Learning / Pengantar
Contoh-Contoh Prompt
Bagian sebelumnya sudah memperkenalkan contoh dasar cara memberi prompt ke LLM.
Bagian ini akan memberikan lebih banyak contoh cara memakai prompt untuk menyelesaikan berbagai tugas, sekaligus memperkenalkan konsep-konsep penting di sepanjang jalan. Sering kali, cara terbaik untuk mempelajari sebuah konsep adalah dengan langsung mencoba contoh-contohnya. Beberapa contoh di bawah ini menunjukkan bagaimana prompt yang disusun dengan baik bisa kamu pakai untuk mengerjakan berbagai jenis tugas.
Topik:
Merangkum Teks
Salah satu tugas standar dalam pembuatan bahasa alami (natural language generation) adalah merangkum teks. Merangkum teks bisa punya banyak ragam dan bidang. Malah, salah satu kegunaan model bahasa yang paling menjanjikan adalah kemampuannya merangkum artikel dan konsep menjadi ringkasan yang singkat dan mudah dibaca. Yuk, kita coba tugas merangkum sederhana dengan prompt.
Misalnya kamu ingin belajar tentang antibiotik, kamu bisa mencoba prompt seperti ini:
Prompt:
Jelaskan tentang antibiotik
A:
Output:
Antibiotik adalah jenis obat yang digunakan untuk mengobati infeksi bakteri. Antibiotik bekerja dengan cara membunuh bakteri atau mencegah bakteri berkembang biak, sehingga sistem kekebalan tubuh bisa melawan infeksi tersebut. Antibiotik biasanya diminum dalam bentuk pil, kapsul, atau cairan, atau terkadang diberikan lewat infus. Antibiotik tidak efektif melawan infeksi virus, dan penggunaan yang tidak tepat bisa menyebabkan resistansi antibiotik.
"A:" adalah format prompt eksplisit yang biasa kamu pakai dalam tanya jawab. Di sini kamu memakainya untuk memberi tahu model bahwa setelahnya diharapkan ada jawaban. Dalam contoh ini, belum jelas apa bedanya memakai atau tidak memakai format itu, tapi kita simpan dulu untuk contoh-contoh berikutnya. Anggap saja informasi tadi terlalu banyak dan kamu ingin merangkumnya lagi. Kamu bisa menginstruksikan model untuk merangkumnya menjadi satu kalimat seperti ini:
Prompt:
Antibiotik adalah jenis obat yang digunakan untuk mengobati infeksi bakteri. Antibiotik bekerja dengan cara membunuh bakteri atau mencegah bakteri berkembang biak, sehingga sistem kekebalan tubuh bisa melawan infeksi tersebut. Antibiotik biasanya diminum dalam bentuk pil, kapsul, atau cairan, atau terkadang diberikan lewat infus. Antibiotik tidak efektif melawan infeksi virus, dan penggunaan yang tidak tepat bisa menyebabkan resistansi antibiotik.
Jelaskan teks di atas dalam satu kalimat:
Output:
Antibiotik adalah obat untuk mengobati infeksi bakteri dengan cara membunuh bakteri atau menghentikan perkembangbiakannya, tetapi tidak efektif melawan virus dan penggunaan berlebihan bisa menyebabkan resistansi antibiotik.
Tanpa terlalu memperhatikan akurasi output di atas (ini akan kita bahas di panduan berikutnya), model sudah berusaha merangkum paragraf tersebut dalam satu kalimat. Kamu bisa lebih kreatif dalam menyusun instruksi, tapi itu kita simpan untuk bab selanjutnya. Silakan berhenti sejenak di sini dan bereksperimen untuk melihat apakah kamu bisa mendapat hasil yang lebih baik.
Ekstraksi Informasi
Meskipun model bahasa dilatih untuk melakukan pembuatan bahasa alami dan tugas-tugas terkait, model juga sangat mampu melakukan klasifikasi dan berbagai tugas pemrosesan bahasa alami (natural language processing/NLP) lainnya.
Berikut contoh prompt yang mengekstrak informasi dari sebuah paragraf.
Prompt:
Pernyataan kontribusi penulis dan ucapan terima kasih dalam paper riset harus menyebutkan secara jelas dan spesifik apakah, dan sejauh mana, para penulis menggunakan teknologi AI seperti ChatGPT dalam menyiapkan naskah dan analisis mereka. Mereka juga harus menyebutkan LLM mana yang digunakan. Hal ini akan mengingatkan editor dan peninjau untuk memeriksa naskah dengan lebih cermat terhadap kemungkinan bias, ketidakakuratan, dan pencantuman sumber yang tidak semestinya. Begitu pula, jurnal ilmiah harus transparan tentang penggunaan LLM mereka, misalnya saat menyeleksi naskah yang dikirimkan.
Sebutkan produk berbasis large language model yang disebut dalam paragraf di atas:
Output:
Produk berbasis large language model yang disebut dalam paragraf di atas adalah ChatGPT.
Ada banyak cara untuk memperbaiki hasil di atas, tapi hasil ini saja sudah sangat berguna.
Sampai di sini, seharusnya sudah jelas bahwa kamu bisa meminta model mengerjakan berbagai tugas hanya dengan menginstruksikan apa yang harus dilakukan. Ini kemampuan hebat yang sudah dimanfaatkan para pengembang produk AI untuk membangun produk dan pengalaman yang keren.
Sumber paragraf: ChatGPT: five priorities for research
Tanya Jawab
Salah satu cara terbaik agar model merespons dengan jawaban yang spesifik adalah dengan memperbaiki format prompt. Seperti yang sudah dibahas sebelumnya, sebuah prompt bisa menggabungkan instruksi, konteks, input, dan indikator output untuk mendapatkan hasil yang lebih baik. Komponen-komponen ini memang tidak wajib, tapi memakainya adalah kebiasaan yang baik, karena makin spesifik instruksimu, makin baik hasil yang kamu dapat. Di bawah ini contoh seperti apa prompt yang lebih terstruktur.
Prompt:
Jawab pertanyaan berdasarkan konteks di bawah. Buat jawabannya singkat dan padat. Jawab "Tidak yakin dengan jawabannya" jika tidak yakin dengan jawabannya.
Konteks: Teplizumab berawal dari sebuah perusahaan obat di New Jersey bernama Ortho Pharmaceutical. Di sana, para ilmuwan membuat versi awal antibodi tersebut, yang dinamai OKT3. Awalnya diambil dari tikus, molekul ini mampu menempel pada permukaan sel T dan membatasi potensi sel tersebut untuk membunuh sel lain. Pada tahun 1986, molekul ini disetujui untuk membantu mencegah penolakan organ setelah transplantasi ginjal, menjadikannya antibodi terapeutik pertama yang diizinkan untuk digunakan pada manusia.
Pertanyaan: Dari mana OKT3 awalnya diambil?
Jawaban:
Output:
Tikus.
Konteks diambil dari Nature.
Klasifikasi Teks
Sejauh ini, kamu sudah memakai instruksi sederhana untuk mengerjakan sebuah tugas. Sebagai prompt engineer, kamu perlu makin jago memberikan instruksi yang lebih baik. Tapi bukan cuma itu! Kamu juga akan menemukan bahwa untuk kasus yang lebih sulit, memberi instruksi saja tidak akan cukup. Di sinilah kamu perlu berpikir lebih jauh tentang konteks dan berbagai elemen lain yang bisa kamu pakai dalam prompt. Elemen lain yang bisa kamu berikan antara lain data input atau contoh.
Mari kita tunjukkan lewat contoh klasifikasi teks.
Prompt:
Klasifikasikan teks ke dalam netral, negatif, atau positif.
Teks: Menurutku makanannya lumayan.
Sentimen:
Output:
Netral
Kamu memberi instruksi untuk mengklasifikasikan teks, dan model merespons dengan 'Netral', yang memang benar. Tidak ada yang salah dengan ini, tapi misalkan yang sebenarnya kamu butuhkan adalah model memberikan label dalam format persis seperti yang kamu mau. Jadi, alih-alih Netral, kamu ingin model mengembalikan netral. Bagaimana caranya? Ada beberapa cara. Di sini yang penting adalah kespesifikan, jadi makin banyak informasi yang bisa kamu berikan di prompt, makin baik hasilnya. Kamu bisa mencoba memberikan contoh untuk menunjukkan perilaku yang benar. Kita coba lagi:
Prompt:
Klasifikasikan teks ke dalam netral, negatif, atau positif.
Teks: Menurutku liburannya lumayan.
Sentimen: netral
Teks: Menurutku makanannya lumayan.
Sentimen:
Output:
netral
Sempurna! Kali ini model mengembalikan netral, yaitu label spesifik yang kamu cari. Sepertinya contoh yang diberikan di prompt membantu model menjadi spesifik dalam output-nya.
Untuk menunjukkan kenapa terkadang bersikap spesifik itu penting, lihat contoh di bawah ini dan temukan masalahnya:
Prompt:
Classify the text into nutral, negative or positive.
Text: I think the vacation is okay.
Sentiment:
Output:
Neutral
Contoh ini dibiarkan dalam bahasa Inggris karena intinya ada pada label salah eja
nutral(dari kata Inggris "neutral").
Apa masalahnya di sini? Petunjuknya: label buatan nutral sama sekali diabaikan oleh model. Sebaliknya, model mengeluarkan Neutral karena model punya kecenderungan (bias) terhadap label tersebut. Tapi misalkan yang benar-benar kamu inginkan adalah nutral. Bagaimana cara memperbaikinya? Mungkin kamu bisa mencoba menambahkan deskripsi pada label atau menambahkan lebih banyak contoh ke prompt? Kalau kamu belum yakin, kita akan membahas beberapa ide di bagian-bagian berikutnya.
Percakapan
Mungkin salah satu hal paling menarik yang bisa kamu capai dengan prompt engineering adalah menginstruksikan sistem LLM tentang cara bersikap, maksudnya, dan identitasnya. Ini sangat berguna saat kamu membangun sistem percakapan seperti chatbot layanan pelanggan.
Misalnya, kita buat sistem percakapan yang mampu menghasilkan jawaban yang lebih teknis dan ilmiah untuk setiap pertanyaan. Perhatikan bagaimana kamu secara eksplisit memberi tahu sistem cara bersikap lewat instruksi. Cara ini terkadang disebut role prompting.
Prompt:
Berikut ini adalah percakapan dengan asisten riset AI. Nada bicara asisten ini teknis dan ilmiah.
Manusia: Halo, kamu siapa?
AI: Salam! Saya asisten riset AI. Ada yang bisa saya bantu hari ini?
Manusia: Bisa jelaskan tentang terbentuknya lubang hitam?
AI:
Output:
Tentu! Lubang hitam adalah wilayah ruang-waktu di mana gaya gravitasinya begitu kuat sehingga tidak ada apa pun, bahkan cahaya, yang bisa lolos darinya. Lubang hitam terbentuk ketika sebuah bintang yang sangat masif mati dan intinya runtuh ke dalam dirinya sendiri, membentuk singularitas dengan kerapatan tak terhingga. Gravitasi singularitas yang sangat kuat itu menarik semua materi dan radiasi di sekitarnya, sehingga terciptalah lubang hitam.
Asisten riset AI kita kedengarannya agak terlalu teknis, ya? Oke, kita ubah perilakunya dan instruksikan sistem untuk memberikan jawaban yang lebih mudah dipahami.
Prompt:
Berikut ini adalah percakapan dengan asisten riset AI. Jawaban asisten ini harus mudah dipahami, bahkan oleh murid SD.
Manusia: Halo, kamu siapa?
AI: Salam! Saya asisten riset AI. Ada yang bisa saya bantu hari ini?
Manusia: Bisa jelaskan tentang terbentuknya lubang hitam?
AI:
Output:
Tentu! Lubang hitam terbentuk ketika sebuah bintang yang sangat besar kehabisan bahan bakar lalu runtuh ke dalam dirinya sendiri. Gravitasi bintang itu sangat kuat sampai-sampai tidak ada apa pun, bahkan cahaya, yang bisa lolos dari tarikannya. Hal ini menciptakan sebuah titik di ruang-waktu dengan gaya gravitasi yang sangat kuat, yang disebut lubang hitam.
Kamu sudah membuat kemajuan. Kamu bisa terus memperbaikinya. Kalau kamu menambahkan lebih banyak contoh, mungkin hasilnya akan lebih baik lagi.
Pembuatan Kode
Salah satu bidang di mana LLM cukup efektif adalah pembuatan kode. Copilot adalah contoh yang bagus. Ada sangat banyak tugas pembuatan kode yang bisa kamu kerjakan dengan prompt yang cerdik. Mari lihat beberapa contoh di bawah.
Pertama, kita coba program sederhana yang menyapa pengguna.
Prompt:
/*
Tanyakan nama pengguna lalu ucapkan "Hello"
*/
Output:
let name = prompt("What is your name?");
console.log(`Hello, ${name}!`);
Perhatikan bahwa kamu bahkan tidak perlu menyebutkan bahasa pemrograman yang dipakai.
Sekarang kita naikkan levelnya sedikit. Contoh di bawah ini menunjukkan betapa hebatnya LLM jika kamu sedikit lebih serius dalam merancang prompt.
Prompt:
"""
Tabel departments, kolom = [DepartmentId, DepartmentName]
Tabel students, kolom = [DepartmentId, StudentId, StudentName]
Buat query MySQL untuk semua mahasiswa di Departemen Computer Science
"""
Output:
SELECT StudentId, StudentName
FROM students
WHERE DepartmentId IN (SELECT DepartmentId FROM departments WHERE DepartmentName = 'Computer Science');
Ini sangat mengesankan. Dalam kasus ini, kamu memberikan data tentang skema database dan memintanya membuat query MySQL yang valid.
Penalaran
Mungkin salah satu tugas tersulit bagi LLM saat ini adalah tugas yang membutuhkan semacam penalaran. Penalaran adalah salah satu bidang paling menarik karena jenis aplikasi kompleks yang bisa muncul dari LLM.
Sudah ada beberapa kemajuan pada tugas yang melibatkan kemampuan matematika. Meski begitu, perlu dicatat bahwa LLM saat ini masih kesulitan mengerjakan tugas penalaran, sehingga dibutuhkan teknik prompt engineering yang lebih canggih lagi. Teknik-teknik canggih ini akan kita bahas di panduan berikutnya. Untuk sekarang, kita bahas beberapa contoh dasar untuk menunjukkan kemampuan aritmetika.
Prompt:
Berapa 9.000 * 9.000?
Output:
81.000.000
Kita coba sesuatu yang lebih sulit.
Prompt:
Bilangan-bilangan ganjil dalam kelompok ini jika dijumlahkan menghasilkan bilangan genap: 15, 32, 5, 13, 82, 7, 1.
A:
Output:
Tidak, bilangan-bilangan ganjil dalam kelompok ini jika dijumlahkan menghasilkan bilangan ganjil: 119.
Itu salah! Mari kita coba memperbaikinya dengan memperbaiki prompt-nya.
Prompt:
Bilangan-bilangan ganjil dalam kelompok ini jika dijumlahkan menghasilkan bilangan genap: 15, 32, 5, 13, 82, 7, 1.
Selesaikan dengan memecah masalahnya menjadi beberapa langkah. Pertama, tentukan bilangan-bilangan ganjilnya, jumlahkan, lalu sebutkan apakah hasilnya ganjil atau genap.
Output:
Bilangan ganjil: 15, 5, 13, 7, 1
Jumlah: 41
41 adalah bilangan ganjil.
Jauh lebih baik, kan? Omong-omong, kami sudah mencoba tugas ini beberapa kali dan model terkadang gagal. Kalau kamu memberikan instruksi yang lebih baik dan dikombinasikan dengan contoh, hasilnya mungkin bisa lebih akurat.
Di bagian berikutnya, kita akan membahas konsep dan teknik prompt engineering yang lebih canggih lagi untuk meningkatkan performa pada semua tugas ini dan tugas-tugas yang lebih sulit.
Notebook
Kalau kamu ingin berlatih dengan prompt-prompt di atas menggunakan Python, kami sudah menyiapkan notebook untuk menguji beberapa prompt menggunakan model-model OpenAI.
Notebook gratisMulai Belajar Prompt Engineering