Apa itu rekayasa prompt?
Rekayasa perintah adalah proses ketika Anda memandu solusi kecerdasan buatan generatif (AI generatif) untuk menghasilkan output yang diinginkan. Meskipun AI generatif mencoba meniru manusia, AI generatif membutuhkan instruksi mendetail untuk membuat output yang berkualitas tinggi dan relevan. Dalam rekayasa prompt, Anda memilih format, frasa, kata, dan simbol yang paling tepat yang akan memandu AI berinteraksi dengan pengguna secara lebih bermakna. Rekayasawan prompt menggunakan kreativitas ditambah dengan proses coba-coba untuk membuat kumpulan teks input, sehingga AI generatif aplikasi berfungsi seperti yang diharapkan.
Apa itu prompt?
Perintah adalah teks bahasa alami yang meminta AI generatif untuk melakukan tugas tertentu. AI generatif adalah solusi kecerdasan buatan yang menciptakan konten baru seperti cerita, percakapan, video, gambar, dan musik. Solusi ini didukung oleh model machine learning (ML) yang sangat besar yang menggunakan jaringan neural mendalam yang telah dilatih sebelumnya pada data yang berjumlah besar.
Model bahasa besar (LLM) sangat fleksibel dan dapat melakukan berbagai tugas. Misalnya, LLM dapat meringkas dokumen, melengkapi kalimat, menjawab pertanyaan, dan menerjemahkan bahasa. Untuk input pengguna tertentu, model ini bekerja dengan memprediksi output terbaik yang ditentukan dari pelatihan sebelumnya.
Namun, karena sifatnya yang sangat terbuka, pengguna Anda dapat berinteraksi dengan solusi AI generatif melalui kombinasi data input yang tidak terhitung jumlahnya. Model bahasa AI sangatlah kuat dan tidak memerlukan banyak hal untuk mulai membuat konten. Bahkan satu kata saja sudah cukup bagi sistem untuk membuat respons terperinci.
Oleh karena itu, tidak setiap jenis input menghasilkan output yang bermanfaat. Sistem AI generatif membutuhkan konteks dan informasi terperinci untuk menghasilkan respons yang akurat serta relevan. Ketika Anda mendesain prompt secara sistematis, Anda mendapatkan kreasi yang lebih bermakna dan dapat digunakan. Dalam rekayasa prompt, Anda terus menyempurnakan prompt hingga mendapatkan hasil yang diinginkan dari sistem AI.
Mengapa rekayasa prompt itu penting?
Pekerjaan rekayasa prompt telah meningkat secara signifikan sejak peluncuran AI generatif. Rekayasawan prompt menjembatani kesenjangan antara pengguna akhir dan model bahasa besar. Mereka mengidentifikasi skrip dan templat yang dapat dikustomisasi serta diselesaikan oleh pengguna Anda untuk mendapatkan hasil terbaik dari model bahasa. Para rekayasawan ini bereksperimen dengan berbagai jenis input untuk membangun pustaka prompt yang dapat digunakan kembali oleh developer aplikasi dalam berbagai skenario.
Rekayasa prompt membuat aplikasi AI menjadi lebih efisien dan efektif. Developer aplikasi biasanya merangkum input pengguna terbuka di dalam prompt sebelum meneruskannya ke model AI.
Misalnya, pertimbangkan chatbot AI. Seorang pengguna dapat memasukkan pernyataan masalah yang tidak lengkap seperti, “Di mana tempat untuk membeli baju”. Secara internal, kode aplikasi menggunakan prompt yang direkayasa yang menyatakan, “Anda adalah asisten penjualan untuk perusahaan pakaian. Seorang pengguna, yang berbasis di Alabama, Amerika Serikat, menanyakan tempat untuk membeli baju. Respons dengan tiga lokasi toko terdekat yang saat ini memiliki stok baju”. Chatbot kemudian menghasilkan informasi yang lebih relevan dan akurat.
Selanjutnya, kami membahas beberapa manfaat dari rekayasa prompt.
Kontrol developer yang lebih leluasa
Rekayasa prompt memberi developer kontrol yang lebih leluasa atas interaksi pengguna dengan AI. Prompt yang efektif memberikan maksud dan menetapkan konteks untuk model bahasa besar. Prompt tersebut membantu AI menyempurnakan output dan menyajikannya secara ringkas dalam format yang diperlukan.
Prompt juga mencegah pengguna Anda menyalahgunakan AI atau meminta sesuatu yang tidak diketahui atau tidak dapat ditangani oleh AI secara akurat. Misalnya, Anda mungkin ingin membatasi pengguna agar tidak menghasilkan konten yang tidak pantas dalam aplikasi AI bisnis.
Meningkatkan pengalaman pengguna
Pengguna menghindari proses coba-coba dan masih menerima respons yang koheren, akurat, serta relevan dari alat AI. Rekayasa prompt memudahkan pengguna untuk mendapatkan hasil yang relevan pada prompt pertama. Rekayasa ini membantu mengurangi bias yang mungkin muncul dari bias manusia yang ada dalam data pelatihan model bahasa besar.
Lebih lanjut, rekayasa ini juga meningkatkan interaksi antara pengguna dan AI sehingga AI dapat memahami keinginan pengguna bahkan dengan input minimal. Misalnya, permintaan untuk meringkas dokumen hukum dan artikel berita akan mendapatkan hasil berbeda yang disesuaikan dengan gaya serta nada. Hal ini benar bahkan jika kedua pengguna hanya memberi tahu aplikasi, “Ringkas dokumen ini”.
Fleksibilitas yang meningkat
Tingkat abstraksi yang lebih tinggi meningkatkan model AI dan memungkinkan organisasi untuk membuat alat yang lebih fleksibel dalam skala besar. Seorang rekayasawan prompt dapat membuat prompt dengan instruksi domain netral yang menyoroti tautan yang logis dan pola yang luas. Organisasi dapat dengan cepat menggunakan kembali prompt di seluruh perusahaan untuk memperluas investasi AI mereka.
Misalnya, untuk menemukan peluang optimisasi proses, rekayasawan prompt dapat membuat prompt berbeda yang melatih model AI untuk menemukan inefisiensi menggunakan sinyal yang luas alih-alih data dengan konteks tertentu. Prompt tersebut kemudian dapat digunakan untuk beragam proses dan unit bisnis.
Apa saja kasus penggunaan rekayasa prompt?
Teknik rekayasa prompt digunakan dalam sistem AI canggih untuk meningkatkan pengalaman pengguna dengan model bahasa pembelajaran. Di bawah ini adalah beberapa contohnya.
Keahlian materi subjek
Rekayasa prompt memainkan peran kunci dalam aplikasi yang mengharuskan AI untuk merespons dengan keahlian materi subjek. Seorang rekayasawan prompt yang memiliki pengalaman di bidangnya dapat memandu AI untuk mereferensikan sumber yang tepat dan menyusun jawaban secara tepat berdasarkan pertanyaan yang diajukan.
Misalnya, di bidang medis, seorang dokter dapat menggunakan model bahasa yang direkayasa dengan prompt untuk menghasilkan diagnosis banding untuk kasus yang kompleks. Profesional medis hanya perlu memasukkan gejala dan detail pasien. Aplikasi akan menggunakan prompt yang sudah direkayasa untuk memandu AI mencantumkan kemungkinan penyakit yang terkait dengan gejala yang dimasukkan. Kemudian, aplikasi akan mempersempit daftar berdasarkan informasi pasien tambahan.
Pemikiran kritis
Aplikasi dengan pemikiran kritis membutuhkan model bahasa untuk memecahkan masalah yang kompleks. Untuk melakukannya, model menganalisis informasi dari sudut yang berbeda, mengevaluasi kredibilitasnya, dan membuat keputusan yang beralasan. Rekayasa prompt meningkatkan kemampuan analisis data model.
Misalnya, dalam skenario pengambilan keputusan, Anda dapat mengajukan prompt pada model untuk membuat daftar semua opsi potensial, mengevaluasi setiap opsi, dan merekomendasikan solusi terbaik.
Kreativitas
Kreativitas melibatkan penciptaan ide, konsep, atau solusi baru. Rekayasa prompt dapat digunakan untuk meningkatkan kemampuan kreatif model dalam berbagai skenario.
Misalnya, dalam skenario penulisan, seorang penulis dapat menggunakan model yang direkayasa dengan prompt guna membantu menghasilkan ide untuk sebuah cerita. Penulis dapat membuat prompt pada model untuk membuat daftar karakter, latar, dan plot, lalu mengembangkan sebuah cerita dengan elemen-elemen tersebut. Atau, seorang desainer grafis dapat membuat prompt pada model untuk menghasilkan daftar palet warna yang membangkitkan emosi tertentu, lalu membuat desain menggunakan palet tersebut.
Apa itu teknik rekayasa prompt?
Rekayasa prompt adalah bidang yang dinamis dan berkembang. Rekayasa ini membutuhkan keterampilan linguistik dan ekspresi kreatif untuk menyempurnakan petunjuk dan mendapatkan respons yang diinginkan dari alat AI generatif.
Berikut adalah beberapa contoh teknik yang digunakan oleh para rekayasawan untuk meningkatkan tugas pemrosesan bahasa alami (NLP) model AI mereka.
Pembuatan prompt rantai pemikiran
Pembuatan prompt rantai pemikiran adalah teknik yang dapat memecah pertanyaan kompleks menjadi bagian-bagian yang lebih kecil dan logis yang meniru rangkaian pemikiran. Teknik ini akan membantu model memecahkan masalah di serangkaian langkah peralihan alih-alih langsung menjawab pertanyaan. Teknik ini dapat meningkatkan kemampuan penalarannya.
Anda dapat melakukan beberapa rollout rantai pemikiran untuk tugas-tugas yang kompleks dan memilih kesimpulan yang paling umum dicapai. Jika hasil rollout berbeda-beda secara signifikan, seseorang dapat dikonsultasikan untuk memperbaiki rantai pemikirannya.
Misalnya, jika ada pertanyaan “Apa ibu kota Prancis?”, model tersebut mungkin akan melakukan beberapa rollout yang mengarah ke jawaban seperti “Paris,” “Ibu kota Prancis adalah Paris,” dan “Paris adalah ibu kota Prancis.” Karena semua rollout mengarah pada kesimpulan yang sama, “Paris” akan dipilih sebagai jawaban final.
Pembuatan prompt pohon pemikiran
Teknik pohon pemikiran dapat menggeneralisasi pembuatan prompt rantai pemikiran. Teknik ini akan membuat prompt pada model untuk menghasilkan satu atau beberapa kemungkinan langkah berikutnya. Kemudian, teknik ini akan menjalankan model pada setiap kemungkinan langkah berikutnya menggunakan metode pencarian pohon.
Misalnya, jika ada pertanyaan “Apa dampak dari perubahan iklim?”, model tersebut akan langsung menghasilkan kemungkinan langkah berikutnya seperti, “Tuliskan dampak-dampak lingkungan yang ditimbulkan” dan “Tuliskan dampak-dampak sosial yang ditimbulkan.” Teknik ini kemudian akan menguraikan masing-masing dari kemungkinan ini dalam langkah selanjutnya.
Pembuatan prompt maieutic
Pembuatan prompt maieutic sama halnya dengan pembuatan prompt pohon pemikiran. Model akan diberikan prompt untuk menjawab pertanyaan beserta penjelasan. Model tersebut kemudian diberikan prompt untuk menjelaskan bagian-bagian dari penjelasan. Pohon penjelasan yang tidak konsisten akan dipangkas atau dibuang. Hal ini akan meningkatkan performa penalaran akal sehat yang kompleks.
Misalnya, jika pertanyaannya adalah “Mengapa langit berwarna biru?”, model tersebut mungkin akan menjawab, “Langit tampak biru di mata manusia karena gelombang pendek cahaya biru disebarkan ke segala arah oleh gas dan partikel di atmosfer bumi.” Kemudian, pertanyaan mungkin akan berkembang pada bagian-bagian dari penjelasan ini, seperti mengapa cahaya biru disebarkan lebih banyak daripada warna lain dan apa komponen penyusun atmosfer bumi.
Pembuatan prompt berbasis kompleksitas
Teknik rekayasa prompt ini melibatkan operasi beberapa rollout rantai pemikiran. Teknik ini memilih rollout dengan rantai pemikiran terpanjang, lalu memilih kesimpulan yang paling umum dicapai.
Misalnya, jika pertanyaannya adalah soal matematika kompleks, model ini mungkin melakukan beberapa rollout, yang masing-masing melibatkan beberapa langkah penghitungan. Model ini akan mempertimbangkan rollout dengan rantai pemikiran terpanjang, yang untuk contoh ini akan menjadi penghitungan dengan langkah terbanyak. Rollout yang mencapai kesimpulan yang sama dengan rollout lainnya akan dipilih sebagai jawaban akhir.
Pembuatan prompt pengetahuan yang dihasilkan
Teknik ini melibatkan pembuatan prompt model untuk terlebih dahulu menghasilkan fakta relevan yang diperlukan untuk menyelesaikan prompt. Kemudian, teknik ini memproses untuk menyelesaikan prompt. Teknik ini sering kali menghasilkan kualitas penyelesaian yang lebih tinggi karena model dikondisikan pada fakta yang relevan.
Misalnya, bayangkan seorang pengguna melakukan prompt pada model untuk menulis esai tentang efek deforestasi. Model tersebut mungkin akan menghasilkan fakta seperti “deforestasi berkontribusi terhadap perubahan iklim” dan “deforestasi menyebabkan musnahnya keanekaragaman hayati”. Kemudian, model akan menguraikan poin-poin tersebut dalam esai.
Pembuatan prompt dari paling sedikit ke paling banyak
Dalam teknik rekayasa prompt ini, model diberikan prompt terlebih dahulu untuk membuat daftar submasalah dari sebuah masalah, lalu menyelesaikannya secara berurutan. Pendekatan ini memastikan bahwa submasalah selanjutnya dapat diselesaikan dengan bantuan jawaban dari submasalah sebelumnya.
Misalnya, bayangkan pengguna melakukan prompt model dengan soal matematika seperti “Selesaikan x dalam persamaan 2x + 3 = 11”. Model tersebut mungkin akan mencantumkan submasalah sebagai “Kurangkan 3 dari kedua sisi” dan “Bagi 2”. Model tersebut kemudian akan menyelesaikannya secara berurutan untuk mendapatkan jawaban akhir.
Pembuatan prompt dengan penyempurnaan mandiri
Dalam teknik ini, model diberikan prompt untuk memecahkan masalah, mengkritik solusinya, lalu menyelesaikan masalah dengan mempertimbangkan masalah, solusi, dan kritiknya. Proses pemecahan masalah berulang hingga mencapai alasan yang telah ditentukan untuk berhenti. Misalnya, model dapat kehabisan token atau waktu, atau model dapat mengeluarkan token berhenti.
Misalnya, bayangkan seorang pengguna membuat prompt pada model, “Tuliskan esai singkat tentang literatur”. Model tersebut mungkin akan menyusun esai, mengkritiknya karena kurangnya contoh spesifik, dan menulis ulang esai untuk memasukkan contoh-contoh spesifik. Proses ini akan berulang hingga esai dianggap memuaskan atau hingga kriteria berhenti telah terpenuhi.
Pembuatan prompt stimulus terarah
Teknik rekayasa prompt ini mencakup petunjuk atau isyarat, seperti kata kunci yang diinginkan, untuk memandu model bahasa mencapai output yang diinginkan.
Misalnya, jika prompt-nya adalah menulis puisi tentang cinta, rekayasawan prompt dapat membuat prompt yang berisi “hati”, “gairah”, dan “abadi”. Model tersebut mungkin akan diberikan prompt, “Tuliskan puisi tentang cinta yang mengandung kata-kata 'hati’, ‘gairah', dan 'abadi'”. Prompt ini akan memandu model untuk membuat puisi dengan kata-kata kunci tersebut.
Apa saja praktik terbaik rekayasa prompt?
Rekayasa prompt yang baik mengharuskan Anda untuk mengomunikasikan instruksi dengan konteks, cakupan, dan respons yang diharapkan. Selanjutnya, kami akan membagikan beberapa praktik terbaik.
Prompt yang jelas
Tentukan respons yang diinginkan dalam prompt Anda secara jelas untuk menghindari salah tafsir oleh AI. Misalnya, jika Anda meminta ringkasan novel, nyatakan dengan jelas bahwa Anda mencari ringkasan, bukan analisis terperinci. Ini membantu AI untuk berfokus hanya pada permintaan Anda dan memberikan respons yang sesuai dengan tujuan Anda.
Konteks yang memadai dalam prompt
Berikan konteks yang memadai dalam prompt dan sertakan persyaratan output dalam input prompt Anda, dengan membatasi ke format tertentu. Misalnya, Anda menginginkan daftar film paling populer tahun 1990-an dalam format tabel. Untuk mendapatkan hasil yang tepat, Anda harus menyatakan jumlah film yang perlu dicantumkan dalam daftar secara eksplisit dan meminta format tabel.
Keseimbangan antara informasi yang ditargetkan dan output yang diinginkan
Seimbangkan kesederhanaan dan kompleksitas di dalam prompt Anda untuk menghindari jawaban yang tidak jelas, tidak terkait, atau tidak terduga. Prompt yang terlalu sederhana mungkin tidak akan memiliki konteks sementara prompt yang terlalu kompleks dapat membingungkan AI. Hal ini sangat penting untuk topik yang kompleks atau bahasa khusus domain, yang mungkin kurang dikenal AI. Sebagai gantinya, gunakan bahasa sederhana dan kurangi panjang kata pada prompt untuk membuat pertanyaan Anda lebih mudah dipahami.
Lakukan eksperimen dan perbaiki prompt
Rekayasa prompt adalah proses yang berulang. Bereksperimen dengan ide yang berbeda dan menguji prompt AI guna melihat hasilnya sangat penting untuk dilakukan. Anda mungkin perlu beberapa kali mencoba untuk mengoptimalkan akurasi dan relevansi. Pengujian dan iterasi yang berkelanjutan dapat mengurangi ukuran prompt dan membantu model menghasilkan output yang lebih baik. Tidak ada aturan tetap tentang cara AI menghasilkan informasi. Oleh sebab itu, fleksibilitas dan kemampuan beradaptasi adalah hal yang sangat penting.
Bagaimana cara AWS mendukung persyaratan AI generatif Anda?
Amazon Web Services (AWS) menawarkan berbagai macam alat untuk membangun dan menggunakan AI generatif. Misalnya, Anda dapat menggunakan layanan berikut:
- Amazon Q Developer untuk menghasilkan saran kode mulai dari cuplikan hingga fungsi penuh secara waktu nyata berdasarkan komentar Anda dan kode yang ada.
- Amazon Bedrock untuk mempercepat pengembangan aplikasi AI generatif menggunakan model bahasa melalui API, tanpa mengelola infrastruktur.
- Amazon SageMaker JumpStart untuk menemukan, menjelajahi, dan melakukan deployment model bahasa sumber terbuka. Misalnya, Anda dapat bekerja dengan model seperti OpenLLaMA, RedPajama, MPT-7B dari MosaicML, FLAN-T5, GPT-NeoX-20B, dan BLOOM.
Jika Anda lebih suka membuat model sendiri, gunakan Amazon SageMaker. Amazon SageMaker menyediakan infrastruktur dan peralatan yang terkelola untuk mempercepat pembangunan, pelatihan, dan deployment model yang dapat diskalakan, andal, serta aman.
Mulai menggunakan rekayasa perintah di AWS dengan membuat akun sekarang.
