Pengantar Adaptive Prompting

Kita semua tahu bahwa prompt yang baik adalah prompt yang jelas dan mudah dimengerti oleh model Generative AI. Masalahnya, meskipun kita merasa sudah membuat prompt dengan baik, sering kali respons model masih belum sesuai dengan yang diharapkan.

Oleh karena itu, penting bagi kita untuk menyempurnakan prompt agar model Generative AI dapat benar-benar memahami objektif yang diberikan.

Lalu, bagaimana cara membuat prompt yang benar-benar dapat dimengerti oleh model Generative AI? Salah satu caranya adalah dengan berinteraksi langsung dan membimbing model menuju hasil yang diinginkan. Nah, inilah gagasan utama di balik adaptive prompting.

Adaptive prompting mencakup berbagai cara yang bisa kita gunakan untuk menyempurnakan prompt sehingga respons model menjadi lebih tepat sasaran. Apa saja caranya? Yuk, langsung kita bahas!

Adaptive Prompting: Pola Question Refinement

Pernahkah Anda bertanya kepada model Generative AI mengenai suatu hal yang belum Anda pahami? Ada kalanya kita sudah menanyakan hal tersebut, tetapi tidak mendapatkan hasil yang diinginkan.

Terdapat beragam faktor yang menyebabkan hal tersebut terjadi. Salah satunya adalah saat bertanya, kita mungkin hanya memiliki gambaran samar tentang hal yang ingin dicapai. Secara implisit, kita sadar bahwa pertanyaan yang kita buat didasarkan pada pengetahuan yang terbatas mengenai topik tersebut.

Alhasil, model Generative AI menghasilkan respons yang tidak sesuai dengan yang kita inginkan. Hal ini karena pertanyaan yang diajukan mungkin tidak tepat atau kurang lengkap sehingga model kekurangan informasi penting yang seharusnya membantu memberikan jawaban yang lebih relevan.

Bayangkan saat pertama kali kita membeli laptop. Apakah saat itu kita tahu pertanyaan apa saja yang perlu diajukan saat membeli laptop? Tentu tidak, bukan?

Biasanya, kita akan bertanya kepada saudara atau teman yang lebih berpengalaman mengenai laptop dengan pertanyaan seperti, “Apa saja yang perlu diperhatikan saat membeli laptop?” Hal itu karena mereka lebih berpengalaman sehingga tahu apa saja yang perlu diperhatikan. Nah, inilah ide dari pola question refinement.

Pola question refinement memanfaatkan pengetahuan model Generative AI dengan meminta model memperbaiki atau menyempurnakan pertanyaan kita terlebih dahulu jika diperlukan. Pola ini memungkinkan model membantu kita menemukan pertanyaan yang lebih tepat untuk mendapatkan jawaban yang lebih relevan.

Selain itu, pola question refinement juga memberi kesempatan untuk merefleksikan proses berpikir kita sendiri dan mengidentifikasi informasi penting yang mungkin terlewat.

Mari kita lihat contoh berikut.

Katakanlah kita ingin membuat semangkuk nasi goreng yang enak, tapi kita belum tahu peralatan dapur apa saja yang akan digunakan. Kita tidak memiliki pengetahuan mendalam tentang nasi goreng karena ini adalah pertama kalinya kita ingin memasaknya.

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

Pengetahuan kita yang terbatas mengenai nasi goreng membuat kita hanya mampu menyusun pertanyaan yang bersifat umum, seperti prompt di atas. Tentu saja, model Generative AI tidak akan langsung memberikan jawaban spesifik. Sebaliknya, model akan memberikan kumpulan opsi peralatan dapur yang bisa digunakan untuk memasak nasi goreng.

Nah, di sinilah pola question refinement dapat membantu. Pola question refinement dibuat dengan cara seperti berikut.

Meminta model untuk memberikan opsi pertanyaan yang lebih baik sebelum menjawab pertanyaan yang diberikan.
Meminta model menanyakan kembali apakah kita ingin menggunakan opsi pertanyaan yang disarankan olehnya.

Mari kita ubah prompt sebelumnya menggunakan pola question refinement.

Dapat kita lihat bahwa setelah prompt dengan pola question refinement diberikan, alih-alih langsung memberikan jawaban, model Generative AI akan terlebih dahulu menyarankan opsi pertanyaan yang lebih baik.

Dari sini, kita dapat merefleksikan niat awal kita dan memilih pertanyaan mana yang sebaiknya diajukan kepada model Generative AI.

Dapat kita lihat bahwa model Generative AI menjawab pertanyaan terbaru dan diakhiri dengan AI bertanya untuk memberikan penyempurnaan prompt atau tidak.

Lebih lanjut, penting untuk diingat bahwa proses menyempurnakan pertanyaan tidak hanya dapat dilakukan sekali, melainkan dapat dilakukan secara terus menerus melalui interaksi berikutnya dengan model.

Dengan cara ini, hasil yang diberikan oleh model Generative AI akan menjadi lebih relevan dengan kebutuhan kita. Hore!

Adaptive Prompting: Pola Alternative Approaches

Saat ini, kita mungkin sudah terbiasa untuk bertanya kepada model Generative AI. Kita memberikan pertanyaan, lalu model dengan cepat menjawabnya. Selain menjawab pertanyaan, sebenarnya kita bisa melangkah lebih jauh lagi, yaitu dengan memanfaatkan model Generative AI untuk memberikan pertanyaan alternatif dari pertanyaan yang kita berikan.

Hal ini sangat memungkinkan karena keberagaman data yang digunakan selama proses pelatihan model Generative AI. Sebagai hasilnya, model dapat memahami dan memberikan berbagai pertanyaan alternatif yang relevan untuk menyelesaikan suatu tugas.

Nah, inilah yang menjadi gagasan dari pola alternative approaches. Dengan pola ini, kita dapat meminta model Generative AI untuk menawarkan beragam opsi pertanyaan alternatif. Beragam pertanyaan ini membantu kita merefleksikan apa yang sebenarnya ingin kita capai dan memungkinkan untuk memilih pertanyaan yang paling relevan dengan kebutuhan.

Mari kita lihat contoh berikut.

Katakanlah kita ingin membuat nasi goreng yang enak tapi tidak mengetahui resepnya sama sekali. Berdasarkan situasi tersebut, kita bertanya kepada model Generative AI dengan prompt seperti “Bagaimana cara membuat nasi goreng enak?”. Mari kita telaah respons model terhadap prompt tersebut.

Dari respons yang diberikan, terlihat bahwa model Generative AI memberikan jawaban umum mulai dari nasi yang digunakan, peralatan dapur yang harus disiapkan, hingga urutan memasak yang tepat. Hal ini dapat dimaklumi karena prompt yang kita berikan juga cukup umum dan tidak spesifik.

Sebagai langkah berikutnya, biasanya kita melanjutkan interaksi dengan model Generative AI untuk menggali jawaban yang lebih relevan. Namun, alih-alih hanya melanjutkan dari titik awal dengan prompt yang kurang spesifik, bagaimana jika kita terlebih dahulu memastikan bahwa prompt kita dapat lebih mencerminkan inti dari pertanyaan yang ingin kita capai? Di sinilah pola alternative approach dapat membantu.

Pola alternative approach dibuat dengan cara seperti di bawah ini.

Meminta model memberikan daftar alternatif pertanyaan yang memiliki tujuan yang sama dengan pertanyaan awal kita.
Meminta model membandingkan kelebihan dan kekurangan antara pertanyaan kita dan daftar alternatif yang ia berikan.

Mari kita ubah prompt sebelumnya menggunakan pola alternative approach.

Dapat kita lihat bahwa di awal, model Generative AI menunggu kita memberikan pertanyaan yang dapat ia proses untuk diberikan pertanyaan alternatifnya. Lalu, setelah kita ajukan pertanyaan, model dengan sigap memberikan alternatif pertanyaan, lengkap dengan analisis kelebihan dan kekurangan dari setiap pertanyaan yang ia dan kita berikan.

Dari sini, kita dapat merefleksikan kembali tujuan di balik pertanyaan kita dan kemudian dapat merevisi pertanyaan yang diajukan di awal.

Adaptive Prompting: Pola Cognitive Verifier

Model Generative AI sering kali terburu-buru dalam menyusun respons. Alhasil, terkadang respons yang dihasilkan tidak mempertimbangkan semua faktor yang diperlukan untuk menjawab suatu tugas dengan benar.

Mari kita lihat contoh berikut.

Bayangkan kita ingin merencanakan liburan. Kita bertanya “Apa saja yang perlu direncanakan untuk pergi liburan.”

Dari respons model Generative AI, kita dapat melihat berbagai faktor penting yang harus dipertimbangkan untuk merencanakan liburan. Tentu saja, jawaban ini valid dan relevan. Namun, karena sifatnya yang umum, jawaban tersebut mungkin belum sepenuhnya menjawab kebutuhan kita.

Tentu saja, situasi seperti ini bisa kita tangani dengan menambahkan konteks yang dapat membimbing model Generative AI ke arah yang ingin kita tuju. Hal ini biasanya memerlukan pemahaman mendalam mengenai bidang yang sedang dibahas.

Pertanyaannya, bagaimana kalau kita tidak punya pemahaman mendalam untuk membimbing model ke arah yang ingin kita tuju?

Nah, di sinilah pola cognitive verifier dapat membantu. Pola ini melibatkan proses meminta model Generative AI untuk memecah pertanyaan utama menjadi bagian-bagian yang lebih kecil melalui serangkaian pertanyaan tambahan.

Dengan pola cognitive verifier, model Generative AI memiliki kesempatan untuk mengumpulkan lebih banyak konteks dari pertanyaan sebelum menghasilkan jawaban akhir yang akurat dan relevan.

Pola cognitive verifier dibuat dengan cara berikut.

Meminta model memberikan pertanyaan tambahan yang memiliki tujuan untuk mengumpulkan lebih banyak konteks sebelum menyusun jawaban akhir.
Meminta model memastikan semua informasi yang kita berikan digunakan sebelum memberikan jawaban akhir.

Mari kita ubah prompt sebelumnya dengan pola cognitive verifier.

Alih-alih langsung memberikan jawaban, model Generative AI kini merespons dengan terlebih dahulu mengajukan beberapa pertanyaan tambahan yang relevan. Pertanyaan-pertanyaan ini membantu model mengumpulkan lebih banyak informasi mengenai konteks proyek, seperti jenis aplikasi, jumlah pengguna, hingga keterbatasan teknologi yang perlu dipertimbangkan.

Setelah menjawab pertanyaan-pertanyaan tersebut, model Generative AI kini memiliki konteks yang lebih baik untuk memberikan jawaban akhir. Alhasil, respons akhir kini memiliki kemungkinan yang lebih besar untuk sesuai dengan harapan kita jika dibandingkan dengan prompt di awal.

Pemberian Petunjuk Adaptif: Interaksi Terbalik Pola

Seperti yang disebutkan di awal, prompt engineering pada dasarnya adalah proses membentuk pemikiran dan menyusunnya menjadi pertanyaan yang efektif.

Namun, sering kali kita menghadapi kesulitan dalam menentukan gagasan awal suatu permasalahan. Akibatnya, kita kesulitan dalam menyusun prompt yang mampu menghasilkan respon sesuai dengan harapan.

Mari kita lihat contoh berikut.

Katakanlah kita ingin merencanakan acara ulang tahun sederhana di rumah untuk anak atau saudara. Kita ingin meminta AI merencanakan acara ulang tahun tersebut. Namun, permasalahannya kita tidak memiliki pengalaman untuk membuat susunan acaranya dan tidak tahu cara yang tepat untuk membagi waktu setiap sesi. Akibatnya, kita kesulitan membuat prompt yang tepat untuk meminta model Generative AI .

Berdasarkan situasi tersebut, kami mungkin cenderung memulai interaksi dengan model AI Generatif menggunakan prompt yang langsung pada tujuan tugas. Mari kita telah respon model berikut.

Apakah Anda dapat mengetahui letak kekurangan dari model respons AI Generatif ?

Benar sekali! Model Generative AI langsung membuat susunan acara tanpa mengetahui detail dari acara tersebut, seperti berapa banyak tamu yang datang, rentang waktu acara, hingga pemandu acaranya.

Nah, pola interaksi terbalik dapat membantu. Pola interaksi terbalik adalah pola alur interaksi dengan model AI Generatif dibalik. Alih-alih meminta model memecah pertanyaan seperti dalam Cognitive Verifier, kami menjelaskan tujuan tugas terlebih dahulu, lalu meminta model mengajukan pertanyaan untuk memahami masalah dengan lebih baik.

Dengan begitu, kita dapat membuat proses interaksi dengan model Generative AI menjadi lebih efisien. Alih-alih menghabiskan banyak waktu di awal untuk menetapkan tujuan dan detail dari tugas, model akan mengajukan pertanyaan yang terarah dan menciptakan percakapan yang lebih efektif.

Pola interaksi terbalik dapat dibuat dengan cara seperti berikut.

Menentukan tujuan tugas (contoh: “Membangun acara untuk pesta ulang tahun.”).
Meminta model untuk menanyakan pertanyaan terkait tugas tujuan (contoh: “Ajukan pertanyaan saya terkait tema yang saya inginkan”).
Menentukan batasan dari pertanyaan yang perlu diajukan model (contoh: Tanyakan sampai Anda dapat membuat susunan acara untuk skenario yang saya inginkan). Ini krusial untuk menghindari model terus bertanya tanpa henti.

Mari kita ubah prompt sebelumnya menggunakan pola interaksi terbalik.

Dapat dilihat bahwa alih-alih langsung membuat kode pengujian, model Generative AI merespons dengan mengajukan pertanyaan yang dapat membantu memahami tugas yang diminta. Pertanyaan dari model Generative AI dapat beragam, mungkin saja ia mulai dengan satu pertanyaan atau beberapa pertanyaan sekaligus.

Dengan demikian, model akan terus memimpin percakapan dan memandu kita hingga seluruh informasi yang diperlukan terkumpul. Setelah semua informasi terkumpul, barulah model memberikan kode pengujian yang sesuai.

Catatan:
Hasil prompt dibatasi untuk memperjelas pesan yang disampaikan.

Secara keseluruhan, pola interaksi terbalik membantu kita untuk lebih fokus mendalami konteks dan detail spesifik dari tugas, dibandingkan terjebak dalam proses interaksi yang panjang dan membingungkan dengan model Generative AI . Dengan kata lain, pola ini membantu kita mencapai hasil yang diinginkan dengan lebih cepat.

penutup

Selamat! Kita telah mempelajari berbagai pola adaptive prompting. Kita dapat menggunakan berbagai pola ini untuk menyempurnakan prompt , sehingga model Generative AI dapat benar-benar memahami tujuan yang diberikan. Dengan demikian, model respons menjadi lebih tepat sasaran.

Pada materi selanjutnya, kita akan membahas berbagai pola yang dapat kita gunakan untuk memastikan konsistensi dari respon yang dihasilkan oleh model Generative AI . Sampai jumpa di materi berikutnya! .

Bersambung ke:

Search This Blog

Full-Stack Web Developer