Berbagai Pola untuk Memastikan Konsistensi Hasil

Respons model Generative AI bisa bervariasi setiap kali dijalankan, meskipun menggunakan prompt dan model yang sama. Namun, ada kondisi tertentu yang menuntut agar hasilnya konsisten, terutama ketika harus mengikuti aturan atau pedoman tertentu.

Lalu, bagaimana cara membuat jawaban model Generative AI tetap konsisten? Ada beberapa pola dalam merancang prompt yang bisa membantu memastikan hasil yang seragam. Apa saja pola-pola tersebut? Yuk, kita bahas!

Pola Konsistensi Hasil: Tail Generation

Salah satu hal yang mengesankan dari model Generative AI adalah kemampuan memahami aturan yang kita tetapkan dalam prompt . Selama berinteraksi dengan model, ia akan menyesuaikan responsnya dengan aturan tersebut.

Namun, model AI Generatif sering kali melupakan aturan yang telah ditetapkan seiring interaksi yang terjadi. Hal ini tentu dapat mengakibatkan respon yang tidak sesuai dengan harapan.

Mari kita lihat contoh berikut.

Katakanlah Anda ingin membuat menu makan siang yang sehat dan mengedepankan pengurangan gula dan garam di setiap menu-nya. Di akhir, setiap kita bertanya pada model Generative AI tentang menu makanan, selalu menekankan pentingnya mengurangi gula dan garam yang berlebihan.

Berdasarkan situasi tersebut, lihatlah model respons berikut.

Pada pertanyaan pertama, terlihat bahwa model mengikuti aturan yang telah kami berikan. Responsnya memberi penekanan pentingnya memilih bumbu alami untuk menekan gula dan garam yang berlebihan. Namun, apakah responnya dapat tetap konsisten pada pertanyaan-pertanyaan berikutnya?

Pertanyaan ke-2: “Apa perbedaan mengonsumsi sayuran dan daging dalam menu sehat?”

Pertanyaan ke-3: “Apakah diet dengan hanya makan daging adalah yang paling populer di tahun 2025?”

Dari gambar di atas, dapat kita lihat bahwa pada pertanyaan kedua model masih mematuhi aturan. Akan tetapi, model Generative AI sudah kehilangan konsistensinya pada pertanyaan ketiga.

Nah, di balik pola tail generation dapat membantu. Pembuatan pola ekor dibuat dengan langkah berikut.

Memberikan peraturan yang harus dipatuhi model selama menghasilkan respon.
Meminta model untuk selalu mengakhiri responsnya dengan mengulangi aturan yang telah kami tetapkan.

Dengan cara ini, model akan selalu mengingat aturan yang telah kita buat, meskipun proses interaksi tersebut telah berlangsung cukup lama. Selain itu, pola ini juga membuat kita tidak perlu menuliskan ulang aturan yang ada pada prompt berikutnya.

Mari kita ubah prompt sebelumnya dengan pola tail generation.

Dapat kita lihat bahwa model Generative AI dapat mengikuti aturan yang telah kami berikan. Selain itu, model juga menyebutkan ulang aturan yang kami berikan. Nah, sekarang mari kita uji konsistensi model dalam mengikuti aturan untuk pertanyaan-pertanyaan berikutnya.

Pertanyaan ke-2: “Apa perbedaan mengonsumsi sayuran dan daging dalam menu sehat?”

Pertanyaan ke-3: “Apakah diet dengan hanya makan daging adalah yang paling populer di tahun 2025?”

Berbeda dengan percobaan sebelumnya ketika model mulai kehilangan konsistensi aturan pada percobaan ketiga, kini model dapat selalu konsisten dalam menghasilkan respons sesuai dengan aturan yang kita tetapkan di awal.

Pola Konsistensi Hasil: Pola Template

Ada kalanya kita ingin respon model Generative AI selalu konsisten menghasilkan hasil yang terstruktur. Misalnya, Anda ingin membuat daftar belanja mingguan yang dapat di-import ke alat mana pun, misalnya Google Docs.

Mari kita lihat contoh berikut.

Katakanlah kita ingin membuat daftar belanja mingguan dengan format yang konsisten dan konsisten, seperti di bawah ini.

Hari: …
Menu Utama: …
Bahan: …
Catatan: …

Berdasarkan situasi tersebut, mari kita perhatikan model respons berikut.

percobaan ke-1

Percobaan ke-2 dan seterusnya (Asumsi meminta data secara terus menerus)

Pada percobaan pertama dan kedua, kita bisa melihat respon model Generative AI yang sesuai seperti yang diharapkan. Tapi, jika Anda mengulangi perintah untuk menambahkan dummy secara terus menerus, akan ada kecenderungan data tersebut pada akhirnya keluar dari yang diharapkan di awal.

Terdapat dua masalah dari respon model Generative AI dengan prompt yang kami berikan, yakni kesalahan pemrosesan proses dan inkonsistensi hasil.

Nah, dalam keadaan seperti inilah pola template dapat digunakan. Pola template dibuat dengan cara berikut.

Menggunakan delimiter dengan label yang dapat membantu model memahami keinginan kita.
Menggunakan pola tail generation untuk memastikan konsistensi model respons.

Anda mungkin bertanya, apa pembatas itu? Delimiter adalah tanda yang kita gunakan untuk membedakan atau menandai bagian tertentu di dalam prompt .

Pembatas dapat berupa tanda apa saja, misalnya tanda kurung sudut (<...>), kurung siku ([...]), tanda petik dua ("..."), atau tanda khusus lainnya.

Tujuan dari delimiter adalah agar model Generative AI dapat mengidentifikasi bagian di dalam delimiter, lalu memproses informasi/perintah tersebut secara terpisah. Akibatnya, bagian itu tidak dianggap sebagai teks biasa, melainkan instruksi tambahan yang perlu diikuti sebagai bagian dari instruksi utama.

Mari kita ubah prompt sebelumnya dengan pola template.

Dapat kita lihat bahwa respon model Generative AI kini sesuai dengan format yang kita inginkan.

Sekarang, mari kita lihat konsistensi hasilnya dengan meminta model Generative AI untuk memberikan data pengguna dummy lagi pada interaksi berikutnya.

Horor! Dari berbagai percobaan yang telah dilakukan, dapat dilihat bahwa model respons AI Generatif tetap konsisten menjawab sesuai dengan harapan kita.

penutup

Selamat! Kita telah mempelajari berbagai pola pembuatan prompt yang dapat digunakan untuk memastikan model Generative AI tetap konsisten menghasilkan respons di setiap percobaan. Pola-pola ini sangat berguna, terutama pada situasi ketika model perlu selalu mematuhi aturan tertentu yang telah ditetapkan sebelum memberikan respons.

Pada materi selanjutnya, kita akan membahas mengenai iterative prompt development, yaitu pola pikir yang harus dimiliki oleh seorang prompt engineer dalam merancang prompt yang ia buat. Yuk, lebih lanjut!

Iterative Prompt Development

Ada kalanya kita ingin menyelesaikan tugas yang kompleks, tetapi satu pola prompt saja tidak cukup untuk membuat model Generative AI menghasilkan respons yang diinginkan.

Daripada hanya berfokus pada pola yang digunakan, penting untuk diingat bahwa prompt engineering bukanlah solusi ajaib yang dapat langsung membuat model Generative AI memberikan respons sesuai harapan dalam satu kali percobaan. Sebaliknya, sering juga kita perlu membimbing model secara bertahap agar menghasilkan respons yang sesuai. Inilah yang menjadi gagasan dari iterative prompt development.

Iterative prompt development adalah suatu mindset yang harus dimiliki oleh seorang prompt engineer. Pada dasarnya sebuah prompt tidak harus selalu bersifat final dalam satu kali percobaan, melainkan senantiasa dapat disempurnakan secara iteratif.

Dalam praktiknya, jarang ada prompt yang langsung sempurna pada percobaan pertama. Oleh karena itu, proses iteratif dalam menyempurnakan prompt memungkinkan kita untuk mendapatkan respons yang semakin sesuai dengan kebutuhan.

Lalu, apa yang dimaksud dengan proses iteratif? Proses iteratif dalam konteks ini mengacu pada pembuatan dan penyesuaian prompt secara berulang (iteratif) melalui observasi respons dari model Generative AI.

Pertama, kita mulai dengan ide awal dari pertanyaan, kemudian menyusunnya menjadi sebuah prompt. Setelah itu, kita melihat hasil yang diberikan oleh model, menganalisis responsnya, lalu menyempurnakan prompt jika hasilnya belum sesuai keinginan.

Penyempurnaan prompt bisa berupa revisi pada prompt awal atau memberikan feedback kepada model Generative AI pada interaksi berikutnya. Pada feedback, kita jelaskan kepada model mengenai apa saja yang perlu diperbaiki dari respons yang ia hasilkan.

Setelah itu, proses pembuatan prompt dapat terus diulang (iteratif) hingga dirasa prompt dapat membuat model Generative AI menghasilkan respons yang sesuai dengan kebutuhan kita.

Mari kita ilustrasikan dengan kondisi berikut.

Katakanlah Anda ingin meminta AI untuk membuat rencana menu makan malam untuk satu minggu.

Berdasarkan situasi tersebut, mari kita lihat respons model Generative AI berikut.

Dari response model Generative AI, sekilas tidak ada kesalahan sama sekali. Tapi bagaimana jika kita ingin menerapkan hidup sehat dengan mempertimbangkan keseimbangan gizinya? Mari kita coba berikan perintah lanjutan!

Keren! Model Generative AI berhasil membuat menu makan malam yang menyeimbangkan nilai gizi. Kita masih bisa meningkatkan respons dari model Generative AI, misalnya menambahkan jenis makanan yang harus dibatasi.

Katakanlah Anda alergi dengan ikan, sehingga kita perlu mengubah prompt-nya.

Hore! Kita telah berhasil membuat menu makanan sehat dan bergizi sesuai dengan kebutuhan kita. Penting untuk diingat, proses yang kita lakukan ini sebenarnya bisa saja didefinisikan sejak awal. Namun, sangat jarang sebuah kebutuhan kompleks dapat dirangkum sepenuhnya dalam prompt awal.

Oleh karena itu, proses yang lebih alami adalah dengan melakukan iterative prompt development, yaitu menyesuaikan prompt berdasarkan observasi terhadap respons model Generative AI.

Penutup

Kita sebenarnya telah melihat proses iterative prompt development di beberapa materi sebelumnya dalam modul ini. Contohnya adalah pola flipped interaction ketika kita berinteraksi secara berulang dengan model untuk mencapai hasil yang diinginkan.

Sebagai seorang prompt engineer, peganglah mindset iterative prompt development dalam merancang sebuah prompt untuk model Generative AI. Dengan mindset ini, kita dapat memanfaatkan model secara optimal, mulai dari tugas sederhana hingga tugas yang kompleks.

Tetap semangat, dan sampai jumpa di modul berikutnya!

Bersambung ke:

Rangkuman Berbagai Pola dalam Prompt Engineering

Bersambung ke:

Search This Blog

Full-Stack Web Developer