikasi/API cuaca) untuk mengambil data terkini. Data tersebut kemudian diolah oleh model, lalu dijadikan dasar dalam memberikan respon.

Nah, sebagai pengguna model Generative AI , kita dapat melatih model untuk memanfaatkan alat eksternal dalam proses menghasilkan responsnya, yaitu dengan menggunakan pola prompt engineering yang disebut pola ReAct.

Pola ReAct adalah pengembangan lanjutan dari pola rantai pemikiran. Selain membimbing model menghasilkan respon melalui contoh dan proses secara bertahap, kami juga membimbing model untuk mengambil tindakan (action) mengakses alat eksternal jika membutuhkan informasi yang tidak dimiliki oleh model.

Alih-alih hanya memberikan jawaban akhir menggunakan asumsi, pola ReAct meminta model Generative AI mengakses tools eksternal untuk mendapatkan informasi yang dibutuhkan sebelum menghasilkan respons (misalnya, mencari dan mengambil data dari situs web, menonton video, atau mengambil data dari API). Dengan ini, model mampu memberikan respon yang lebih akurat.

Mari kita lihat contoh berikut.

Katakanlah kita ingin mengetahui perkiraan jumlah rumah yang harus ada di Jepang agar seluruh penduduknya memiliki rumah. Berdasarkan situasi tersebut, marilah kita telaah respon model Generatif AI berikut.

Apakah Anda dapat mengetahui letak kekurangannya?

Ya betul! Model Generative AI merespons dengan memberikan hasil akhir yang menggunakan nilai asumsi. Hal ini karena model tidak mengetahui data terbaru yang dibutuhkan untuk mengerjakan tugas ini sehingga hanya menggunakan data yang ia ketahui dari data pelatihan model.

Sebagai pengguna, meskipun proses pengerjaan yang dilakukan model benar, tetapi tentu kita ingin mendapatkan nilai estimasi yang lebih akurat dengan menggunakan data terbaru dan relevan jika tersedia.

Nah, di balik pola ReAct dapat berguna. Pola ReAct dibuat dengan memberikan contoh yang masing-masingnya terdiri dari tiga bagian, yaitu:

Pemikiran (Pemikiran): Tahapan pengerjaan yang perlu dilakukan berdasarkan pertanyaan dan informasi yang dimiliki model.
Tindakan (Action): Hal yang perlu dilakukan untuk mendukung tahapan pengerjaan.
Hasil (Observasi): Informasi yang diperoleh dari tindakan tersebut yang kemudian digunakan model untuk memberikan respons akhir.

Mari kita ubah prompt sebelumnya dengan menggunakan pola ReAct.

Berikut hasil respons dari model AI Generatif .

Horor! Kini model AI Generatif mampu memberikan respon yang lebih akurat. Selain mengikuti langkah-langkah yang kami jabarkan, model juga mengintegrasikan proses penalarannya menggunakan data terbaru yang diambil dari sumber eksternal.

Lebih lanjutnya, model AI Generatif seperti Gemini memiliki integrasi dengan tools eksternal yang dapat melakukan browsing sehingga dapat mengekstrak informasi dari web. Penting untuk diingat bahwa kita tidak bisa serta-merta menggunakan pola ReAct untuk mengakses semua alat eksternal yang ada. Hal ini karena beberapa integrasi produk Generative AI dengan tools eksternal yang masih terbatas.

Pemahaman tentang pola ReAct dapat sangat berguna jika kita ingin mengembangkan aplikasi yang terintegrasi dengan model Generative AI . Dengan pola ReAct, kami dapat mengembangkan aplikasi cerdas yang mampu menerima masukan pengguna lalu memberikan respons yang akurat dan relevan meskipun informasi yang diminta berada di luar cakupan model pengetahuan.

penutup

Selamat! Kita telah mempelajari berbagai pola dasar dalam prompt engineering. Kita dapat menggunakan pola-pola ini sebagai fondasi dalam membuat sebuah prompt sehingga memungkinkan untuk berinteraksi dengan model Generative AI secara efektif.

Pada materi selanjutnya, kita akan membahas adaptive prompting, yaitu beberapa cara untuk menyempurnakan prompt sehingga dapat menghasilkan model respon yang lebih tepat sasaran. Sampai jumpa di materi berikutnya!

Bersambung ke:

Search This Blog

Full-Stack Web Developer