📌 Baca Juga (Prompt Engineering): Multi-Agent Prompting: Mengorkestrasi Peran AI untuk Workflow Konten Kompleks
Apa Itu Few-Shot Prompting
Few-Shot Prompting adalah teknik dalam Prompt Engineering di mana kita menyisipkan beberapa contoh pasangan input–output ke dalam prompt, sebelum model diminta menyelesaikan tugas baru. Contoh tersebut berfungsi sebagai "pola" yang ditiru model: format, gaya bahasa, tingkat detail, sampai cara berpikir.
Alih-alih menjelaskan aturan panjang lebar, kita cukup menunjukkan. Model bahasa besar sangat baik dalam mengenali pola. Memberi 2–5 contoh biasanya lebih efektif daripada menulis instruksi bertele-tele.
Zero-Shot, One-Shot, dan Few-Shot
- Zero-shot: hanya instruksi, tanpa contoh. Cepat, tapi hasil sering melenceng dari format yang diinginkan.
- One-shot: satu contoh. Berguna untuk mengunci format, tapi belum cukup untuk tugas bervariasi.
- Few-shot: beberapa contoh (umumnya 2–5). Paling stabil untuk tugas klasifikasi, ekstraksi data, dan konversi format.
Kenapa Contoh Membuat Output Lebih Presisi
Model tidak "membaca pikiran" penulis prompt. Instruksi seperti "ringkas tapi informatif" punya banyak tafsir. Contoh mempersempit tafsir itu menjadi satu pola konkret.
Manfaat utamanya:
- Mengunci format — JSON, tabel, daftar bernomor, atau gaya paragraf tertentu.
- Menentukan level detail — apakah jawaban harus 1 kalimat atau 5 poin.
- Menyeragamkan nada — formal, santai, teknis, atau ramah pelanggan.
- Mengurangi halusinasi — saat contoh menunjukkan bahwa jawaban "tidak tahu" juga valid.
- Memudahkan otomatisasi — output konsisten lebih mudah diproses skrip.
Dalam praktik Pemrograman, konsistensi output adalah segalanya. Prompt yang menghasilkan JSON berbeda-beda tiap panggilan akan merusak pipeline. Few-shot menekan variasi itu.
Anatomi Contoh yang Efektif
1. Format Harus Identik Antarcontoh
Jika contoh pertama memakai tanda hubung, contoh kedua juga. Jika memakai kunci JSON nama_produk, jangan ganti jadi product_name di contoh berikutnya. Model meniru ketidakkonsistenan sama cepatnya dengan meniru konsistensi.
2. Contoh Harus Mewakili Kasus Nyata
Contoh yang terlalu mudah membuat model gagal saat menghadapi input rumit. Sertakan minimal satu contoh dengan kasus tepi: teks ambigu, data tidak lengkap, atau input dengan noise.
3. Label Harus Benar
Satu contoh salah akan meracuni seluruh pola. Periksa ulang setiap pasangan input–output sebelum dipakai produksi.
4. Jumlah Contoh: 3–5 Sudah Cukup
Menambah contoh punya titik jenuh. Setelah 5–8 contoh, kualitas biasanya tidak naik signifikan, sementara biaya token terus bertambah. Mulai dari 3, evaluasi, lalu tambah hanya jika ada pola yang masih gagal.
5. Beri Pemisah yang Jelas
Gunakan penanda seperti Input: dan Output:, atau pembatas ---. Tanpa pemisah, model bisa bingung mana contoh dan mana tugas baru.
Langkah Praktis Menyusun Prompt Few-Shot
- Definisikan tugas secara sempit. "Klasifikasikan keluhan pelanggan ke kategori pengiriman, pembayaran, atau produk" jauh lebih baik daripada "analisis keluhan".
- Kumpulkan 3–5 contoh nyata. Ambil dari data historis, bukan karangan.
- Tulis instruksi singkat di awal. Satu atau dua kalimat cukup.
- Susun contoh berurutan dengan format seragam.
- Tambahkan input baru di akhir, lalu minta model melanjutkan pola.
- Uji dengan data yang belum pernah dilihat. Bandingkan hasil dengan ekspektasi manual.
- Iterasi. Jika ada pola yang salah, tambahkan satu contoh yang menutup celah itu.
Instruksi: Klasifikasikan keluhan pelanggan. Balas hanya dengan satu kata: pengiriman, pembayaran, atau produk.
Input: Paket saya belum sampai padahal sudah lewat seminggu.
Output: pengirimanInput: Saldo terpotong dua kali saat checkout.
Output: pembayaranInput: Warna barang tidak sesuai foto.
Output: produkInput: Kurir mengantar ke alamat yang salah.
Output:
Perhatikan: instruksi pendek, format seragam, dan output dibatasi satu kata. Model akan melanjutkan dengan "pengiriman" tanpa tambahan penjelasan.
Penerapan di Pemrograman dan Otomatisasi AI
Ekstraksi Data dari Teks Bebas
Mengubah email atau catatan lapangan menjadi struktur JSON adalah tugas klasik few-shot. Tiga contoh dengan skema identik sudah cukup untuk membuat output bisa langsung di-parse.
Klasifikasi Tiket Dukungan
Tim support bisa mengarahkan tiket otomatis ke divisi yang tepat. Few-shot memastikan label yang dipakai konsisten dengan taksonomi internal, sesuatu yang sulit dijamin lewat instruksi saja.
Konversi Format dan Refactor Kode
Saat meminta model mengubah gaya kode — misalnya dari callback ke async/await — berikan dua contoh before–after. Hasilnya jauh lebih sesuai konvensi tim dibanding instruksi naratif.
Otomatisasi AI Skala Kecil
Untuk Otomatisasi AI seperti pembuatan ringkasan harian, caption produk, atau balasan email, few-shot berperan sebagai "template hidup". Cukup satu prompt tersimpan, dipanggil berulang dengan input berbeda.
Kesalahan Umum yang Perlu Dihindari
- Contoh terlalu mirip satu sama lain. Model tidak belajar variasi, hanya menghafal satu pola.
- Prompt kebanjiran instruksi. Contoh sudah menjelaskan; jangan ulangi aturan yang sama tiga kali.
- Mencampur bahasa tanpa alasan. Konsisten, kecuali memang ingin output multibahasa.
- Lupa menandai akhir contoh. Model bisa menganggap tugas baru sebagai bagian contoh.
- Tidak menguji dengan data baru. Prompt yang bagus di 3 contoh belum tentu bagus di 300 input.
Kapan Few-Shot Kurang Tepat
Few-shot bukan obat segala hal. Untuk tugas yang sangat sederhana — terjemahan singkat, koreksi ejaan — zero-shot sering sudah cukup dan lebih hemat token. Untuk penalaran kompleks bertahap, kombinasi few-shot dengan instruksi "berpikir langkah demi langkah" biasanya lebih baik. Dan jika tugas butuh pengetahuan faktual di luar contoh, few-shot tidak akan menutupinya; di situ Anda butuh retrieval, bukan contoh tambahan.
Tips Lanjutan
- Urutkan contoh dari mudah ke sulit. Model mengikuti kurva yang sama seperti manusia.
- Sertakan contoh negatif bila perlu — tunjukkan output yang salah dan mengapa salah, lalu output yang benar.
- Simpan prompt sebagai versi. Perlakukan seperti kode: ada riwayat perubahan dan alasan di baliknya.
- Ukur, jangan menebak. Bandingkan akurasi antarversi prompt pada set uji yang sama.
💡 Baca Juga & Rekomendasi Jaringan AI Network:
- Gunakan racikan prompt profesional di SolusiAI.my.id (Rekomendasi Tools & Otomatisasi AI).
- Pelajari tutorial skrip dan otomatisasi teknis di KodeAI.my.id (Panduan AI Coding & Skrip Otomatisasi).
Kesimpulan
Few-Shot Prompting adalah cara paling efisien mengajarkan AI mengikuti pola yang kita mau: tunjukkan beberapa contoh berkualitas, dan model akan meniru format, nada, serta level detailnya. Kuncinya ada pada konsistensi format, contoh yang mewakili kasus nyata, jumlah yang secukupnya (3–5), dan pengujian dengan data baru. Dalam konteks Prompt Engineering, teknik ini menjadi jembatan antara instruksi manusia yang sering ambigu dan kebutuhan Pemrograman akan output yang dapat diprediksi. Untuk siapa pun yang membangun alur Otomatisasi AI, few-shot adalah investasi kecil dengan hasil besar: prompt lebih pendek, output lebih presisi, dan pipeline lebih stabil.
Posting Komentar