VASIOTA.COM – Few-shot prompting adalah teknik prompt engineering yang memberikan beberapa contoh terlebih dahulu agar AI memahami pola jawaban yang diinginkan sebelum mengerjakan tugas utama.
Pendekatan ini banyak digunakan karena mampu meningkatkan konsistensi, format, dan akurasi respons, terutama pada tugas yang memiliki aturan atau gaya penulisan tertentu.
Apa Itu Few-Shot Prompting
Few-shot prompting adalah teknik memberikan beberapa contoh input dan output kepada model AI sebelum pertanyaan utama diajukan.
Alih-alih hanya memberi instruksi, pengguna juga menunjukkan contoh bagaimana jawaban yang benar seharusnya terlihat. Model kemudian mengenali pola tersebut dan menerapkannya pada permintaan berikutnya.
Secara sederhana, AI tidak “belajar” secara permanen dari contoh tersebut. Model hanya menggunakan contoh yang berada di dalam konteks percakapan untuk menghasilkan respons yang lebih sesuai.
Misalnya, jika ingin AI mengubah kalimat formal menjadi santai, Anda dapat memberikan dua atau tiga contoh terlebih dahulu. Setelah itu, AI akan mengikuti pola yang sama pada kalimat berikutnya.
Mengapa Few-Shot Prompting Lebih Efektif
Teknik ini bekerja karena Large Language Model (LLM) sangat baik dalam mengenali pola.
Daripada menjelaskan aturan secara panjang lebar, contoh nyata sering kali lebih mudah dipahami oleh model.
Beberapa manfaatnya antara lain:
- Mengurangi interpretasi yang berbeda.
- Membuat format jawaban lebih konsisten.
- Cocok untuk tugas yang memiliki template tertentu.
- Mengurangi kebutuhan revisi hasil AI.
- Mempermudah pembuatan output dengan gaya yang sama berulang kali.
Dalam praktik prompt engineering modern, few-shot prompting sering digunakan pada proses klasifikasi teks, ekstraksi informasi, penerjemahan, penulisan konten, hingga pembuatan kode.
Cara Kerja Few-Shot Prompting
Model AI membaca seluruh konteks prompt secara berurutan.
Saat menemukan beberapa pasangan contoh input dan output, model mencoba mengenali hubungan di antaranya, seperti:
- Gaya bahasa
- Struktur jawaban
- Format penulisan
- Pola logika
- Aturan yang berulang
Setelah pola tersebut dipahami, model menerapkannya pada input terakhir yang belum memiliki jawaban.
Inilah alasan mengapa kualitas contoh sangat menentukan hasil akhir. Contoh yang ambigu biasanya menghasilkan respons yang juga kurang konsisten.
Perbedaan Few-Shot, One-Shot, dan Zero-Shot Prompting
| Teknik | Jumlah Contoh | Kapan Digunakan |
|---|---|---|
| Zero-shot Prompting | Tidak ada | Tugas sederhana yang instruksinya jelas |
| One-shot Prompting | Satu contoh | Ketika satu contoh sudah cukup menjelaskan pola |
| Few-shot Prompting | Dua atau lebih contoh | Saat format atau aturan cukup kompleks |
Perbedaan utamanya bukan pada jumlah kata dalam prompt, melainkan jumlah contoh yang diberikan kepada model.
Semakin kompleks tugasnya, semakin besar kemungkinan few-shot menghasilkan jawaban yang lebih stabil dibanding zero-shot.
Contoh Few-Shot Prompting
Berikut contoh sederhana.
Contoh 1
Input:
Contoh 1
Kalimat:
Produk ini sangat bagus.
Output:
Sentimen Positif
Contoh 2
Kalimat:
Pelayanannya sangat lambat.
Output:
Sentimen Negatif
Sekarang klasifikasikan:
Kalimat:
Pengirimannya cepat dan aman.AI biasanya akan menjawab:
Sentimen PositifKarena model telah memahami pola klasifikasi dari dua contoh sebelumnya.
Contoh 2
Pada penulisan artikel SEO.
Contoh 1
Keyword:
AI untuk UMKM
Judul:
7 Cara AI Membantu UMKM Meningkatkan Produktivitas
Contoh 2
Keyword:
AI Customer Service
Judul:
Cara AI Customer Service Mempercepat Respon Pelanggan
Sekarang buat judul untuk:
Keyword:
AI ERPAI akan menghasilkan judul yang mengikuti pola kedua contoh tersebut.
Kesalahan yang Sering Terjadi Saat Menggunakan Few-Shot Prompting
Banyak pengguna menganggap semakin banyak contoh maka hasilnya semakin baik. Padahal tidak selalu demikian.
Kesalahan yang sering ditemukan meliputi:
1. Contoh Tidak Konsisten
Setiap contoh memiliki format berbeda sehingga AI sulit menemukan pola.
2. Contoh Terlalu Sedikit untuk Tugas Kompleks
Jika aturan cukup banyak, satu atau dua contoh kadang belum cukup.
3. Contoh Mengandung Kesalahan
AI justru akan meniru kesalahan tersebut.
4. Contoh Terlalu Panjang
Prompt menjadi boros token sehingga ruang konteks berkurang.
5. Semua Contoh Hampir Sama
Variasi yang minim membuat model kurang memahami kondisi berbeda.
Kapan Sebaiknya Menggunakan Few-Shot Prompting
Teknik ini paling efektif ketika Anda membutuhkan hasil yang memiliki pola tertentu.
Contohnya:
- Membuat judul artikel dengan format tetap
- Mengklasifikasikan data
- Membuat ringkasan
- Menulis deskripsi produk
- Menghasilkan kode dengan gaya tertentu
- Mengubah nada tulisan
- Membuat output JSON
- Ekstraksi informasi dari dokumen
Sebaliknya, untuk pertanyaan umum seperti “Apa itu AI?” atau “Siapa pendiri OpenAI?”, zero-shot biasanya sudah cukup.
Apakah Few-Shot Prompting Selalu Lebih Baik?
Tidak.
Kualitas hasil tetap bergantung pada beberapa faktor, seperti kemampuan model AI, kualitas contoh, panjang konteks, serta kejelasan instruksi.
Pada model LLM modern, termasuk generasi terbaru, kemampuan memahami instruksi memang semakin baik. Namun, few-shot tetap menjadi salah satu teknik paling efektif ketika pengguna menginginkan format yang konsisten atau tugas dengan aturan yang spesifik.
Riset dari berbagai publikasi mengenai in-context learning juga menunjukkan bahwa pemberian contoh dapat meningkatkan performa model pada banyak jenis tugas, meski besarnya peningkatan bergantung pada kualitas contoh dan kompleksitas masalah yang dihadapi.
Kesimpulan
Few-shot prompting adalah teknik prompt engineering yang memberikan beberapa contoh kepada AI sebelum tugas utama dijalankan. Pendekatan ini membantu model mengenali pola sehingga jawaban menjadi lebih konsisten, akurat, dan sesuai format yang diharapkan.
Teknik ini tidak selalu diperlukan untuk semua kasus. Namun, ketika Anda membutuhkan hasil yang seragam, seperti penulisan konten, klasifikasi data, atau pembuatan output terstruktur, few-shot prompting umumnya memberikan hasil yang lebih baik dibandingkan zero-shot atau one-shot.
Kunci utamanya bukan pada banyaknya contoh, melainkan pada relevansi, konsistensi, dan kualitas contoh yang diberikan.
