Rangkuman Kelas

 

Rangkuman Kelas

Rangkuman Generative AI untuk Semua

Pengantar Generative AI

Apa Itu Generative AI?

Generative AI adalah cabang dari AI yang dirancang untuk menciptakan sesuatu yang baru—mulai dari teks, gambar, audio, video, hingga kode program. Hal yang menarik, hasil ciptaan AI ini tidak asal-asalan. Ia belajar dari berbagai contoh di dunia nyata, lalu mencoba menyusun sesuatu yang mirip, tetapi berbeda. Seolah seperti seorang seniman pemula yang belajar dari karya-karya besar, lalu menciptakan gaya uniknya sendiri.

Di Balik Layar: Large Language Model (LLM)

Teknologi generative AI bisa menghasilkan berbagai macam karya, yaitu teks, gambar, audio, video, dan sebagainya. 

Dalam konteks teks, generative AI dapat bekerja karena sebuah teknologi yang disebut large language model atau disingkat LLM. Sesuai namanya, LLM adalah model kecerdasan buatan yang dilatih menggunakan jumlah data bahasa yang sangat besar hingga mencapai miliaran kata. Model ini belajar pola dalam bahasa, hubungan antar kata, struktur kalimat, dan konteks penggunaan bahasa sehari-hari.

Silsilah Keluarga AI

Mari kita ringkas. Jika silsilah keluarga AI diibaratkan dalam bentuk pohon, berikut adalah hal yang bisa kita gambarkan.

• Artificial intelligence adalah pohon besarnya.
• Machine learning adalah cabang yang membuat sistem belajar dari data.
• Deep learning adalah cabang yang lebih dalam dari machine learning dengan banyak lapisan pemrosesan.
• Generative AI adalah buah dari perkembangan deep learning, yang bisa menciptakan suatu hal baru dari data yang telah dipelajarinya.

Tentu saja silsilah keluarga AI tidak berhenti sampai generative AI. Pasalnya, generative AI pun bisa banyak cabangnya lagi. Namun, tentu kita tidak akan terlalu dalam pada materi ini. Inti dari analogi pohon besar ini adalah Anda mengetahui bahwa AI sebenarnya terdiri dari bagian-bagian yang saling berkaitan satu sama lain.

Taksonomi AI: Lapisan-Lapisan AI

Artificial intelligence (AI) adalah lingkaran paling besar. Ini adalah istilah payung untuk semua sistem komputer yang dapat meniru kecerdasan manusia. Mulai dari mengenali suara, memahami bahasa, hingga membuat keputusan—semuanya termasuk dalam ranah AI.

Lanjut ke dalam, kita memasuki lingkaran machine learning (ML). Di sinilah AI mulai belajar dari data. ML memungkinkan sistem untuk mengidentifikasi pola dan membuat prediksi, misalnya mengenali wajah dalam foto atau menyarankan video yang mungkin Anda suka.

Makin ke dalam, kita bertemu dengan deep learning (DL). Ini adalah bagian dari machine learning, tetapi dengan kemampuan belajar lebih dalam. Deep learning menggunakan struktur yang terinspirasi dari otak manusia, yaitu jaringan saraf buatan (neural networks). DL mampu mencerna data kompleks, seperti gambar, suara, atau teks dalam skala besar.

Akhirnya, di pusat lingkaran ini, terdapat generative AI. Ia adalah AI yang bisa menciptakan sesuatu yang benar-benar baru. Generative AI bukan hanya mengenali, tetapi juga menghasilkan konten: dari teks untuk menulis esai, gambar untuk membuat ilustrasi, audio untuk menciptakan musik, hingga membuat video. Semua itu dilakukan dengan “mengingat” data yang pernah dipelajari lalu menciptakan konten baru berdasarkan pemahaman tersebut.

Artinya, generative AI adalah bagian dari deep learning sebagai bagian dari machine learning, yang pada gilirannya merupakan bagian dari AI secara keseluruhan.

Membangun Ekosistem AI

Ekosistem yang sehat menyediakan hal berikut.

• Akses ke data dan infrastruktur, seperti penyimpanan cloud, komputasi tinggi, atau model AI yang bisa digunakan ulang.
• Kolaborasi antara pelaku industri, akademisi, dan pemerintah agar inovasi bisa berkembang dari berbagai arah.
• Komunitas dan budaya terbuka, tempat ide-ide disambut dan diuji bersama.
• Regulasi yang jelas dan etis agar teknologi AI digunakan dengan etis serta bertanggung jawab.

Tanpa ekosistem ini, AI akan bergerak seperti kendaraan tanpa jalan. Canggih, tetapi tidak bisa ke mana-mana.

Siapa Saja yang Terlibat dalam Ekosistem AI?

Ekosistem AI ibarat sebuah orkestra. Masing-masing pemain punya peran berbeda, tetapi semuanya perlu berkolaborasi agar menghasilkan harmoni.

• Peneliti dan akademisi menciptakan teori serta eksperimen baru yang menjadi fondasi pengembangan AI.
• Perusahaan teknologi menyediakan platform, layanan, dan alat yang bisa digunakan banyak pihak. Sebagai contoh, Google menyediakan infrastruktur dan alat AI, seperti Vertex AI, Generative AI App Builder, dan integrasi pada Google Workspace (misalnya fitur penulisan otomatis pada Gmail atau dokumen pintar pada Docs).
• Startup dan inovatormenciptakan solusi baru yang unik dan adaptif terhadap kebutuhan pasar. Banyak perusahaan rintisan menggunakan AI untuk menciptakan sesuatu yang belum pernah ada sebelumnya. Contohnya berikut.
  • Midjourney: Mengubah kata menjadi gambar yang indah.
  • Replit: Membantu menulis kode pemrograman dengan AI.
  • Glean: Memudahkan karyawan menemukan informasi dalam perusahaan.
  • Tabnine: Asisten pintar untuk programmer.
  • Aiva.ai: Menghasilkan musik dengan AI.
  • Cradle: Menerapkan AI untuk desain biologi dan sains.
• Mitra konsultasi dan pendampingan, seperti Deloitte dan Accenture yang membantu bisnis dari berbagai industri memahami serta menggunakan AI untuk meningkatkan layanan mereka—misalnya mempercepat pelayanan pelanggan atau memperkirakan kebutuhan barang di gudang.
• Pemerintah dan regulator membuat kebijakan yang mendukung perkembangan teknologi sambil menjaga kepentingan publik.
• Komunitas open-source dan pengguna ikut menguji, menyempurnakan, serta menyebarkan teknologi agar lebih inklusif.

Semakin harmonis interaksi antar elemen ini, semakin besar pula peluang lahirnya inovasi yang berdampak luas.

Gemini, Model Terbesar dan Tercanggih Milik Google

Berikut adalah beberapa alasan mengapa Gemini patut dipertimbangkan.

1. Pemahaman Mendalam
   Gemini tidak hanya “copy paste” pengetahuan. Ia bisa memahami konteks, nuansa, bahkan maksud tersirat dalam sebuah tulisan. Misalnya, ketika Anda meminta bantuannya menulis proposal, Gemini bisa menyarankan struktur, gaya bahasa, hingga narasi yang lebih persuasif berdasarkan tujuan.
2. Kemampuan Multimodal yang Alami
   Manusia tidak berpikir hanya dalam satu jenis informasi saja—kita membaca, melihat, mendengar, lalu menyimpulkan. Nah, Gemini juga begitu. Ia bisa membaca dokumen PDF, memahami grafik, bahkan memproses audio secara bersamaan untuk memberikan jawaban yang menyeluruh.
3. Kemampuan Penalaran Tingkat Tinggi
   Gemini sudah melampaui tolok ukur akademik, bahkan dalam beberapa tes, mengalahkan para ahli manusia. Bagi Anda, ini berarti Gemini dapat membantu menyusun argumen yang kuat, menyelesaikan soal logika, hingga membantu penulisan ilmiah atau perencanaan strategis.
4. Kemampuan Koding untuk Automasi dan Solusi Cerdas
   Bagi yang bekerja dalam bidang teknologi atau ingin mengotomatiskan tugas-tugas berulang, Gemini bisa membantu menulis dan menjelaskan kode dalam berbagai bahasa. Ia bahkan dapat diajak berkolaborasi untuk menyusun sistem otomatisasi sederhana dan mempercepat pekerjaan Anda secara signifikan.

Rangkuman Mengenal Large Language Model (LLM)

Kenalan dengan Language Model

Dalam dunia AI, language model adalah salah satu jenis model machine learning yang bertugas untuk memprediksi kata berikutnya dalam sebuah kalimat. Ia bekerja seperti pemain tebak-tebakan kata yang sangat terlatih. 

Jika seseorang berkata, “Kalau hujan turun di atap rumahku, aku biasanya…”, model ini akan mencoba menyelesaikannya dengan berbagai kemungkinan: tidur, masak mi, mendengarkan musik, dan seterusnya. 

Language model tidak hanya menebak sembarangan. Ia menimbang dan menghitung kata atau frasa berikutnya dalam sebuah kalimat untuk menentukan pilihan yang paling masuk akal.

Language model menghitung probabilitas berbagai kata berdasarkan pelatihan dari jutaan bahkan miliaran contoh kalimat yang pernah dipelajari sebelumnya.

Model akan memilih berdasarkan probabilitas tertinggi atau secara acak dari kandidat yang paling masuk akal. Semakin sering kombinasi kata tertentu muncul di dunia nyata (dalam data pelatihan), semakin tinggi kemungkinan model memilihnya.

LLM: Versi Canggih Language Model

Seiring waktu, para ilmuwan dan insinyur komputer menyadari bahwa semakin besar model—semakin banyak data yang mereka pelajari serta semakin rumit struktur mereka—semakin pintar pula hasilnya.

Inilah yang disebut large language models atau LLM: versi super dari language model yang dilatih dengan jumlah data masif dan kapasitas pemrosesan yang luar biasa. LLM adalah otak digital raksasa yang bisa berkomunikasi, menjawab pertanyaan, menulis cerita, merangkum artikel, bahkan menulis kode pemrograman.

Language model awalnya hanya dapat memprediksi probabilitas dari satu kata; sementara large language models dapat memprediksi probabilitas kalimat, paragraf, atau bahkan seluruh dokumen.

Hal yang membuat model ini “large” bukan hanya karena ukuran data pelatihannya, melainkan juga karena jumlah “parameter” yang dimilikinya—yakni nilai-nilai numerik yang dipelajari model selama proses pelatihan dan berfungsi sebagai tombol-tombol penyetel dalam otaknya. Parameter inilah yang menentukan cara model mengolah input dan menghasilkan output, berdasarkan pola-pola yang telah dipelajarinya dari data sebelumnya. Parameter digunakan untuk memprediksi token (kata atau frasa) berikutnya pada sebuah urutan kata.

Rahasia di Balik Kemampuan LLM: Transformers dan Self-Attention

Lompatan besar dalam AI terjadi saat diperkenalkannya Transformer, arsitektur yang jadi fondasi bagi banyak model bahasa besar (Large Language Models atau LLM), yakni ChatGPT, Gemini, Claude, dan lainnya.

Apa yang membuat Transformer begitu istimewa? Jawabannya: kemampuan memahami konteks secara menyeluruh dalam satu waktu.

Transformer tidak membaca satu demi satu kata secara berurutan. Ia membaca seluruh kalimat sekaligus dan bahkan bisa menganalisis hubungan antara kata-kata di seluruh bagian kalimat.

Transformer memungkinkan model seperti LLM bisa memahami konteks panjang dan fokus pada bagian teks yang paling penting dari sebuah kalimat atau paragraf.

Misalnya dalam kalimat berikut.

The animal didn't cross the street because it was too tired.

 Perhatikan bahwa kalimat tersebut mengandung kata ganti it. Kata ganti sering kali ambigu. Kata ganti it selalu merujuk pada kata benda yang baru saja disebutkan, tetapi dalam kalimat contoh ini, kata benda terbaru mana yang dirujuk oleh it: animal atau street?

Transformer menggunakan mekanisme yang disebut self-attention untuk mencari tahu kata paling relevan. Self-attention merupakan cara canggih bagi model untuk “memperhatikan” kata-kata lain dalam kalimat untuk memahami makna keseluruhan, mirip seperti seseorang yang mencoba memahami makna keseluruhan dari percakapan rumit.

Self-attention seperti memberi kesempatan setiap kata dalam kalimat untuk saling berbicara dan menanyakan hal berikut. "Apakah kamu penting buatku?"

Lalu, bukan hanya satu percakapan—pada Transformer, proses ini terjadi dalam banyak lapisan dan banyak arah. Beberapa lapisan fokus pada struktur kalimat, yang lain fokus terhadap makna, dan sisanya fokus pada hal-hal lebih dalam, seperti emosi atau nuansa dari kalimat tersebut.

Dalam kasus ini, “animal” adalah referensi yang lebih masuk akal untuk “it” karena hewan bisa merasa lelah, sementara jalanan tidak.

Pertimbangan Penggunaan LLM

Seperti halnya manusia, LLM juga punya kelebihan dan kekurangan.

Halusinasi Informasi

Hal ini bisa terjadi karena LLM tidak benar-benar "mengerti" seperti manusia, tetapi hanya memprediksi kata atau frasa yang paling mungkin muncul berdasarkan data pelatihan. Ia tidak memiliki pemahaman atau kesadaran seperti manusia. Ia tidak memiliki memori jangka panjang atau pengetahuan dunia nyata yang stabil. Setiap interaksi pada dasarnya bersifat prediktif dan terputus dari pengalaman sebelumnya, kecuali jika secara teknis diatur untuk menyimpan konteks.

Bias dalam Data Pelatihan

Ini berarti bahwa jika data dalam pelatihan model memuat ketimpangan, diskriminasi, ketidakadilan, atau informasi yang tidak proporsional, model pun berisiko menghasilkan atau memperkuat ketidakadilan dalam output-nya. Inilah alasan penting bagi pengguna untuk tetap kritis dan bijaksana, serta tidak mengambil hasil dari LLM sebagai kebenaran mutlak, apalagi dalam konteks pengambilan keputusan yang penting.

Infrastruktur dan Keberlanjutan

Di sisi lain, penggunaan LLM juga menghadirkan tantangan dari segi infrastruktur dan keberlanjutan. Melatih dan mengoperasikan model LLM sebesar ini memerlukan infrastruktur teknologi besar, termasuk konsumsi daya komputasi yang tinggi serta kebutuhan energi yang masif. Alhasil, memerlukan banyak biaya finansial serta dapat meninggalkan jejak karbon (carbon footprint) yang perlu diperhitungkan.

Rangkuman Etika Penggunaan AI

Mengapa Etika Penting dalam Penggunaan AI?

Ketika AI Tidak Netral: Risiko Penyalahgunaan

Salah satu alasan utama etika sangat penting adalah karena AI tidak selalu netral. AI belajar dari data. Data yang digunakan bisa jadi tidak sempurna, bahkan bias. Jika data pelatihan AI lebih banyak mencerminkan satu kelompok atau perspektif tertentu, hasil dari AI tersebut juga bisa condong ke arah yang sama. Ini bisa menyebabkan diskriminasi yang tidak disadari, misalnya dalam proses rekrutmen kerja atau pemberian pinjaman.

Dampaknya Nyata, baik secara Individu maupun Kolektif

Dalam jangka pendek, penyalahgunaan AI bisa menyebabkan ketidakadilan, seperti mahasiswa yang mendapatkan nilai tinggi karena bantuan AI, sementara lainnya mengerjakan dengan usaha sendiri. Di sisi lain, ada pegawai yang kehilangan pekerjaannya karena digantikan sistem otomatis tanpa kejelasan proses dan tanggung jawab.

Dalam jangka panjang, dampaknya bisa lebih besar. Ketika masyarakat mulai kehilangan kepercayaan terhadap informasi yang mereka lihat, atau saat keputusan-keputusan penting dibuat berdasarkan saran AI tanpa pengawasan manusia, nilai-nilai dasar, seperti keadilan, transparansi, dan kepercayaan publik ikut tergerus.

Prinsip-Prinsip Etika dalam AI

Nah, dalam modul ini, kita tidak akan membedah satu per satu versi dari setiap lembaga. Sebaliknya, kita akan mempelajari lima prinsip etika inti yang paling sering muncul dan dianggap penting oleh hampir semua pihak. Kelima prinsip ini akan menjadi kompas kita dalam menggunakan AI secara bertanggung jawab.

Transparansi: Memahami dari Mana Informasi Berasal

Transparansi berarti AI harus bekerja dengan cara yang bisa dipahami. Bukan berarti semua orang harus tahu detail teknisnya, tetapi minimal kita tahu bahwa AI ini dilatih dari data apa, punya batasan seperti apa, dan mana yang merupakan fakta, opini, atau prediksi.

Akuntabilitas: Siapa yang Bertanggung Jawab?

Bayangkan ada kesalahan dalam hasil AI yang Anda gunakan—misalnya rekomendasi produk keliru atau kesalahan identifikasi dalam proses rekrutmen. Siapa yang bertanggung jawab?

Inilah yang dimaksud dengan prinsip akuntabilitas. AI tidak boleh menjadi “kambing hitam” ketika ada masalah. Harus ada manusia atau institusi yang bisa dimintai pertanggungjawaban. Dalam konteks pribadi, ini artinya kita sendiri harus sadar bahwa keputusan akhir tetap di tangan kita, bukan AI.

Privasi: Data Siapa yang Digunakan?

AI bekerja dengan data. Banyak data. Namun, sering kali kita tidak tahu bahwa data itu dikumpulkan dengan izin atau tanpa sepengetahuan pemiliknya. Di sinilah prinsip privasi sangat penting.

Penggunaan AI harus mematuhi batasan etis dalam menggunakan data. Bahkan ketika merasa tidak sedang “mengakses data pribadi,” kita tetap perlu berhati-hati karena AI bisa mereproduksi atau menyimpulkan hal-hal sensitif dari data umum sekalipun.

Keadilan dan Non-Diskriminasi: Hindari Bias, Utamakan Kesetaraan

Keadilan dalam AI berarti hasilnya tidak boleh memperkuat ketidaksetaraan sosial. Sebagai pengguna, kita perlu peka terhadap kemungkinan bias ini, dan selalu menguji sudahkah hasil AI mempertimbangkan sudut pandang yang beragam.

Keamanan: Melindungi dari Penyalahgunaan dan Manipulasi

Keamanan bukan hanya soal teknologi, tetapi juga soal kesadaran kita sebagai pengguna. Jangan asal sebar hasil AI. Jangan gunakan AI untuk menipu atau membingungkan orang lain, walaupun kelihatannya “cuma iseng”.

Sama seperti menjaga password atau data pribadi, kita juga harus menjaga agar AI tidak disalahgunakan—baik oleh orang lain maupun diri kita sendiri.

Studi Kasus: Dilema Etika dalam Kehidupan Sehari-Hari

Mari kita telaah bersama beberapa situasi nyata yang semakin sering terjadi di dunia digital.

Deepfake dan Konten Palsu

Teknologi ini awalnya dikembangkan untuk hiburan dan efek visual. Namun dalam praktiknya, ia sering disalahgunakan: dari lelucon yang tidak lucu, hingga penipuan identitas, bahkan perusakan reputasi. Bayangkan kalau seseorang membuat video deepfake seolah-olah seorang kandidat pemilu berkata hal yang kontroversial. Bisa rusak reputasi, bisa memicu konflik.

Membuat Tugas, Karya Ilmiah, atau Presentasi

Memang, AI bisa membantu mencari ide, menyusun kerangka, membuat draf awal, mencari referensi, atau merapikan bahasa. Menggunakan AI sebagai alat bantu adalah hal yang sangat berguna. Akan tetapi, ketika seluruh hasil AI hanya di-copy-paste tanpa pemahaman, kita kehilangan makna dari proses belajar itu sendiri.

Menulis tugas bukan hanya soal hasil akhir, tetapi proses belajarnya. Kalau melewatkan proses itu, Anda juga melewatkan kesempatan belajar. Sama seperti kalkulator tidak membuat kita “mengerti matematika”, AI tidak secara otomatis membuat “paham materi”. 

Menulis Surat Lamaran Kerja

AI bisa membantu untuk menyusun narasi yang lebih jelas dan rapi, tetapi nilai etisnya tetap tergantung pada seberapa besar Anda memanipulasi kenyataan. Jika tujuannya adalah merefleksikan diri secara lebih baik, itu bisa jadi etis. Sebaliknya, jika Anda membiarkan AI menciptakan persona yang sepenuhnya berbeda dari diri sendiri, itu artinya sedang melangkah di wilayah abu-abu.

HR Menggunakan AI untuk Menyaring CV

AI dalam proses rekrutmen biasanya digunakan untuk membaca CV, menganalisis kata kunci tertentu, menilai kesesuaian dengan deskripsi pekerjaan, bahkan memberi skor otomatis. Namun di balik efisiensinya, ada pertanyaan penting: apakah sistem ini adil?

Di sinilah muncul persoalan etika. Ketika manusia sepenuhnya menyerahkan keputusan awal pada sistem otomatis, potensi bias dalam data bisa diteruskan—atau bahkan diperkuat—oleh AI. Lebih buruk lagi jika tidak ada audit atau evaluasi berkala terhadap sistem tersebut.

Idealnya, AI bukan pengganti keputusan manusia, melainkan alat bantu untuk mempercepat proses. Setelah AI menyaring, seharusnya tetap ada proses tinjauan manual untuk memastikan bahwa kandidat tidak ditolak hanya karena “tidak sesuai templat algoritma.”

Jadi, pertanyaannya kembali ke Anda: Apakah menggunakan AI untuk menyaring CV itu salah? Tidak. Akan tetapi, apakah menyerahkan semua keputusan pada AI itu bijak? Belum tentu.

Etika dalam hal ini menuntut dua hal: transparansi (cara sistem menyaring dan kriteria yang digunakan) serta akuntabilitas (pihak yang bertanggung jawab jika ada keputusan yang keliru atau diskriminatif).

Etika dan Regulasi: Apa yang Berlaku Hari Ini?

Negara-negara di seluruh dunia mulai menyadari bahwa AI tidak bisa dibiarkan tumbuh tanpa pengawasan. Beberapa di antaranya bahkan sudah merilis aturan yang cukup komprehensif. Mari kita telaah satu per satu.

EU AI Act

Uni Eropa menjadi pionir dengan meluncurkan EU AI Act, yang dianggap sebagai regulasi AI komprehensif pertama di dunia. Tujuannya jelas: mengatur risiko, menjamin hak warga, dan mendorong inovasi yang aman.

OECD AI Principles

Organisation for Economic Co-operation and Development (OECD) menetapkan prinsip-prinsip etis AI yang telah diadopsi oleh lebih dari 40 negara. 

Indonesia dan Tantangan Regulasi AI

Lantas, bagaimana dengan Indonesia?

Saat ini, Indonesia belum memiliki undang-undang khusus yang secara komprehensif mengatur AI. Namun, pemerintah sudah mulai melangkah ke arah sana. Misalnya berikut.

• Kementerian Kominfo telah menyusun pedoman etik penggunaan AI lewat Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial.
• Badan Riset dan Inovasi Nasional (BRIN) aktif mendiskusikan standar keamanan dan tanggung jawab penggunaan AI. Bahkan, beberapa peneliti BRIN bekerja sama dengan instansi/lembaga lain telah merilis dokumen Strategi Nasional untuk Kecerdasan Artifisial 2020–2045 yang dirumuskan melalui BPPT.
• UU Perlindungan Data Pribadi (UU PDP) juga relevan karena banyak sistem AI membutuhkan data pribadi untuk beroperasi. Silakan baca lebih lanjut pada Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi.

Meski belum seketat regulasi Uni Eropa, langkah-langkah awal ini penting sebagai fondasi menuju regulasi yang lebih matang.

Rangkuman Berbagai Pola dalam Prompt Engineering

Selamat! Anda telah menyelesaikan modul Berbagai Pola dalam Prompt Engineering. Sejauh ini, Anda telah memahami apa itu pola pada prompt, berbagai pola dasar prompt engineering, adaptive prompting, serta berbagai pola untuk memastikan model Generative AI menghasilkan respons yang konsisten. Berikut adalah ringkasan materi yang sudah Anda pelajari.

• Dalam konteks prompt engineering, pola adalah panduan untuk menyusun prompt dengan mempertimbangkan cara kerja model Generative AI.
• Penerapan pola dalam pembuatan prompt dapat meningkatkan peluang model menghasilkan respons yang kita inginkan sehingga mengurangi proses berulang untuk memperbaiki prompt.
• Terdapat beberapa pola dasar dalam prompt engineering yang dapat digunakan sebagai fondasi untuk membuat sebuah prompt. Pola-pola tersebut meliputi: pola persona, audience persona, few-shots, chain-of-thought, dan ReAct.
• Pola persona adalah pola yang digunakan untuk membantu model Generative AI menyesuaikan respons seperti layaknya dari sudut pandang sebuah “persona”.
  • Pola persona dibuat dengan menambahkan suatu karakter/identitas pada prompt.
• Pola persona audiens adalah kebalikan dari pola persona. Alih-alih memberikan sebuah persona untuk ditiru, pola ini membantu model Generative AI menentukan siapa target audiensnya.
  • Pola audiens persona dibuat dengan memberikan informasi target audiens pada prompt.
• Pola few-shots adalah pola yang memberikan beberapa contoh pasangan masukan dan keluaran (shots) kepada model Generative AI sebelum meminta respons keluaran dari masukan baru.
  • Pola few-shot dibuat dengan menambahkan dua hal, yaitu: label deskriptif dan beberapa contoh (shots).
• Pola chain-of-thought adalah pola yang memberikan contoh dan tahapan-tahapan pengerjaan untuk mencapai hasil akhir kepada model Generative AI sebelum meminta respons keluaran dari masukan baru.
  • Pola chain-of-thought dibuat dengan memberikan contoh beserta dengan tahapan-tahapan pengerjaan untuk menghasilkan hasil akhir.
• Pola ReAct adalah pengembangan lanjutan dari pola chain-of-thought. Selain membimbing model menghasilkan respons melalui contoh dan proses bertahap, kita juga membimbing model untuk mengambil tindakan (action) mengakses tools eksternal jika membutuhkan informasi yang tidak dimiliki oleh model.
  • Pola ReAct dibuat dengan memberikan contoh. Setiap contoh terdiri dari tiga bagian berikut.
    1. Pemikiran (Thought): Tahapan pengerjaan yang perlu dilakukan berdasarkan pertanyaan dan informasi yang dimiliki model.
    2. Tindakan (Action): Hal yang perlu dilakukan untuk mendukung tahapan pengerjaan.
    3. Hasil (Observation): Informasi yang diperoleh dari tindakan tersebut, kemudian digunakan model untuk memberikan respons akhir.
• Adaptive prompting adalah berbagai cara yang bisa kita gunakan untuk menyempurnakan prompt sehingga respons model menjadi lebih tepat sasaran. Terdapat beberapa pola adaptive prompting, seperti: pola question refinement, alternative approaches, cognitive verifier, dan flipped interaction.
• Pola question refinement adalah pola yang memanfaatkan pengetahuan model Generative AI dengan meminta model terlebih dahulu memperbaiki atau menyempurnakan pertanyaan kita jika diperlukan. Pola ini memungkinkan model membantu kita menemukan pertanyaan yang lebih tepat untuk mendapatkan jawaban yang lebih relevan.
  • Pola question refinement dibuat dengan cara berikut.
    1. Meminta model untuk memberikan opsi pertanyaan yang lebih baik sebelum menjawab pertanyaan yang diberikan.
    2. Meminta model menanyakan kembali kepada kita apakah kita ingin menggunakan opsi pertanyaan yang disarankan olehnya.
• Pola alternative approaches adalah pola yang meminta model Generative AI untuk menawarkan beragam opsi pertanyaan alternatif. Beragam pertanyaan ini membantu merefleksikan apa yang sebenarnya ingin kita capai dan memungkinkan untuk memilih pertanyaan yang paling relevan dengan kebutuhan.
  • Pola alternative approach dibuat dengan cara berikut.
    1. Meminta model memberikan daftar alternatif pertanyaan yang memiliki tujuan yang sama dengan pertanyaan awal kita.
    2. Meminta model membandingkan kelebihan dan kekurangan antara pertanyaan kita dan daftar alternatif yang ia berikan.
• Pola cognitive verifier adalah pola yang meminta model Generative AI untuk memecah pertanyaan utama menjadi bagian-bagian yang lebih kecil melalui serangkaian pertanyaan tambahan. Dengan ini, 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.
    1. Meminta model memberikan pertanyaan tambahan yang memiliki tujuan untuk mengumpulkan lebih banyak konteks sebelum menyusun jawaban akhir.
    2. Meminta model memastikan semua informasi yang kita berikan digunakan sebelum memberikan jawaban akhir.
• Pola flipped interaction adalah pola di mana alur interaksi dengan model Generative AI dibalik. Alih-alih langsung merespons atau menjawab masalah yang diajukan pengguna, kita mendorong model untuk terlebih dahulu mengajukan pertanyaan terkait masalah yang sedang dihadapi.
  • Pola flipped interaction dibuat dengan cara berikut.
    1. Menentukan objektif tugas (contoh: “Buat susunan acara untuk pesta ulang tahun.”).
    2. Meminta model untuk menanyakan serangkaian pertanyaan terkait objektif tugas (contoh: “Ajukan saya pertanyaan terkait tema yang saya inginkan”).
    3. 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.
• Akan ada situasi di mana kita memerlukan konsistensi dalam respons model, terutama ketika harus mematuhi aturan-aturan tertentu yang telah ditetapkan. Oleh karena itu,  terdapat beberapa pola dalam pembuatan prompt yang dapat kita gunakan untuk memastikan hasil tetap konsisten, seperti: pola tail generation dan template.
• Pola tail generation adalah pola yang dapat membantu model Generative AI untuk selalu mengingat aturan yang telah dibuat. Pola ini memastikan konsistensi hasil model meskipun proses interaksi telah berlangsung cukup lama.
  • Pola tail generation dibuat dengan cara berikut.
    1. Memberikan peraturan yang harus dipatuhi model selama menghasilkan respons.
    2. Meminta model untuk selalu mengakhiri responsnya dengan mengulang aturan yang telah kita tetapkan. 
• Pola template adalah pola yang dapat membantu model Generative AI untuk selalu konsisten menghasilkan hasil yang terstruktur.
  • Pola template dibuat dengan cara berikut.
    1. Menggunakan delimiter dengan label yang dapat membantu model memahami keinginan kita.
    2. Menggunakan pola tail generation untuk memastikan konsistensi respons model.
• Delimiter adalah tanda yang kita gunakan untuk membedakan atau menandai bagian tertentu di dalam prompt. Delimiter dapat berupa 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. Alhasil, bagian itu tidak dianggap sebagai teks biasa, melainkan instruksi tambahan yang perlu diikuti sebagai bagian dari instruksi utama.
• Iterative prompt development adalah suatu mindset yang harus dimiliki oleh seorang prompt engineer, di mana pada dasarnya sebuah prompt tidak harus selalu bersifat final dalam satu kali percobaan, melainkan senantiasa dapat disempurnakan secara iteratif melalui observasi respons dari model Generative AI.
• 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.

Rangkuman Bekerja Lebih Cerdas dengan Gemini pada Google Workspace

Pengantar Gemini pada Google Workspace

Gemini bukan hanya sebuah alat, tetapi sebuah kolaborator virtual yang bekerja bersama Anda pada aplikasi-aplikasi Google, seperti Gmail, Docs, Slides, Sheets, dan bahkan Google Meet. Sebelum masuk pada fitur-fitur praktisnya, mari kita segarkan ulang pemahaman tentang generative AI dan alasan ia menjadi bagian penting dalam dunia kerja modern.

Gemini hadir dalam berbagai aplikasi Google Workspace sebagai asisten AI yang bisa melakukan hal-hal berikut.

• Menulis dan menyempurnakan teks: misalnya, membantu Anda menulis email profesional atau menyunting naskah blog agar lebih menarik dalam Gmail.
• Menciptakan gambar orisinal: sangat berguna ketika Anda ingin menyisipkan ilustrasi unik dalam presentasi pada Google Slides.
• Mengatur data dan merancang rencana kerja: cocok untuk membuat spreadsheet yang rapi dan efisien pada Google Sheets.
• Membantu berkomunikasi dan berkolaborasi: bahkan sampai membuat latar belakang khusus untuk Google Meet agar rapat terasa lebih personal.

Apa pun peran Anda, Gemini bisa menjadi tangan kanan yang membantu menyederhanakan pekerjaan rutin agar bisa fokus pada hal-hal yang lebih strategis.

Gemini pada Gmail: Menulis Email Jadi Lebih Cerdas dan Cepat

Gemini pada Gmail adalah teman menulis baru—bukan sekadar fitur, melainkan asisten berbasis AI yang bisa membantu Anda menyusun pesan dari nol, menyempurnakan email yang sudah ditulis, atau bahkan menyesuaikan gaya dan nada tulisan sesuai dengan kebutuhan.

Misalnya, Anda ingin mengirimkan email pengumuman ke seluruh perusahaan tentang manfaat baru yang bisa dinikmati karyawan. Anda cukup membuka Gmail, klik Compose, lalu pilih fitur Help me write di toolbar.

Di situ, Anda tinggal ketikkan permintaan Anda, contohnya berikut.

“Write an email to all employees to announce a new benefit, which is an additional two days of annual leave. This will take effect starting next month.”

Dalam hitungan detik, Gemini akan menyusun draf email untuk Anda.

Gemini pada Google Docs: Menulis Lebih Cerdas, Lebih Cepat

Anda sedang menatap layar kosong Google Docs. Kursor berkedip-kedip seperti menunggu Anda mengetik sesuatu. Namun, ide di kepala masih kabur. Menulis email ke klien, membuat posting blog, atau menyusun daftar tugas onboarding karyawan baru—semuanya terasa menumpuk.

Nah, di sinilah peran Gemini dalam Google Docs muncul sebagai penyelamat. Bayangkan Anda memiliki asisten penulis pribadi yang siap membantu setiap kali kehabisan kata-kata, bingung dengan struktur kalimat, atau butuh ide segar. Itulah yang ditawarkan oleh fitur Help me write dari Gemini.

Gemini pada Google Docs adalah bagian dari ekosistem Google Workspace yang memanfaatkan kekuatan generative AI—teknologi yang bisa menciptakan teks baru berdasarkan masukan Anda. Gemini dirancang untuk membantu Anda menulis lebih efisien, lebih rapi, dan tentunya, lebih cepat.

Namun, perlu diingat: meskipun Gemini sangat pintar, ia bukan pengganti manusia. Ia bisa saja memberikan saran yang kurang tepat, bahkan keliru. Jadi, anggaplah ia sebagai teman berdiskusi, bukan sebagai sumber mutlak.

Gemini pada Google Slides: Membuat Presentasi yang Lebih Hidup dengan Bantuan AI

Gemini pada Google Slides adalah fitur berbasis generative AI yang dirancang untuk membantu Anda membuat visual unik dan relevan, langsung dalam dokumen presentasi. 

Ada banyak kapabilitas yang dimiliki oleh Gemini pada Google Slides. Selain tentunya bisa melakukan tanya jawab, Anda bisa meminta Gemini untuk membuatkan slide presentasi sesuai dengan konteks, gaya, dan keinginan yang spesifik.

Fitur lain adalah Anda bisa membuat gambar presentasi langsung dalam Google Slides. Dengan hanya mengetikkan deskripsi yang jelas dan spesifik, Anda bisa menghasilkan gambar baru yang sesuai dengan kebutuhan, baik untuk presentasi bisnis, pelatihan karyawan, maupun pemasaran.

Tentu, karena ini adalah alat AI, ada batasannya. Gambar yang dihasilkan bisa jadi tidak 100% akurat atau tidak selalu sesuai dengan ekspektasi di awal. Namun jangan khawatir, Anda bisa menyempurnakan prompt hingga hasilnya mendekati keinginan. Hal yang penting, tetap gunakan gambar ini sebagai alat bantu visual, bukan sebagai sumber informasi medis, hukum, atau keuangan.

Gemini pada Google Sheets: Membuat Templat Cerdas Seketika

Gemini pada Google Sheets adalah fitur berbasis generative AI yang dapat membantu Anda membuat templat tabel secara instan berdasarkan deskripsi yang diberikan. Fitur ini bisa sangat membantu saat Anda baru memiliki ide umum dan belum sempat memikirkan strukturnya secara mendalam.

Dengan Gemini pada Google Sheets, Anda dapat melakukan berbagai hal canggih dengan mudah, bahkan tanpa harus menjadi ahli Spreadsheet. Berikut adalah beberapa hal yang bisa Anda lakukan.

1. Membuat Tabel Otomatis
2. Membuat Rumus
3. Menghasilkan Analisis dan Insight Data
4. Membuat Grafik dan Diagram
5. Melakukan Tindakan Lanjutan pada Spreadsheet

Singkatnya, Gemini pada Google Sheets seperti asisten data pribadi Anda—siap membantu menyusun, menghitung, menganalisis, dan menyajikan informasi dalam bentuk yang mudah dipahami. Ini sangat berguna bagi siapa pun yang ingin bekerja lebih cepat dan cerdas dengan data, tanpa harus menjadi ahli spreadsheet.

Gemini pada Google Meet: Membawa Pertemuan Virtual ke Level Selanjutnya

Anda sedang bersiap untuk rapat penting dengan klien dari luar negeri. Lampu di ruangan agak redup, latar belakang sedikit berantakan, dan Anda mulai gugup karena bahasa yang digunakan dalam rapat bukan bahasa ibu Anda. Di tengah semua kekhawatiran itu, muncul satu pertanyaan: “Bagaimana saya bisa tampil profesional dan percaya diri tanpa harus mengubah seluruh setting ruangan atau menguasai banyak bahasa sekaligus?”

Di sinilah Gemini pada Google Meet hadir sebagai solusi. Dengan kekuatan generative AI, Gemini membawa sejumlah fitur pintar langsung dalam Google Meet, membuat pertemuan daring tidak hanya terasa lebih nyaman, tetapi juga jauh lebih efektif. Dalam materi ini, kita akan menjelajahi cara teknologi ini dapat mengubah pengalaman rapat virtual Anda.

Pernahkah merasa canggung saat membuka kamera karena latar belakang di belakang Anda bukan yang paling rapi? Misalnya, tumpukan cucian atau dapur yang belum selesai dibereskan? Nah, Gemini punya solusi cerdas.

Saat masuk ke rapat Google Meet pada komputer, Anda bisa buka menu More options (titik tiga di bagian bawah), pilih Backgrounds and effect, dan panel akan terbuka di sebelah kanan. Di sana, Anda bisa menemukan fitur "Generate a background".

Gemini pada Google Drive: Si Asisten Pintar di Tengah Lautan File

Bukan hanya sekadar alat pencari, tetapi juga partner kerja yang bisa memahami kebutuhan, merangkum informasi, bahkan membantu menghasilkan ide-ide baru dari file-file yang Anda punya. Yuk, kita pelajari bersama-sama cara Gemini bisa jadi sahabat terbaikmu ketika berurusan dengan Drive.

Bayangkan seorang staf pemasaran yang harus membuka puluhan dokumen hanya untuk menemukan satu catatan tentang jadwal marketing campaign. Atau seorang manajer proyek yang ingin tahu perkembangan proyek, tetapi harus membaca dokumen panjang dulu. Ini adalah tantangan nyata di dunia kerja saat ini—dan bukan karena kurang kerja keras, tetapi karena informasi tersebar di mana-mana.

Tim di perusahaan retail bernama Cymbal (perusahaan fiktif) pernah mengalami ini. Mereka punya banyak file: presentasi, catatan campaign marketing, dokumen anggaran, spreadsheet laporan mingguan. Semua penting, semua tersimpan dalam Google Drive, tetapi susah dicari ketika dibutuhkan. 

Hingga akhirnya mereka mencoba Gemini pada Google Drive. Hasilnya? Waktu yang biasanya habis hanya untuk mencari file bisa dialihkan untuk berkreasi dan mengambil keputusan.

Gemini pada Google Drive adalah fitur generative AI dari Google yang terintegrasi langsung dengan Drive. Anda bisa mengaksesnya dari browser melalui drive.google.com dan mencari ikon “Ask Gemini” di sisi kanan layar. 

Setelah Gemini aktif, Anda bisa langsung mulai mengetikkan pertanyaan seperti sedang ngobrol dengan asisten pribadi.

Misalnya, “Tell me about this file [Nama_File].”

Gemini akan mencari file yang relevan, membacanya, dan merangkum informasi pentingnya untukmu. Canggih, kan?

Sekian , semoga bermanfaat, dan terima kasih

98% Selesai

Persiapan Belajar

Generative AI untuk Semua

Mengenal Large Language Model (LLM)

Etika Penggunaan AI

Berbagai Pola dalam Prompt Engineering

Bekerja Lebih Cerdas dengan Gemini pada Google Workspace

Strategi Memaksimalkan Kapabilitas Generative AI

Penutup

1/2