Teknik rekayasa prompt adalah strategi yang digunakan untuk merancang dan menyusun prompt, memasukkan kueri atau instruksi yang disediakan bagi model AI, terutama model bahasa besar (LLM) seperti GPT-4 dari OpenAI, Gemini dari Google, atau IBM® Granite. Semua teknik ini bertujuan untuk memandu sistem AI generatif (gen AI) untuk menghasilkan respons yang akurat, relevan, dan sesuai secara kontekstual, memungkinkan pengguna mencapai output yang diinginkan secara efektif.
Model bahasa besar yang dibangun di atas algoritma machine learning tingkat lanjut mampu memahami dan menghasilkan teks seperti manusia. Rekayasa prompt memanfaatkan kemampuan ini dengan membuat input yang membantu model melakukan berbagai tugas kompleks, seperti perangkuman, penerjemahan, penulisan kreatif, atau pemecahan masalah, dengan presisi yang lebih tinggi. Melalui eksperimen dengan struktur prompt berbeda, pengguna dapat memengaruhi perilaku LLM untuk mengoptimalkan kinerja mereka di berbagai aplikasi.
Karena AI generatif terus memainkan peran kunci di berbagai domain, memahami rekayasa prompt menjadi penting untuk membuka potensi penuhnya dan menyesuaikan model AI untuk memenuhi kebutuhan tertentu secara efisien.
Sebuah prompt adalah teks atau kueri input yang diberikan kepada model AI, seperti model bahasa besar, untuk menghasilkan respons. Prompt berfungsi sebagai mekanisme utama untuk memandu perilaku model, mendefinisikan tugas, dan menetapkan konteks interaksi. Desain prompt secara signifikan memengaruhi kualitas dan relevansi output, sehingga penting untuk memilih jenis prompt yang tepat untuk tugas-tugas tertentu.
Untuk mencapai hasil terbaik dari model AI, penting untuk memahami berbagai cara penyusunan prompt agar sesuai dengan tugas dan tujuan yang berbeda. Ada tiga cara utama untuk menyusun prompt: instruksi langsung, instruksi terbuka, dan instruksi khusus tugas.
Instruksi langsung adalah perintah yang jelas dan spesifik yang memberi tahu AI dengan pasti tentang apa yang harus dilakukan. Prompt ini ideal untuk tugas-tugas langsung di mana pengguna memiliki harapan output yang jelas. Prompt langsung mengandalkan kemampuan model untuk mengurai instruksi eksplisit dan menghasilkan respons yang selaras dengan perintah. Semakin terperinci instruksi, semakin besar kemungkinan output akan memenuhi harapan.
Contoh:
Dalam hal ini, AI mengetahui format [puisi] yang tepat dan topik [alam] untuk menghasilkan teks.
Instruksi terbuka kurang membatasi dan mendorong AI untuk menjelajahi berbagai ide yang lebih luas atau memberikan tanggapan kreatif dan bersifat menafsirkan. Prompt ini berguna untuk curah pendapat, menuturkan kisah, atau diskusi eksplorasi di mana pengguna menghargai variasi dan keaslian dalam output. Prompt terbuka memanfaatkan kemampuan generatif model tanpa membebankan kendala. Model ini bergantung pada data pelatihannya untuk menyimpulkan pendekatan terbaik pada prompt, yang dapat memberikan hasil yang beragam atau tidak terduga.
Contoh:
Di sini, AI memiliki kebebasan untuk menentukan aspek alam semesta apa yang akan dibahas, seperti asal-usul, struktur, atau teori ilmiahnya.
Instruksi khusus tugas dirancang untuk tugas yang tepat dan berorientasi pada tujuan seperti penerjemahan, perangkuman, atau perhitungan. Prompt ini sering kali dibuat dengan jelas dan dapat menyertakan konteks atau contoh tambahan untuk membantu memastikan respons yang akurat. Prompt khusus tugas memanfaatkan pemahaman model tentang tugas khusus. Mereka dapat menggabungkan teknik perintah tingkat lanjut seperti prompting dengan beberapa contoh (memberikan contoh) atau prompting tanpa contoh (tidak memberikan contoh, tetapi mengandalkan pengetahuan yang telah dilatih sebelumnya pada model).
Contoh:
Model ini memahami tugas penerjemahan bahasa dan teks input spesifik, sehingga dapat menghasilkan output yang diinginkan: "Bonjour."
Dengan memahami jenis prompt ini dan nuansa teknis di baliknya, pengguna dapat membuat prompt yang memandu model AI secara efektif, sehingga mengoptimalkan kualitas dan relevansi respons.
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.
Untuk memaksimalkan efektivitas model AI, rekayasa prompt menggunakan berbagai teknik yang disesuaikan dengan tugas dan tujuan berbeda. Berikut ini adalah beberapa teknik utama, masing-masing dijelaskan dengan contoh prompt yang dirancang untuk mencapai hasil tertentu.
Untuk menunjukkan efektivitas berbagai teknik rekayasa prompt, mari kita lihat satu tugas sebagai contoh penggunaan utama: menjelaskan perubahan iklim. Tugas dikemas sebagai berikut:
Setiap teknik mendekati tugas secara berbeda, menawarkan berbagai tingkat panduan, kompleksitas, dan metodologi. Di bawah ini, kami menjelajahi bagaimana teknik ini dapat diterapkan pada contoh penggunaan ini, dengan prompt yang disesuaikan untuk menyoroti kemampuan uniknya.
Prompting tanpa contoh melibatkan tindakan meminta model untuk melakukan tugas tanpa memberikan contoh atau panduan sebelumnya. Prompting ini sepenuhnya bergantung pada pengetahuan AI yang telah dilatih sebelumnya untuk menafsirkan dan menanggapi prompt.[1]
Contoh prompt:
Model ini tidak diberikan contoh sebelumnya atau konteks tambahan dan harus sepenuhnya mengandalkan pengetahuan yang sudah dilatih padanya untuk menghasilkan output.
Prompting dengan beberapa contoh menyertakan sejumlah kecil contoh dalam prompt untuk mendemonstrasikan tugas kepada model. Pendekatan ini membantu model lebih memahami konteks dan output yang diharapkan.[2]
Contoh prompt:
Dengan memberikan beberapa contoh tentang cara menjelaskan topik lain, model ini dipandu seputar intonasi dan tingkat kesederhanaan yang diharapkan untuk penjelasan perubahan iklim.
Prompting CoT mendorong model untuk bernalar melalui masalah langkah demi langkah, memecahnya menjadi komponen yang lebih kecil untuk sampai pada kesimpulan yang logis.[3]
Contoh prompt:
Model didorong untuk berpikir langkah demi langkah, memecah penjelasan menjadi berbagai bagian logis yang lebih kecil untuk mendapatkan kejelasan.
Prompting meta melibatkan tindakan meminta model untuk menghasilkan atau menyempurnakan promptnya sendiri untuk melakukan tugas dengan lebih baik. Teknik ini dapat meningkatkan kualitas output dengan memanfaatkan kemampuan model untuk mengarahkan dirinya sendiri.[4]
Contoh prompt:
Model ini menghasilkan prompt sendiri sebelum mencoba menjelaskan topik, sehingga berpotensi meningkatkan relevansi dan kualitas output.
Konsistensi diri menggunakan beberapa pembuatan independen dari model untuk mengidentifikasi respons yang paling koheren atau akurat. Ini sangat berguna untuk tugas yang membutuhkan penalaran atau interpretasi.[5]
Contoh prompt:
Model ini menghasilkan beberapa respons independen dan memilih respons yang paling konsisten atau koheren sebagai output akhir.
Teknik ini melibatkan tindakan meminta model untuk menghasilkan pengetahuan latar belakang sebelum menangani tugas utama, sehingga meningkatkan kemampuannya untuk menghasilkan respons yang tepat dan akurat.[6]
Contoh prompt:
Model menghasilkan pengetahuan latar belakang terlebih dahulu (misalnya, gas rumah kaca, pemanasan global) untuk memberikan penjelasan yang lebih tepat.
Rantai prompt melibatkan menghubungkan beberapa prompt bersama-sama, di mana output dari satu prompt berfungsi sebagai input untuk prompt berikutnya. Teknik ini ideal untuk proses dengan beberapa langkah.
Contoh prompt:
Prompt berikutnya berdasarkan respons sebelumnya:
Prompt berikutnya berdasarkan respons sebelumnya:
Tugas dibagi menjadi rantai prompt yang lebih kecil, dengan output dari setiap langkah dimasukkan ke langkah berikutnya untuk penjelasan yang lebih terstruktur.
Prompting pohon pemikiran mendorong model untuk menjelajahi berbagai cabang penalaran atau ide sebelum sampai pada output akhir.[7][8]
Contoh prompt:
Model ini menjelajahi berbagai pendekatan pada penjelasan dan memilih yang paling efektif, sehingga memberikan output yang menyeluruh.
Pembuatan respons dengan pengambilan data yang ditingkatkan (RAG) menggabungkan pengambilan informasi eksternal dengan AI generatif untuk menghasilkan respons berdasarkan pengetahuan terkini atau khusus domain.[9]
Contoh prompt:
Model ini menggabungkan kemampuan generatifnya dengan pengetahuan eksternal untuk menghasilkan penjelasan yang tepat.
Teknik ini mengintegrasikan kemampuan penalaran dengan alat eksternal atau antarmuka pemrograman aplikasi (API), sehingga model dapat menggunakan sumber daya seperti kalkulator atau mesin pencari.[10]
Contoh prompt:
Model ini mengintegrasikan penalaran dengan alat eksternal (misalnya, kalkulator atau API) untuk menganalisis data dan memberikan penjelasan berbasis data.
Metode ini melibatkan penggunaan AI itu sendiri untuk menghasilkan dan mengoptimalkan prompt untuk tugas-tugas tertentu, sehingga mengotomatiskan proses pembuatan instruksi yang efektif.
Contoh prompt:
Model ini mengotomatiskan pembuatan prompt yang dioptimalkan untuk meningkatkan kualitas responsnya.
Prompting aktif secara dinamis menyesuaikan prompt berdasarkan output perantara dari model, menyempurnakan input untuk hasil yang lebih baik.[11]
Prompt awal
Prompt tindak lanjut
Prompt berkembang secara dinamis berdasarkan output perantara, menyempurnakan respons melalui iterasi.
Prompting stimulus terarah (DSP) menggunakan isyarat terarah untuk mendorong model ke arah jenis respons atau perspektif tertentu.[12]
Contoh prompt:
Model didorong ke arah perspektif atau intonasi tertentu yang memengaruhi caranya mengemas penjelasan.
PALM mengintegrasikan kemampuan pemrograman untuk meningkatkan keterampilan penalaran dan komputasi model.[13]
Contoh prompt:
Model ini menggabungkan pemrograman dengan pembuatan bahasa untuk memberikan visualisasi dan penjelasan.
ReAct menggabungkan prompt penalaran dan tindakan, mendorong model untuk berpikir secara kritis dan bertindak berdasarkan penalarannya.[14]
Contoh prompt:
Contoh ini menggambarkan bagaimana model dapat menggabungkan penalaran analitis dengan insight yang dapat ditindaklanjuti.
Refleksi memungkinkan model untuk mengevaluasi output sebelumnya dan menyempurnakannya untuk meningkatkan akurasi atau koherensi.[15]
Contoh prompt:
Model mencerminkan output sebelumnya dan secara berulang meningkatkannya.
Teknik ini mengintegrasikan rantai penalaran pemikiran di berbagai modalitas, seperti teks, gambar, atau audio.[16]
Contoh prompt:
Model ini mengintegrasikan penalaran di berbagai modalitas (teks dan gambar) untuk memberikan penjelasan yang komprehensif.
Prompting grafik memanfaatkan struktur berbasis grafik untuk mengatur dan bernalar hubungan yang kompleks antara konsep atau titik data.
Contoh prompt:
Model ini menggunakan penalaran berbasis grafik untuk menghubungkan titik data dan menghasilkan penjelasan yang mendalam.
Dengan demikian, kita dapat melihat bagaimana teknik rekayasa prompt yang berbeda dapat diterapkan pada satu tugas. Dengan menggunakan tugas yang sama di seluruh metode seperti tanpa contoh, dengan beberapa contoh, rantai pemikiran dan pohon pemikiran, kita bisa melihat bagaimana setiap teknik menyusun tugas secara berbeda dan memandu AI untuk menghasilkan respons yang unik. Semua contoh ini menunjukkan fleksibilitas dan kreativitas rekayasa prompt dalam memecahkan berbagai tantangan. Pembaca disarankan untuk mencoba contoh prompt ini dengan model atau aplikasi AI berbeda, seperti model IBM Granite, ChatGPT dari OpenAI, Bard dari Google, Claude dari Anthropic, Cohere atau Jurassic dari AI21 Labs. Melakukannya memungkinkan pengguna untuk melihat bagaimana output bervariasi dan menemukan apa yang paling cocok untuk kebutuhan mereka.
Meskipun sangat tangguh, teknik rekayasa prompt menimbulkan beberapa tantangan. Membuat prompt efektif yang secara konsisten menghasilkan output akurat bisa jadi sulit, terutama untuk tugas-tugas yang membutuhkan penalaran kompleks, pemahaman akal sehat, atau respons mendalam. Halusinasi adalah masalah umum lainnya, di mana model AI menghasilkan informasi yang tidak akurat atau sepenuhnya dibuat-buat. Mengandalkan templat terstruktur atau menyempurnakan model dapat membantu mengurangi beberapa masalah ini, tetapi merancang prompt yang dapat digunakan di berbagai skenario tetap merupakan proses coba-coba. Selain itu, menyeimbangkan kemampuan umum kecerdasan buatan dengan tujuan khusus tugas bisa jadi rumit, terutama untuk tugas khusus atau tugas khusus domain.
Teknik rekayasa prompt dapat diterapkan secara luas di berbagai bidang. Dalam chatbot, mereka membantu menyempurnakan respons yang dihasilkan untuk meningkatkan interaksi pengguna secara real-time. Bagi pengembang, prompt dapat membantu dalam menghasilkan cuplikan kode atau membuat tutorial langkah demi langkah untuk konsep pemrograman. Dalam pendidikan, mereka dapat menyederhanakan penjelasan atau memecahkan masalah matematika dengan penalaran yang terperinci. Bisnis menggunakan rekayasa prompt untuk pengambilan keputusan dengan menghasilkan output AI yang disesuaikan dengan skenario tertentu. Dalam skala besar, semua teknik ini digunakan dalam pembuatan konten, dukungan pelanggan, dan alur kerja otomatis, menjadikan sistem AI lebih efisien dan mudah beradaptasi dengan tugas yang berbeda.
Masa depan teknik rekayasa prompt terletak pada memajukan pemrosesan bahasa alami untuk membantu memastikan respons yang lebih akurat dan relevan di berbagai aplikasi. Seiring dengan perkembangan model AI, kemampuan penalaran mereka akan meningkat, memungkinkan mereka untuk menangani tugas yang lebih kompleks dengan prompting minimal. Kami juga mengharapkan pengembangan alat dan kerangka kerja yang lebih cerdas untuk mengotomatiskan dan mengoptimalkan pembuatan prompt, menjadikan interaksi dengan AI lebih intuitif, efisien, dan dipersonalisasi untuk pengguna di berbagai domain.
Teknik rekayasa prompt sangat penting untuk mengoptimalkan interaksi AI dan membuka potensi penuh dari model bahasa yang besar. Dengan menggunakan pendekatan terstruktur seperti tanpa contoh, dengan beberapa contoh, rantai pemikiran dan pohon pemikiran, semua teknik ini memungkinkan AI menangani berbagai tugas, mulai dari chatbot hingga pengambilan keputusan dan pendidikan. Terlepas dari tantangan seperti halusinasi dan merancang prompt yang efektif, aplikasi rekayasa prompt terus meluas di berbagai domain, memberikan output AI yang lebih cerdas dan lebih disesuaikan. Seiring kemajuan dalam pemrosesan bahasa alami dan kemampuan penalaran, masa depan rekayasa prompt menjanjikan efisiensi dan kemampuan beradaptasi yang lebih besar. Pembaca disarankan untuk bereksperimen dengan semua teknik ini di berbagai model AI berbeda untuk menjelajahi kemampuan mereka dan menyempurnakan hasilnya.
[1] Wei, J., Bosma, M., Zhao, V.Y., Guu, K., Yu, A.W., Lester, B., Du, N., Dai, A.M. dan Le, Q.V., 2021. Finetuned language models are zero-shot learners. arXiv preprint arXiv:2109.01652.
[2] Touvron, H., Lavril, T., Izacard, G., Martinet, X., Lachaux, M.A., Lacroix, T., Rozière, B., Goyal, N., Hambro, E., Azhar, F. dan Rodriguez, A., 2023. Llama: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971.
[3] Wei, J., Wang, X., Schuurmans, D., Bosma, M., Xia, F., Chi, E., Le, Q.V. dan Zhou, D., 2022. Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35, hal.24824-24837.
[4] Zhang, Y., Yuan, Y. dan Yao, A.C.C., 2023. Meta prompting for ai systems. arXiv preprint arXiv:2311.11482.
[5] Wang, X., Wei, J., Schuurmans, D., Le, Q., Chi, E., Narang, S., Chowdhery, A. dan Zhou, D., 2022. Self-consistency improves chain of thought reasoning in language models. arXiv preprint arXiv:2203.11171.
[6] Liu, J., Liu, A., Lu, X., Welleck, S., West, P., Bras, R.L., Choi, Y. dan Hajishirzi, H., 2021. Generated knowledge prompting for commonsense reasoning. arXiv preprint arXiv:2110.08387.
[7] Yao, S., Yu, D., Zhao, J., Shafran, I., Griffiths, T., Cao, Y. dan Narasimhan, K., 2023. Tree of thoughts: Deliberate problem solving with large language models. Advances in neural information processing systems, 36, hal. 11809-11822.
[8] Long, J., 2023. Large language model guided tree-of-thought. arXiv preprint arXiv:2305.08291.
[9] Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.T., Rocktäschel, T. dan Riedel, S., 2020. Retrieval-augmented generation for knowledge-intensive nlp tasks. Advances in neural information processing systems, 33, hal. 9459-9474.
[10] Paranjape, B., Lundberg, S., Singh, S., Hajishirzi, H., Zettlemoyer, L. dan Ribeiro, M.T., 2023. Art: Automatic multi-step reasoning and tool-use for large language models. arXiv preprint arXiv:2303.09014.
[11] Diao, S., Wang, P., Lin, Y., Pan, R., Liu, X. dan Zhang, T., 2023. Active prompting with chain-of-thought for large language models. arXiv preprint arXiv:2302.12246.
[12] Li, Z., Peng, B., He, P., Galley, M., Gao, J. dan Yan, X., 2023. Guiding large language models via directional stimulus prompting. Advances in Neural Information Processing Systems, 36, hal. 62630-62656
[13] Gao, L., Madaan, A., Zhou, S., Alon, U., Liu, P., Yang, Y., Callan, J. dan Neubig, G., 2022. Pal: program-aided language models. arXiv. arXiv preprint arXiv:2211.10435.
[14] Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K. dan Cao, Y., 2023, Januari. React: Synergizing reasoning and acting in language models. Dalam Konferensi Internasional tentang Representasi Pembelajaran (ICLR).
[15] Shinn, N., Cassano, F., Gopinath, A., Narasimhan, K. dan Yao, S., 2023. Reflexion: Language agents with verbal reinforcement learning. Advances in Neural Information Processing Systems, 36, hal. 8634-8652.
[16] Zhang, Z., Zhang, A., Li, M., Zhao, H., Karypis, G. dan Smola, A., 2023. Multimodal chain-of-thought reasoning in language models. arXiv preprint arXiv:2302.00923.
[17] Liu, Z., Yu, X., Fang, Y. dan Zhang, X., 2023, April. Graphprompt: Unifying pre-training and downstream tasks for graph neural networks. Dalam Prosiding konferensi web ACM 2023 (hal. 417-428).