Daftar Isi

 

Tutorial Few-Shot vs Zero-Shot Prompting: Cara Mengajari AI Format Output Lewat Contoh

Kecerdasan buatan atau artificial intelligence (AI) semakin sering digunakan untuk membantu berbagai pekerjaan, mulai dari menulis artikel, merangkum dokumen, mengolah data, hingga membuat konten media sosial. Namun, ada satu masalah yang cukup sering dialami pengguna, yaitu hasil AI terkadang tidak sesuai dengan format yang diinginkan. Padahal, instruksi yang diberikan sudah terasa cukup jelas.

Misalnya, pengguna ingin AI membuat deskripsi produk dengan format tiga kalimat, menggunakan bahasa santai, dan mencantumkan keunggulan utama di bagian akhir. Alih-alih mengikuti instruksi tersebut, AI justru menghasilkan lima kalimat, menambahkan pembukaan panjang, atau menggunakan gaya bahasa yang terlalu formal.

Untuk mengatasi masalah ini, pengguna dapat memanfaatkan teknik prompting yang disebut few-shot prompting. Teknik tersebut memungkinkan pengguna memberikan beberapa contoh input dan output sebelum AI mengerjakan tugas sebenarnya. Dengan demikian, AI memiliki gambaran yang lebih konkret mengenai bentuk jawaban yang diharapkan.

Sebagai pembanding, terdapat pula zero-shot prompting, yaitu teknik memberikan instruksi tanpa menyertakan contoh. Kedua metode ini memiliki kelebihan dan kekurangan masing-masing. Lantas, bagaimana cara menggunakannya agar hasil AI lebih konsisten? Berikut tutorial lengkapnya.

1. Memahami Perbedaan Few-Shot dan Zero-Shot Prompting

Sebelum mulai membuat prompt, pengguna perlu memahami cara kerja kedua teknik tersebut. Zero-shot prompting mengandalkan instruksi yang ditulis secara langsung. Pengguna menjelaskan tugas, aturan, dan format jawaban tanpa memberikan sampel hasil yang diharapkan.

Sebagai contoh, pengguna bisa memasukkan prompt berikut ke chatbot AI:

"Buat deskripsi produk earphone nirkabel dalam tiga kalimat. Gunakan bahasa Indonesia yang santai, jelaskan keunggulan produk, dan hindari klaim yang tidak memiliki dasar."

AI akan mencoba menghasilkan jawaban berdasarkan instruksi tersebut dan pola bahasa yang telah dipelajarinya. Metode ini cocok untuk tugas sederhana yang tidak membutuhkan format khusus.

Sementara itu, few-shot prompting menggunakan satu atau beberapa contoh sebagai referensi. Pengguna tidak hanya menjelaskan apa yang harus dilakukan AI, tetapi juga memperlihatkan seperti apa hasil akhirnya.

Contohnya, pengguna memberikan dua contoh deskripsi produk yang sudah sesuai dengan gaya penulisannya. Setelah itu, AI diminta membuat deskripsi untuk produk ketiga dengan pola serupa.

Perbedaan utamanya terletak pada keberadaan contoh. Zero-shot lebih mengandalkan penjelasan verbal, sedangkan few-shot memberikan referensi konkret yang dapat diikuti AI.

Perlu dipahami bahwa few-shot prompting tidak menjamin hasil selalu benar atau 100 persen konsisten. Namun, contoh yang relevan dan instruksi yang jelas dapat membantu mengurangi kesalahan format secara signifikan.

2. Menyiapkan Format Output yang Diinginkan

Langkah pertama dalam menerapkan few-shot prompting adalah menentukan format keluaran yang ingin dihasilkan. Jangan langsung memberikan banyak contoh tanpa mengetahui pola apa yang sebenarnya perlu dipertahankan.

Misalnya, pengguna ingin AI membuat ringkasan berita teknologi dengan format berikut:

• Judul berita.
• Ringkasan sebanyak dua kalimat.
• Tiga kata kunci yang dipisahkan dengan koma.

Format tersebut perlu ditentukan sejak awal agar pengguna dapat menyiapkan contoh yang benar-benar mewakili hasil akhir.

Apabila pekerjaan membutuhkan gaya bahasa tertentu, sertakan pula karakteristiknya. Sebagai contoh, artikel harus menggunakan bahasa Indonesia yang komunikatif, menghindari istilah teknis yang tidak dijelaskan, serta tidak menggunakan kalimat pembuka yang bertele-tele.

Semakin spesifik aturan yang ditetapkan, semakin mudah pengguna mengevaluasi apakah hasil AI sudah memenuhi kebutuhan.

Pengguna juga sebaiknya membedakan aturan wajib dan preferensi tambahan. Struktur output, jumlah kolom, serta format data biasanya termasuk aturan wajib. Sementara itu, tingkat kehangatan bahasa atau pilihan kata tertentu dapat menjadi preferensi yang masih memungkinkan variasi.

Baca juga : Panduan Chain-of-Thought Prompting: Cara Membuat AI Menjawab Masalah Kompleks dengan Lebih Logis

3. Membuat Dua hingga Tiga Contoh Input-Output

Setelah menentukan format, siapkan dua atau tiga contoh yang menunjukkan hubungan antara masukan dan keluaran. Inilah bagian terpenting dalam few-shot prompting.

Sebagai ilustrasi, pengguna ingin membuat ringkasan berita teknologi menggunakan format tiga bagian. Prompt dapat ditulis seperti berikut:

Contoh 1

Input: Smartphone terbaru menggunakan baterai 6.000 mAh dan mendukung pengisian cepat 80 watt.

Output:

Judul: Smartphone Baru Hadir dengan Baterai Besar

Ringkasan: Smartphone ini menawarkan baterai berkapasitas 6.000 mAh untuk menunjang penggunaan sehari-hari. Dukungan pengisian cepat 80 watt membantu mempersingkat waktu pengisian daya.

Kata kunci: smartphone, baterai, pengisian cepat

Contoh 2

Input: Laptop terbaru menggunakan prosesor generasi baru dan layar OLED beresolusi tinggi.

Output:

Judul: Laptop Baru Tawarkan Performa dan Layar OLED

Ringkasan: Laptop ini mengandalkan prosesor generasi baru untuk mendukung berbagai aktivitas komputasi. Layar OLED beresolusi tinggi menjadi nilai tambah untuk menikmati konten visual.

Kata kunci: laptop, prosesor, OLED

Tugas utama

Input: Tablet terbaru memiliki layar 12 inci, mendukung stylus, dan dilengkapi baterai berkapasitas besar.

Instruksi: Buat output dengan mengikuti format kedua contoh di atas.

Dengan susunan seperti ini, AI memperoleh gambaran tentang cara mengubah informasi mentah menjadi judul, ringkasan dua kalimat, dan kata kunci.

Contoh tersebut juga memperlihatkan konsistensi penggunaan label. Pengguna tidak perlu menjelaskan ulang seluruh aturan pada setiap tugas karena pola yang dimaksud sudah terlihat dalam sampel.

Namun, contoh harus disusun dengan cermat. Jika contoh pertama memakai tiga kata kunci, sedangkan contoh kedua menggunakan lima kata kunci, AI mungkin kesulitan menentukan aturan yang harus diikuti. Pastikan setiap sampel mengikuti standar yang sama, kecuali variasi memang sengaja diperbolehkan.

4. Menulis Instruksi Utama Setelah Contoh

Kesalahan yang cukup sering terjadi adalah pengguna hanya menempelkan contoh tanpa memberikan perintah utama yang jelas. Padahal, contoh berfungsi sebagai referensi, bukan pengganti instruksi.

Setelah menyertakan sampel, tuliskan perintah yang menjelaskan pekerjaan berikutnya. Misalnya, "Gunakan pola input-output di atas untuk mengolah informasi baru. Pertahankan struktur, jumlah kalimat, gaya bahasa, dan format kata kunci. Jangan menambahkan bagian lain di luar format tersebut."

Instruksi tersebut membantu memperjelas aspek mana yang perlu ditiru.

Pengguna juga dapat menambahkan batasan seperti:

1. Jangan menyalin isi contoh secara langsung.
2. Gunakan fakta yang tersedia pada input terbaru.
3. Jangan membuat spesifikasi produk yang tidak disebutkan.
4. Pertahankan nama bagian dan urutannya.
5. Jika informasi tidak tersedia, nyatakan bahwa informasi tersebut tidak disebutkan.

Batasan terakhir sangat berguna ketika AI mengolah berita, data produk, atau informasi teknis. Tanpa aturan tersebut, AI berpotensi mengisi kekosongan informasi dengan asumsi yang terdengar meyakinkan.

Untuk pekerjaan berulang, pengguna dapat menyimpan prompt tersebut sebagai templat. Nantinya, bagian contoh dan instruksi tetap digunakan, sedangkan input utama diganti sesuai kebutuhan.

5. Membandingkan Hasil Zero-Shot dan Few-Shot

Agar manfaat kedua metode lebih mudah dipahami, lakukan pengujian menggunakan tugas yang sama. Pertama, masukkan instruksi tanpa contoh. Setelah memperoleh hasilnya, ulangi tugas menggunakan prompt yang menyertakan dua atau tiga sampel.

Perhatikan beberapa aspek berikut:

• Kepatuhan format: Apakah AI mempertahankan struktur yang diminta?
• Konsistensi gaya: Apakah bahasa dan panjang jawaban sesuai dengan standar?
• Kelengkapan informasi: Apakah seluruh elemen wajib tersedia?
• Ketepatan isi: Apakah jawaban tetap berdasarkan informasi yang diberikan?
• Kebutuhan revisi: Berapa banyak perubahan yang diperlukan sebelum hasil siap digunakan?

Sebagai contoh, zero-shot mungkin sudah cukup untuk membuat ringkasan singkat satu paragraf. Namun, few-shot cenderung lebih berguna ketika pengguna membutuhkan ratusan deskripsi produk dengan struktur yang seragam.

Pengujian sebaiknya menggunakan beberapa input berbeda, termasuk kasus yang informasinya tidak lengkap. Jangan hanya menguji satu contoh karena hasil yang terlihat bagus pada satu tugas belum tentu konsisten pada tugas lainnya.

Jika hasil few-shot masih menyimpang, periksa apakah sampel terlalu beragam, instruksi kurang spesifik, atau terdapat aturan yang saling bertentangan.

6. Kapan Sebaiknya Menggunakan Few-Shot Prompting?

Few-shot prompting paling berguna ketika pengguna memiliki standar output yang spesifik dan perlu dipertahankan secara berulang.

Dalam pekerjaan SEO, misalnya, pengguna dapat memberikan dua contoh meta description dengan panjang dan gaya bahasa yang diinginkan. AI kemudian diminta membuat deskripsi untuk artikel lain mengikuti pola tersebut.

Dalam pengolahan data, contoh dapat memperlihatkan bagaimana informasi mentah diubah menjadi tabel dengan kolom nama, kategori, harga, dan status. Teknik yang sama juga dapat digunakan untuk mengelompokkan ulasan pelanggan, mengekstrak informasi dari dokumen, atau menyusun respons layanan pelanggan.

Sebaliknya, zero-shot prompting lebih praktis untuk brainstorming, meminta penjelasan konsep, mencari ide tulisan, atau mengerjakan tugas yang formatnya tidak terlalu ketat.

Pengguna tidak perlu memasukkan contoh jika instruksi sederhana sudah menghasilkan jawaban yang memadai. Terlalu banyak contoh justru dapat membuat prompt panjang dan menghabiskan lebih banyak token, terutama pada model AI yang menghitung seluruh konteks input.

Dengan kata lain, pilih teknik berdasarkan kebutuhan, bukan sekadar menganggap salah satunya selalu lebih unggul.

7. Tips agar Few-Shot Prompting Lebih Konsisten

Ada beberapa cara untuk meningkatkan kualitas prompt berbasis contoh. Pertama, gunakan contoh yang representatif. Jika tugas mencakup berbagai jenis input, pilih sampel yang memperlihatkan variasi penting tanpa mengubah aturan inti.

Kedua, pastikan setiap contoh memiliki pasangan input-output yang jelas. Penggunaan label seperti "Input:", "Output:", dan "Tugas utama:" dapat membantu memisahkan bagian referensi dari pekerjaan yang harus dilakukan.

Ketiga, hindari contoh yang saling bertentangan. Apabila satu sampel menggunakan bahasa formal dan sampel lain memakai bahasa gaul, AI mungkin menggabungkan keduanya meskipun pengguna menginginkan satu gaya yang konsisten.

Keempat, gunakan format terstruktur apabila output akan diproses oleh aplikasi lain. Untuk kebutuhan integrasi sistem, misalnya, pengguna dapat meminta keluaran JSON dengan nama properti yang tetap. Sertakan contoh JSON yang valid dan jelaskan tipe data setiap properti.

Kelima, lakukan evaluasi berkala. Model AI yang berbeda dapat menghasilkan respons yang berbeda meskipun diberikan prompt yang sama. Perubahan model, pengaturan generasi, panjang konteks, dan kompleksitas tugas juga dapat memengaruhi hasil.

Terakhir, jangan menyamakan konsistensi format dengan kebenaran informasi. AI mungkin mengikuti struktur secara sempurna, tetapi tetap menghasilkan fakta yang keliru. Karena itu, informasi penting perlu diverifikasi secara terpisah.

Kesimpulan

Few-shot dan zero-shot prompting merupakan dua teknik yang dapat digunakan untuk mengarahkan keluaran AI sesuai kebutuhan. Zero-shot mengandalkan instruksi langsung, sedangkan few-shot menggunakan contoh input-output untuk memperlihatkan pola yang diharapkan.

Bagi pengguna yang mengerjakan konten berulang, pengolahan data, atau pekerjaan dengan standar format ketat, few-shot prompting dapat menjadi pilihan yang efektif. Dua atau tiga contoh yang konsisten sering kali sudah cukup untuk memperjelas pola, meskipun jumlah optimalnya bergantung pada tingkat kesulitan tugas.

Kunci utamanya bukan sekadar memberikan banyak contoh, melainkan memilih sampel yang tepat, menulis instruksi yang tidak ambigu, dan menguji hasilnya menggunakan input berbeda. Dengan pendekatan tersebut, pengguna dapat membuat proses kerja bersama AI lebih terarah, mengurangi revisi berulang, serta memperoleh output yang lebih konsisten tanpa harus menyusun instruksi dari awal setiap kali mengerjakan tugas baru.