Prompting dengan satu contoh mengacu pada metode di mana model diberikan dengan satu contoh atau prompt untuk melakukan sebuah tugas. Tidak seperti teknik rekayasa prompt lainnya, prompting tanpa contoh di mana tidak ada contoh yang diberikan, atau prompting dengan beberapa contoh di mana beberapa contoh disediakan, prompting dengan satu contoh bergantung pada satu prompt yang dibuat dengan baik untuk mencapai output yang diinginkan. Metode ini memanfaatkan model bahasa besar (LLM) seperti model GPT-3/GPT-4 (Generative Pre-trained Transformer) dari OpenAI atau model Granite dari IBM untuk memahami dan menghasilkan teks seperti manusia berdasarkan input minimal.
Prompting dengan satu contoh berguna terutama dalam skenario di mana pengumpulan data pelatihan dalam jumlah besar tidak dapat dilakukan. Misalnya, dalam aplikasi seperti prompting rantai pemikiran, prompting dengan beberapa contoh, dan prompting tanpa contoh, di mana data berlabel terbatas atau tidak tersedia, prompting dengan satu contoh menawarkan keuntungan yang signifikan dengan memungkinkan model untuk melakukan generalisasi dari satu contoh. Gambar-1 mengilustrasikan pembuatan prompting dengan satu contoh.
Di bidang kecerdasan buatan (AI) dan pemrosesan bahasa alami (NLP) yang berkembang pesat, khususnya dalam rekayasa prompt AI generatif, telah menjadi teknik yang sangat penting. Di antara berbagai jenis prompting, prompting dengan satu contoh menonjol karena efisiensi dan efektivitasnya. Artikel ini menjelajahi konsep prompting dengan satu contoh, mekanisme, aplikasi, keuntungan, keterbatasan, dan prospeknya pada masa depan.
Prompting adalah teknik yang digunakan di dalam AI untuk memandu model bahasa dalam menghasilkan output yang diinginkan. Ada berbagai jenis prompting, termasuk prompting tanpa contoh, prompting dengan beberapa contoh, dan prompting dengan satu contoh. Setiap jenis bervariasi dalam hal jumlah data dan contoh yang diberikan kepada model untuk melakukan tugas tertentu. Rekayasa prompt melibatkan pembuatan prompt ini untuk mengoptimalkan kinerja model.
Prompting dengan satu contoh memanfaatkan kemampuan tingkat lanjut model bahasa besar (LLM) untuk menghasilkan respons yang koheren dan sesuai secara kontekstual dari satu contoh prompt. Efisiensi ini dimungkinkan oleh beberapa mekanisme yang mendasari, termasuk prompting pengetahuan, prompting visual dalam konteks, dan proyeksi fitur adaptif. Meskipun beberapa mekanisme ini, seperti prompting pengetahuan dan proyeksi fitur adaptif, digeneralisasi dan dapat diterapkan pada berbagai jenis data seperti teks, gambar, dan video, namun mekanisme lainnya, seperti prompting visual dalam konteks, dirancang khusus untuk menangani data gambar atau video.
Prompting visual dalam konteks memungkinkan model untuk menafsirkan dan merespons berdasarkan isyarat visual, yang sangat penting untuk tugas seperti pengenalan gambar atau analisis video. Sebaliknya, prompting pengetahuan dan proyeksi fitur adaptif meningkatkan kemampuan model untuk memahami dan menghasilkan respons di berbagai jenis input, menjadikannya serbaguna di banyak domain.
Misalnya, Anda perlu meringkas dokumen berbahasa Prancis ke dalam bahasa Inggris dan memformat output untuk API tertentu. Menggunakan prompting dengan satu contoh, Anda dapat memberikan satu contoh prompt seperti: “Ringkaslah teks berbahasa Prancis ini ke dalam bahasa Inggris menggunakan templat API {Title}, {Key Points}, {Summary}.” LLM menggunakan kemampuan multibahasa dan proyeksi fitur adaptif untuk menghasilkan format output yang diinginkan. Di Python, proses ini dapat diotomatiskan dengan mengintegrasikan respons model Gen AI ke dalam alur kerja API.
Metode ini melibatkan memanfaatkan basis pengetahuan eksternal atau korpus khusus domain yang sudah ada sebelumnya untuk meningkatkan pemahaman kontekstual dan kemampuan pengambilan keputusan pada model. Dengan mengintegrasikan gambar pengetahuan terstruktur atau proposal teks yang diperkaya dengan informasi yang berhubungan dengan tindakan atau informasi khusus tugas, model ini dapat secara efektif mengambil informasi relevan yang mendukung kesimpulan yang lebih akurat. Sebagai contoh, menanamkan korpus yang berhubungan dengan tindakan, seperti urutan tugas atau peristiwa yang relevan dengan domain, memungkinkan model untuk menggeneralisasi dengan lebih baik ke tugas-tugas baru dalam skenario pembelajaran dengan satu contoh. Pendekatan ini memungkinkan model untuk mengisi kesenjangan pengetahuan dengan menggunakan repositori informasi yang telah ditentukan, sehingga meningkatkan kemampuannya untuk beradaptasi dan menghasilkan respons yang lebih sesuai secara kontekstual.[1] Teknik ini ampuh terutama ketika dikombinasikan dengan LLM skala besar, karena mengurangi kebutuhan akan data pelatihan khusus tugas dalam jumlah yang sangat banyak, namun tetap memberikan output yang kuat.
Teknik ini memanfaatkan isyarat visual seperti mask segmentasi, kotak pembatas, atau titik-titik kunci untuk memandu model dalam memahami dan memproses data gambar atau video secara lebih efektif. Dalam prompting visual dalam konteks, model dilengkapi dengan gambar referensi atau serangkaian segmen gambar yang menyoroti area tertentu yang menarik, sehingga model dapat berfokus pada fitur visual utama selama inferensi. Dengan menggunakan prompt visual ini, model dapat lebih memahami hubungan spasial, batas objek, dan elemen kontekstual dalam gambar, secara signifikan meningkatkan kinerjanya pada tugas mengamati visual. Pendekatan ini telah terbukti meningkatkan kemampuan pembelajaran tanpa contoh dan dengan satu contoh dengan memungkinkan model untuk melakukan generalisasi dari contoh minimal dalam berbagai aplikasi berbasis visual, seperti deteksi objek, klasifikasi gambar, dan segmentasi.[2] Selain itu, teknik ini memungkinkan model untuk menyempurnakan prediksinya dengan beradaptasi secara dinamis pada konteks visual baru dengan data minimal, menjadikannya sangat efektif dalam skenario dengan contoh pelatihan berlabel terbatas.
Dalam pengenalan tindakan dengan satu contoh, proyeksi fitur adaptif mengatasi tantangan variasi temporal dalam data video dengan menyelaraskan dan menyempurnakan fitur yang diekstrak dari waktu ke waktu. Metode ini melibatkan prapelatihan dan penyempurnaan jaringan dasar untuk mempelajari serangkaian fitur umum dan kemudian menerapkan teknik adaptasi fitur, yang memungkinkan model menyesuaikan representasi fitur internalnya secara dinamis berdasarkan perkembangan temporal video. Dengan memproyeksikan fitur input ke ruang yang menangkap pola spasial dan temporal, model dapat menangani variabilitas dalam urutan tindakan dengan lebih baik, memberikan contoh seperti perubahan kecepatan gerak atau interaksi objek. Pendekatan ini secara signifikan meningkatkan kemampuan model untuk mengenali berbagai tindakan hanya dari satu video pelatihan, meningkatkan generalisasi dan akurasinya dalam mengenali tindakan kompleks dalam urutan video baru yang belum pernah dilihat.[3] Proyeksi fitur adaptif sangat berguna dalam menangani dinamika temporal yang sangat terperinci dari tugas berbasis video, menjadikannya komponen penting untuk pengenalan tindakan dengan satu contoh yang berkinerja tinggi.
Strategi ini meningkatkan pembelajaran dengan satu contoh dengan langkah demi langkah yang berfokus pada perhatian model di bagian yang paling relevan dari input. Dalam tugas deteksi tindakan, memusatkan perhatian digunakan melalui mekanisme seperti lintas perhatian antara kumpulan dukungan dan kueri. Pendekatan ini memungkinkan model untuk membandingkan dan menyelaraskan fitur dari video pendukung (yang berisi contoh tindakan) dengan video kueri (di mana tindakan perlu dideteksi). Dengan berfokus pada wilayah temporal atau spasial tertentu yang kemungkinan besar berisi tindakan relevan, model ini menghasilkan proposal tindakan berkualitas tinggi. Mekanisme lintas perhatian ini memungkinkan model untuk secara efektif "memusatkan" perhatian pada berbagai bagian penting dari input, mengurangi informasi yang tidak akurat dan tidak relevan, sehingga meningkatkan kinerjanya dalam skenario pembelajaran dengan satu contoh.[4] Teknik ini membantu mempersempit ruang input yang kompleks, memungkinkan pemrosesan yang lebih efisien pada kumpulan kueri sekaligus mempertahankan akurasi bahkan dengan contoh pelatihan yang minimal.
Mekanisme ini menggambarkan kemampuan beradaptasi dan ketangguhan prompting dengan satu contoh di berbagai domain yang berbeda dengan contoh spesifik. Dengan memanfaatkan teknik perintah tingkat lanjut dan mengintegrasikan pengetahuan eksternal dan isyarat visual, prompting dengan satu contoh dapat mencapai akurasi dan efisiensi tinggi dengan input data minimal.
Prompting dengan satu contoh menawarkan manfaat yang signifikan dan sejumlah tantangan, menjadikannya teknik yang menarik namun kompleks di bidang AI dan machine learning. Berikut ini adalah pandangan mendalam tentang kelebihan dan keterbatasannya:
Keuntungan
Batasan
Buletin Think
Tetaplah menjadi yang terdepan dalam berita industri terbaru, alat AI, dan tren baru dalam rekayasa prompt dengan Buletin Think. Selain itu, dapatkan akses ke artikel penjelas, tutorial, dan insight pakar baru—dikirimkan langsung ke kotak masuk Anda. Lihat Pernyataan Privasi IBM.
Prompting dengan satu contoh adalah teknik ampuh yang menemukan banyak contoh dan aplikasi di berbagai industri dan skenario. Dengan memanfaatkan kemampuan model bahasa besar (LLM) tingkat lanjut dan metode prompting yang canggih, prompting dengan satu contoh dapat secara signifikan meningkatkan efisiensi dan kinerja dalam berbagai tugas. Berikut adalah beberapa contoh penggunaan yang menonjol:
1. Layanan Pelanggan dan Chatbot
Prompting dengan satu contoh dapat sangat meningkatkan kinerja chatbot dan asisten virtual dalam situasi layanan pelanggan. Dengan memberikan satu contoh yang dibuat dengan baik, chatbot dapat dilatih untuk menangani pertanyaan yang rumit, menawarkan tanggapan yang dipersonalisasi, dan meningkatkan kepuasan pelanggan secara keseluruhan. Metode ini mengurangi kebutuhan akan data pelatihan yang ekstensif, sehingga memungkinkan penerapan dan adaptasi yang cepat terhadap skenario layanan pelanggan yang berbeda.[6]
2. Pembuatan Konten dan Otomatisasi
Di bidang pembuatan konten dan otomatisasi, prompting dengan satu contoh dapat digunakan untuk menghasilkan artikel, laporan, dan konten kreatif berkualitas tinggi dengan input minimal. Hal ini sangat berguna bagi para pemasar, penulis, dan pembuat konten yang perlu memproduksi konten dalam jumlah besar secara efisien. Dengan menyediakan satu prompt, model dapat menghasilkan konten yang beragam dan relevan secara kontekstual, sehingga menghemat waktu dan sumber daya.[1]
3. Rekomendasi yang Dipersonalisasi
Prompting dengan satu contoh meningkatkan sistem rekomendasi dengan menghasilkan saran yang disesuaikan berdasarkan input terbatas. Misalnya, platform e-commerce dapat menggunakan prompting dengan satu contoh untuk memberikan rekomendasi produk yang dipersonalisasi, memperbaiki pengalaman berbelanja dan meningkatkan penjualan. Metode ini memanfaatkan data minimal untuk menghasilkan rekomendasi yang sangat akurat dan relevan.[7]
4. Pengenalan Tindakan dalam Video
Dalam analisis video, prompting dengan satu contoh dapat digunakan untuk tugas pengenalan tindakan, seperti mengidentifikasi tindakan tertentu dalam rekaman pengawasan atau analitik olahraga. Dengan memberikan satu contoh video, model dapat belajar mengenali tindakan serupa dalam video baru, bahkan dalam kondisi yang berbeda-beda. Hal ini berharga terutama dalam aplikasi seperti keamanan, analisis kinerja olahraga, dan pengeditan video otomatis.[3]
Dengan demikian, prompting dengan satu contoh merupakan kemajuan yang signifikan dalam AI, menawarkan solusi yang efisien dan fleksibel di berbagai domain. Ketika penelitian terus mengatasi keterbatasannya, potensi penerapan dan manfaat dari teknik ini akan berkembang, berkontribusi pada perkembangan sistem cerdas.