Few-Shot Prompting (Teknik Prompt dengan Contoh)
Few-shot prompting adalah teknik memberikan instruksi kepada kecerdasan buatan dengan menyertakan beberapa contoh jawaban agar menghasilkan format yang konsisten.
Few-shot prompting adalah teknik menyusun instruksi untuk kecerdasan buatan dengan menyertakan dua hingga beberapa contoh pasangan masukan dan keluaran yang diharapkan sebelum meminta sistem mengerjakan tugas sebenarnya. Alih-alih hanya menjelaskan aturan penulisan yang panjang dan rumit lewat kalimat teori, Anda langsung memperlihatkan pola jawaban yang diinginkan. Kata shot dalam istilah ini mengacu pada jumlah contoh nyata yang Anda berikan.
Analogi sederhananya mirip seperti melatih karyawan baru di bagian administrasi sebuah toko grosir di Surabaya. Ketimbang memintanya membaca buku panduan tebal tentang tata cara pencatatan nota, Anda cukup menunjukkan dua lembar nota kemarin yang sudah diisi dengan benar. Karyawan tersebut akan langsung memahami gaya penulisan, singkatan yang dipakai, letak nominal harga, dan cara merapikan catatan barang berikutnya.
Cara Kerja Few-Shot Prompting
Model bahasa skala besar bekerja dengan mengenali pola bahasa dan probabilitas kata berikutnya. Ketika Anda memberikan perintah berupa teks instruksi saja, sistem harus menebak gaya bahasa, tingkat formalitas, serta struktur data yang Anda bayangkan di kepala Anda. Di sinilah sering terjadi ketidaksesuaian hasil.
Dengan menyisipkan dua atau tiga contoh yang jelas, model akan mengunci pola tersebut. Sistem mempelajari hubungan antara format masukan (input) dan format keluaran (output). Begitu sistem melihat masukan baru di bagian akhir prompt, ia tidak lagi berspekulasi melainkan langsung meniru ritme, struktur tanda baca, dan logika yang sudah Anda tunjukkan pada contoh sebelumnya.
Contoh Penerapan untuk Admin Toko Online
Teknik ini sangat berguna untuk tugas pemformatan data mentah yang sering berantakan, misalnya rekapan pesanan pelanggan lewat WhatsApp bagi pelaku UMKM di Indonesia. Pesan dari pembeli sering kali tidak beraturan, mencampurkan alamat, pilihan barang, dan nomor telepon tanpa struktur yang rapi.
Berikut adalah ilustrasi penerapan few-shot prompting dalam menyusun data pesanan:
Contoh 1:
Pesan Masuk: Halo kak, mau pesan gamis mocca ukuran L 1 pcs kirim ke Bu Rina, Jalan Melati No 12 Solo, no hp 08123456789
Format Rapi: Nama: Bu Rina | Produk: Gamis Mocca (L) x1 | Alamat: Jl. Melati No. 12, Solo | Kontak: 08123456789
Contoh 2:
Pesan Masuk: Siang min, keripik balado 3 bungkus atas nama Doni ya. Alamat Jl Pemuda 5 Bandung. Hp 08189876543
Format Rapi: Nama: Doni | Produk: Keripik Balado x3 | Alamat: Jl. Pemuda 5, Bandung | Kontak: 08189876543
Pesan Masuk: Mau order kopi susu literan 2 botol buat Budi Santoso, kirim ke kantor kelurahan Sukajadi Bandung, telp 08112233445
Format Rapi:
Dengan pola di atas, kecerdasan buatan tidak akan menjawab dengan kalimat basa-basi seperti "Tentu, ini hasil rekapnya:". Sistem akan langsung melanjutkan teks dengan baris yang sesuai persis dengan pola kedua contoh sebelumnya.
Few-Shot vs Zero-Shot: Apa Bedanya?
Dalam rekayasa prompt, istilah perbandingan yang paling sering ditemui adalah antara zero-shot dan few-shot:
- Zero-Shot Prompting: Anda memberikan instruksi langsung tanpa contoh sama sekali. Contohnya: "Ubah ulasan pelanggan ini menjadi ringkasan bernada positif atau negatif." Teknik ini cepat dan hemat ruang teks, namun hasilnya bisa bervariasi tergantung penafsiran model.
- Few-Shot Prompting: Anda memberikan instruksi lengkap dengan beberapa contoh masukan dan hasil klasifikasinya. Anda memperlihatkan bagaimana kalimat ulasan khas daerah dianalisis, sehingga model memahami nuansa bahasa santai atau istilah gaul setempat.
Kesalahan Umum yang Sering Dilakukan
Meskipun sederhana, penggunaan teknik ini sering kali kurang optimal karena beberapa kekeliruan teknis:
- Contoh yang tidak konsisten: Jika pada contoh pertama Anda menulis tanggal dalam format angka (01/01/2024), tetapi pada contoh kedua Anda menulis teks (1 Januari 2024), model akan bingung memilih pola mana yang harus dipertahankan.
- Jumlah contoh berlebihan: Memberikan dua hingga empat contoh berkualitas tinggi umumnya sudah cukup untuk sebagian besar kebutuhan. Menyertakan puluhan contoh hanya akan memboroskan batas memori baca model tanpa memberikan peningkatan akurasi yang signifikan.
- Contoh mengandung kesalahan faktual: Kecerdasan buatan menyerap logika dari contoh yang Anda berikan. Jika contoh Anda mengandung salah hitung atau ejaan yang keliru, sistem akan menganggap kesalahan tersebut sebagai bagian dari pola yang harus ditiru.
Pertanyaan umum
Berapa banyak contoh yang ideal untuk few-shot prompting?
Umumnya dua hingga lima contoh sudah sangat cukup untuk mengarahkan model mengenali pola penulisan atau klasifikasi yang diinginkan tanpa menghabiskan ruang memori konteks.
Apa bedanya few-shot prompting dengan fine-tuning?
Few-shot prompting hanya memberikan contoh sementara di dalam teks percakapan yang sedang berlangsung, sedangkan fine-tuning adalah proses melatih ulang bobot internal model secara permanen dengan ribuan data.
Kapan sebaiknya beralih dari zero-shot ke few-shot?
Gunakan few-shot prompting jika instruksi zero-shot menghasilkan format yang tidak teratur, gaya bahasa yang kaku, atau ketika Anda membutuhkan struktur data khusus seperti tabel dan kode terstruktur.
