Teknik Prompting AI untuk Mendapatkan Jawaban yang Lebih Akurat

Daftar Isi

Remaja memperbaiki prompt secara bertahap

Serbatau - Teknik prompting AI adalah cara menyusun instruksi yang jelas, berkonteks, dan terstruktur agar model AI memberikan jawaban yang lebih akurat, relevan, dan mudah diverifikasi.

• Instruksi yang menyebut tujuan, konteks, dan format menghasilkan jawaban yang lebih tepat sasaran.
• Contoh dan pemecahan tugas bertahap meningkatkan hasil pada banyak jenis pekerjaan.
• Riset chain-of-thought dari Google (2022) menunjukkan lonjakan akurasi pada soal matematika berbentuk cerita.
• Akurasi tetap harus dicek karena model dapat keliru dengan nada yakin.
• Iterasi kecil lebih efektif daripada satu instruksi yang sangat panjang.

Bagaimana Struktur Prompt yang Baik?

Prompt yang baik memuat tujuan, konteks, batasan, dan format keluaran, sehingga model memahami apa yang diminta, untuk siapa, dan dalam bentuk seperti apa.

Struktur yang mudah diingat terdiri dari lima bagian:

1. Peran: siapa yang dimintai jawaban, misalnya editor atau reviewer kode.
2. Tugas: tindakan yang diminta, dituliskan dengan kata kerja yang jelas.
3. Konteks: latar belakang, audiens, dan data yang relevan.
4. Batasan: hal yang harus atau tidak boleh dilakukan.
5. Format: bentuk hasil, seperti daftar, tabel, atau blok kode.

Contoh sederhana untuk pemrograman: "Anda adalah reviewer kode Python. Periksa fungsi berikut untuk menemukan bug. Proyek memakai Python 3.11. Jangan ubah nama fungsi. Tampilkan hasil dalam daftar bernomor beserta perbaikannya."

Apa Saja Teknik Prompting AI yang Paling Umum?

Teknik prompting yang paling umum adalah instruksi langsung, pemberian peran, few-shot dengan contoh, langkah bertahap, dan permintaan pemeriksaan ulang atas jawaban.

Berikut daftar teknik beserta kegunaannya:

• Instruksi langsung: cocok untuk tugas sederhana dengan hasil yang jelas.
• Role prompting: memberi peran agar gaya dan sudut pandang jawaban sesuai.
• Few-shot prompting: menyertakan satu sampai tiga contoh agar model meniru pola yang diinginkan.
• Pemecahan tugas: membagi pekerjaan besar menjadi beberapa instruksi kecil.
• Chain-of-thought: meminta penalaran bertahap untuk soal logika atau hitungan.
• Self-check: meminta model memeriksa kembali jawabannya terhadap kriteria tertentu.

Pilihlah teknik menurut tugasnya. Untuk pertanyaan faktual singkat, instruksi langsung sudah memadai, sedangkan untuk tugas yang punya banyak langkah, pemecahan tugas biasanya lebih efektif.

Apa Itu Few-Shot dan Chain-of-Thought Prompting?

Few-shot prompting memberi beberapa contoh pasangan masukan dan keluaran, sedangkan chain-of-thought meminta model menunjukkan langkah penalaran sebelum menyimpulkan jawaban akhir.

Efektivitas chain-of-thought terdokumentasi dalam makalah peneliti Google berjudul "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (2022).

Pada tolok ukur soal matematika berbentuk cerita GSM8K, model PaLM 540B mencapai akurasi sekitar 57 persen dengan contoh berpenalaran bertahap, dibanding sekitar 18 persen dengan instruksi biasa.

Perlu dicatat bahwa hasil ini berasal dari model generasi awal. Model terbaru sering sudah bernalar bertahap secara otomatis, sehingga selisihnya bisa jauh lebih kecil.

Contoh few-shot untuk klasifikasi ulasan:

• Ulasan: "Pengiriman cepat sekali." Label: positif.
• Ulasan: "Barang datang rusak." Label: negatif.
• Ulasan: "Kemasannya rapi dan sesuai pesanan." Label: ?

Dengan dua contoh di atas, model memahami format label yang diminta tanpa penjelasan panjang.

Remaja menyusun langkah prompting AI

Bagaimana Menerapkan Teknik Prompting Langkah demi Langkah?

Penerapan teknik prompting dilakukan dengan menulis instruksi awal, memeriksa hasil, lalu memperbaiki satu elemen pada setiap percobaan sampai keluaran sesuai kebutuhan.

Langkah praktisnya:

1. Tentukan hasil akhir yang Anda inginkan dalam satu kalimat.
2. Tulis instruksi dengan peran, tugas, konteks, batasan, dan format.
3. Jalankan dan baca hasilnya dengan kritis.
4. Catat bagian yang meleset, misalnya terlalu umum atau format salah.
5. Ubah satu elemen saja, misalnya tambah contoh atau perjelas batasan.
6. Ulangi sampai hasil stabil, lalu simpan instruksi sebagai templat.

Dalam AI coding, pola ini membantu memperoleh kode yang lebih tepat. Pengguna vibe coding sangat terbantu karena instruksi menjadi kendali utama mereka atas hasil aplikasi.

Kesalahan Apa yang Sering Terjadi dalam Prompting?

Kesalahan yang sering terjadi adalah instruksi terlalu samar, tidak menyebut format, menumpuk banyak permintaan sekaligus, dan menerima jawaban tanpa memeriksa kebenarannya.

Daftar kesalahan beserta perbaikannya:

• Terlalu samar: tambahkan tujuan, audiens, dan konteks.
• Tanpa format: sebutkan bentuk keluaran yang diinginkan.
• Terlalu banyak permintaan: pecah menjadi beberapa instruksi berurutan.
• Tanpa batasan: sebutkan hal yang tidak boleh dilakukan atau diubah.
• Tidak diverifikasi: cocokkan fakta penting dengan sumber tepercaya.
• Data sensitif: jangan masukkan kata sandi, kunci API, atau data pribadi.

Bagaimana Cara Memeriksa Akurasi Jawaban AI?

Akurasi jawaban AI diperiksa dengan membandingkan klaim penting terhadap sumber tepercaya, menguji kode dengan menjalankannya, dan meminta model menandai bagian yang tidak pasti.

Kebiasaan verifikasi yang disarankan:

1. Cek angka, nama, dan tanggal pada sumber resmi.
2. Jalankan kode dan uji dengan beberapa kasus masukan.
3. Minta model menyebutkan asumsi yang ia gunakan.
4. Minta jawaban kedua dengan pendekatan berbeda, lalu bandingkan.
5. Libatkan ahli untuk topik berisiko tinggi seperti kesehatan, hukum, dan keuangan.

Kesimpulan

Teknik prompting AI paling efektif jika instruksi jelas, contoh disertakan bila perlu, tugas dipecah, dan setiap jawaban diverifikasi.

Yang perlu diingat:

1. Gunakan struktur peran, tugas, konteks, batasan, dan format.
2. Pilih teknik sesuai jenis tugas.
3. Perbaiki instruksi secara bertahap, satu elemen per percobaan.
4. Simpan instruksi yang berhasil sebagai templat.
5. Selalu verifikasi hasil sebelum dipakai.