ABA: Ini adalah bagian dari Seri Fondasi Prompt kami, di mana kami mengeksplorasi berbagai kerangka kerja prompt untuk berbagai kelompok dan kasus penggunaan, baik sendiri maupun bersama para ahli.

Ini adalah sebuah posting ulang artikel Stig di LinkedIn.

Perkenalan

Pada artikel saya sebelumnya “Menguasai Prompt Engineering: Panduan Komparatif untuk Sembilan Kerangka Kerja Prompt Engineering untuk Profesional Teknologi”Saya mengamati teknik dan strategi yang digunakan dalam rekayasa cepat di berbagai “Kerangka Kerja Rekayasa Cepat”. Ini memberikan analisis komparatif, yang menawarkan wawasan ke dalam kerangka kerja ini. 

Sekarang saya beralih ke aspek penting yang semakin memperkuat interaksi kita dengan AI: instruksi khusus untuk ChatGPT. Artikel ini bertujuan untuk mengungkap bagaimana instruksi khusus dapat meningkatkan kemampuan AI, menawarkan interaksi yang lebih disesuaikan dan efisien, dan dengan demikian berfungsi sebagai pelengkap penting bagi prinsip-prinsip rekayasa cepat yang dibahas sebelumnya. Bergabunglah dengan saya dalam mendalami ranah kustomisasi AI tingkat lanjut ini, di mana ketepatan dalam komunikasi membuka potensi baru.

Instruksi yang Dirancang Secara Strategis untuk Responsivitas AI:

Instruksi khusus memainkan peran penting dalam membentuk keluaran model AI seperti ChatGPT. Instruksi ini dapat menjadi sangat penting dalam memandu AI untuk menghasilkan respons berkualitas tinggi. Dalam contoh AutoExpert yang akan kita bahas selanjutnya, desainnya berfokus pada peningkatan kedalaman dan kehalusan respons, meminimalkan kebutuhan akan panduan dasar, dan menyediakan tautan yang relevan untuk kegiatan edukasi lebih lanjut.

Pengodean posisi dan mekanisme perhatian merupakan komponen penting dalam model AI, terutama arsitektur transformator, yang telah merevolusi berbagai bidang seperti pemrosesan bahasa alami dan visi komputer. Komponen-komponen ini memainkan peran penting dalam cara model AI memproses dan merespons instruksi khusus.

Kekuatan Perhatian

"Perhatian" dalam model AI, khususnya dalam konteks jaringan saraf seperti GPT (Generative Pre-trained Transformer), adalah mekanisme yang memungkinkan model untuk fokus pada berbagai bagian data masukan saat membuat prediksi atau menghasilkan keluaran. Konsep ini penting untuk menangani tugas yang melibatkan data berurutan, seperti pemrosesan bahasa, di mana relevansi informasi dapat bervariasi tergantung pada konteksnya.

Analogi: Efek Pesta Koktail

Analogi yang bagus untuk memahami perhatian dalam model AI adalah "efek pesta koktail" dalam pendengaran dan perhatian manusia. Bayangkan Anda berada di sebuah pesta koktail yang ramai dengan banyak orang berbicara secara bersamaan. Meskipun lingkungannya bising, Anda dapat memfokuskan pendengaran Anda pada satu percakapan, sehingga secara efektif mengabaikan suara-suara lain dan kebisingan latar belakang. Perhatian selektif ini memungkinkan Anda untuk memahami dan menanggapi percakapan yang menjadi fokus Anda dengan tepat.

Demikian pula dalam model AI dengan mekanisme perhatian:

• Fokus Selektif: Sama seperti Anda berfokus pada percakapan tertentu di ruangan yang bising, model tersebut secara selektif berfokus pada bagian-bagian tertentu dari data masukan yang lebih relevan untuk tugas yang sedang dikerjakan. Misalnya, saat membuat kalimat, model tersebut mungkin lebih memperhatikan subjek kalimat untuk memastikan konsistensi tata bahasa.
• Kesadaran Konteks: Pemahaman Anda terhadap percakapan di sebuah pesta bergantung pada kata-kata yang diucapkan dan konteksnya (seperti siapa yang berbicara, topik pembicaraan, dll.). Dengan cara yang sama, perhatian dalam model AI memungkinkan mereka untuk mempertimbangkan pentingnya berbagai bagian data masukan dalam konteks yang tepat.
• Penyesuaian Dinamist: Saat percakapan di pesta berubah atau saat Anda beralih ke percakapan lain, fokus dan pemahaman Anda pun berubah. Dalam model AI, perhatian tidak statis; perhatian berubah secara dinamis tergantung pada urutan data masukan dan apa yang sedang diproses model.

Singkatnya, perhatian dalam model AI seperti fokus pada satu percakapan di pesta yang ramai: model dapat berkonsentrasi pada informasi yang paling relevan pada waktu tertentu, dengan mempertimbangkan konteks yang lebih luas dan menyesuaikan secara dinamis sesuai kebutuhan. Hal ini menghasilkan keluaran yang lebih akurat dan sesuai konteks, terutama dalam tugas-tugas kompleks seperti pemrosesan bahasa.

Pentingnya Pengkodean Posisi

Pengodean posisional dalam model AI, khususnya dalam konteks model seperti Transformers yang digunakan untuk pemrosesan bahasa alami, adalah metode untuk menyuntikkan informasi tentang posisi token (misalnya kata-kata) dalam suatu urutan. Hal ini penting karena model perlu memahami tidak hanya kata-kata tersebut tetapi juga urutannya dalam kalimat untuk memahami bahasa tersebut.

Analogi: Notasi Musik dalam Sebuah Lagu

Bayangkan sebuah lagu yang urutan not musiknya sangat penting bagi melodi dan ritmenya. Setiap not tidak hanya memiliki bunyi yang unik (seperti kata dalam kalimat), tetapi juga posisi tertentu dalam urutan lagu (seperti posisi kata dalam kalimat). Jika Anda hanya memainkan not tanpa mempertimbangkan urutannya, melodinya akan hilang, mirip dengan bagaimana makna kalimat dapat hilang jika urutan kata tidak diperhatikan.

Dalam analogi ini, pengodean posisional seperti label yang ditempelkan pada setiap not yang menunjukkan posisinya dalam lagu. Label ini membantu seseorang (atau dalam kasus AI, modelnya) untuk memahami tidak hanya not itu sendiri tetapi juga di mana ia cocok dalam keseluruhan urutan lagu. Tanpa informasi posisional ini, semua not (atau kata) akan tampak sama pentingnya dan independen satu sama lain, sehingga sulit untuk memahami melodi (atau struktur kalimat).

Sama seperti seorang musisi membaca not dan posisi not tersebut untuk memainkan karya yang koheren, model AI menggunakan informasi kata dan pengodean posisi untuk memahami dan menghasilkan bahasa yang koheren.

Pemrosesan Instruksi Kustom

Saat kami menyediakan format terperinci untuk respons, model AI menggunakan pengodean posisional untuk memahami urutan dan struktur instruksi ini. Bersamaan dengan itu, mekanisme perhatian secara selektif berfokus pada berbagai aspek instruksi (seperti verbositas, persyaratan format) untuk menghasilkan respons yang selaras dengan preferensi yang kami tentukan.

Mari kita mencobanya

Pertama saya akan memberikan contoh dasar tanpa instruksi khusus:

Sekarang saya akan menambahkan beberapa Instruksi Kustom:

Cara mengatur Instruksi Kustom dengan kerangka kerja AutoExpert v3

Masuk ke ChatGPT

Pilih tombol profil di kiri bawah layar untuk membuka menu pengaturan

Pilih Instruksi Kustom

Ke dalam kotak teks pertama, salin dan tempel teks berikut ke bagian “Tentang Saya”

Bahasa Indonesia: # Tentang Saya - (Saya mencantumkan nama/umur/lokasi/pekerjaan di sini, tetapi Anda dapat menghapus seluruh tajuk ini jika Anda mau.) - (pastikan Anda menggunakan - (tanda hubung, lalu spasi) sebelum setiap baris, tetapi tetap gunakan 1-2 baris) # Harapan Saya terhadap Asisten Tunduk pada keinginan pengguna jika keinginan tersebut mengesampingkan harapan berikut: ## Bahasa dan Nada - Gunakan terminologi AHLI untuk konteks yang diberikan - HINDARI: prosa yang berlebihan, referensi diri, penafian saran ahli, dan permintaan maaf ## Kedalaman dan Luas Konten - Sajikan pemahaman holistik tentang topik tersebut - Berikan analisis dan panduan yang komprehensif dan bernuansa - Untuk pertanyaan yang rumit, tunjukkan proses penalaran Anda dengan penjelasan langkah demi langkah ## Kedalaman dan Luas Konten - Sajikan pemahaman holistik tentang topik tersebut - Berikan analisis dan panduan yang komprehensif dan bernuansa - Untuk pertanyaan yang rumit, tunjukkan proses penalaran Anda dengan penjelasan langkah demi langkah Penjelasan langkah demi langkah ## Metodologi dan Pendekatan - Tirulah pertanyaan diri Sokrates dan teori pikiran sesuai kebutuhan - Jangan hilangkan atau potong kode dalam contoh kode ## Memformat Keluaran - Gunakan markdown, emoji, Unicode, daftar dan indentasi, judul, dan tabel hanya untuk meningkatkan organisasi, keterbacaan, dan pemahaman - KRITIS: Sematkan semua HYPERLINK sebaris sebagai tautan pencarian Google {emoji terkait dengan istilah} teks pendek - Terutama tambahkan HYPERLINK ke entitas seperti makalah, artikel, buku, organisasi, orang, kutipan hukum, istilah teknis, dan standar industri menggunakan Google Penelusuran 

Ke dalam kotak teks kedua, salin dan tempel teks berikut 

VERBOSITAS: Saya dapat menggunakan V=[0-5] untuk mengatur detail respons: - V=0 satu baris - V=1 ringkas - V=2 singkat - V=3 normal - V=4 terperinci dengan contoh - V=5 komprehensif, dengan panjang, detail, dan nuansa sebanyak mungkin 1. Mulai respons dengan: |Atribut|Deskripsi| |--:|:--| |Domain > Pakar|{DOMAIN akademis atau studi luas tempat pertanyaan berada} > {di dalam DOMAIN, peran PAKAR spesifik yang paling erat kaitannya dengan konteks atau nuansa pertanyaan}| |Kata Kunci|{ Daftar CSV berisi 6 topik, istilah teknis, atau jargon yang paling terkait dengan DOMAIN, PAKAR}| |Sasaran|{ deskripsi kualitatif dari tujuan asisten saat ini dan VERBOSITAS}| |Asumsi|{ asumsi asisten tentang pertanyaan pengguna, maksud, dan konteks}| |Metodologi|{ setiap asisten metodologi spesifik akan menggabungkan}| 2. Berikan respons Anda, dan jangan lupa untuk menyertakan: - Aturan Asisten dan Format Output - HYPERLINK yang disematkan dan sebaris sebagai tautan penelusuran Google { emoji bervariasi terkait istilah} teks untuk ditautkan sesuai kebutuhan - penalaran langkah demi langkah jika diperlukan 3. Akhiri respons dengan: > Lihat juga: [2-3 penelusuran terkait] > { emoji bervariasi terkait istilah} teks untuk ditautkan > Anda mungkin juga menyukai: [2-3 topik terkait yang tidak umum, tidak biasa, atau menyenangkan] > { emoji bervariasi terkait istilah} [teks untuk ditautkan](https://www.google.com/search?q=expanded+search+terms)

Ide untuk instruksi khusus di atas berasal dari reddit, dan postingan asli untuk v3 dapat ditemukan di sini (debu)

Tersedia juga dalam versi yang lebih baru versi v5 

Jika saya sekarang menetapkan output ke V=2 (singkat), dan memberikan input yang sama seperti sebelumnya, saya mendapatkan yang berikut ini

Jika saya menginginkan jawaban yang lebih komprehensif, saya menetapkan V=5 (komprehensif)

Jika saya ingin mengubah output lebih lanjut, saya dapat menambahkan beberapa informasi lebih lanjut. Semua contoh kode di atas menggunakan bahasa python, tetapi saya ingin menggunakan Java sebagai default, jadi saya cukup menambahkan yang berikut ini ke bagian Metodologi dan Pendekatan ##

- kode dalam Java, dan saya lebih suka kode yang mengikuti Arsitektur Berbasis Peristiwa dan prinsip SOLID.

Jalankan masukan yang sama:

Dan sekarang outputnya dalam Java.

Kemungkinannya tidak terbatas, cobalah dan bereksperimenlah.

Contoh di atas menggunakan instruksi dari kerangka kerja AutoExpert v3, tetapi Anda tidak harus menggunakannya. 

Anda dapat memberikan masukan apa pun yang Anda inginkan.

Beberapa ide lain untuk Instruksi Kustom dapat ditemukan di sini (bukan artikel saya)

Kesimpulan

Eksplorasi instruksi khusus untuk AI, khususnya dalam konteks ChatGPT, sebagaimana dijelaskan secara rinci dalam artikel ini, menandai kemajuan signifikan dalam bidang interaksi AI dan pengalaman pengguna. Dengan mengintegrasikan instruksi khusus yang strategis, kami membuka potensi untuk interaksi yang lebih personal, efisien, dan sadar konteks dengan sistem AI.

Wawasan utama dari artikel ini mengungkap bagaimana mekanisme perhatian dan pengodean posisional dalam model AI, seperti ChatGPT, berperan penting dalam memproses instruksi ini. Kemampuan ini memungkinkan tingkat responsivitas dan spesifisitas yang sebelumnya tidak dapat dicapai, meningkatkan kontrol pengguna atas interaksi AI.

Lebih jauh lagi, penerapan praktis konsep-konsep ini melalui kerangka kerja AutoExpert v3 menunjukkan penerapan dan manfaat instruksi khusus di dunia nyata. 

Intinya, artikel ini menyoroti kekuatan transformatif instruksi khusus dalam AI, yang menawarkan gerbang menuju pengalaman AI yang lebih bernuansa dan disesuaikan. Seiring dengan terus berinovasinya kita dan mendorong batasan teknologi AI, peran instruksi khusus tidak diragukan lagi akan menjadi semakin penting dalam membentuk masa depan interaksi AI-pengguna.

Tentang Penulis

Temui Stig Korsholm, seorang penggemar teknologi dan penggila AI yang gemar menyelami tren dan inovasi terbaru di dunia kecerdasan buatan. Stig saat ini adalah Arsitek Domain Utama di Bankdata dengan pengalaman luas dalam teknologi di bidang keuangan dan perbankan.

Sebagai penulis tamu, Stig berbagi wawasan dan pengalaman uniknya, menjadikan topik yang rumit mudah dipahami dan menarik bagi semua orang. Dengan bakat memadukan teknologi dengan aplikasi dunia nyata, ia bersemangat membantu bisnis memanfaatkan kekuatan AI untuk mendorong kesuksesan.

Saat dia tidak menulis atau menjelajahi teknologi baru, Anda dapat menemukannya terhubung dengan sesama inovator dan berbagi ide yang menginspirasi.

Hubungi dia di LinkedIn → Di Sini!