Panduan Teknik Cepat OpenAI: Menguasai ChatGPT untuk Aplikasi Tingkat Lanjut

Memahami Rekayasa Cepat

Rekayasa cepat adalah seni dan ilmu menyusun masukan (perintah) untuk mendapatkan keluaran yang diinginkan dari model AI seperti ChatGPT. Ini adalah keterampilan penting untuk memaksimalkan efektivitas model ini.

ChatGPT, yang dibangun berdasarkan arsitektur GPT-3 dan GPT-4 OpenAI, telah mengalami kemajuan signifikan, menjadi lebih responsif dan sadar konteks. Memahami evolusinya adalah kunci untuk menguasai rekayasa cepat.

Seperti konduktor terampil yang memimpin orkestra, rekayasa cepat memungkinkan kita mengarahkan model ini untuk melakukan tugas-tugas kompleks, mulai dari menyusun dokumen teknis terperinci hingga menghasilkan konten yang kreatif dan menarik. Panduan ini akan memandu Anda melalui strategi dan taktik yang mengubah interaksi Anda dengan AI, meningkatkannya dari pertukaran dasar menjadi percakapan yang lebih bermakna dan bermakna.

Pertimbangkan perbedaannya dengan bertanya, “Bagaimana cara menambahkan angka di Excel?” versus “Bagaimana cara menjumlahkan kolom jumlah dolar secara otomatis di Excel, dengan total ditampilkan di sebelah kanan kolom 'Total'?” Yang terakhir, perintah yang lebih rinci, tidak memerlukan interpretasi AI, sehingga menghasilkan respons yang lebih akurat dan bermanfaat. Demikian pula, memahami penggunaan persona, pembatas, dan petunjuk langkah demi langkah dapat berdampak besar pada kualitas keluaran AI, terutama untuk tugas-tugas kompleks.

Panduan mengenai rekayasa cepat ini tidak hanya mencakup aspek teoritis tetapi juga memberikan contoh praktis dan langsung. Anda akan mempelajari cara menggunakan taktik secara efektif seperti menyediakan teks referensi untuk memandu AI agar tidak dibuat-buat, atau bagaimana memecah tugas kompleks menjadi subtugas yang lebih sederhana dapat memberikan hasil yang lebih akurat.

1. Kejelasan dan Detail

Membuat perintah yang efektif untuk model AI seperti GPT-4 memerlukan kombinasi presisi, konteks, dan kejelasan. Perbedaan antara pertanyaan yang dibuat dengan buruk dan pertanyaan yang dipikirkan dengan matang dapat menjadi perbedaan antara jawaban yang samar-samar dan umum dan jawaban yang sangat relevan dan spesifik.

Contoh 1: Memanfaatkan Pemahaman Bahasa ChatGPT untuk Pertanyaan Teknis

• Perintah Tidak Efektif: “Bagaimana cara memperbaiki bug pada kode saya?”
  • Keluaran AI: “Untuk memperbaiki bug pada kode Anda, Anda harus terlebih dahulu mengidentifikasi bug tersebut, memahami mengapa hal itu terjadi, dan kemudian memodifikasi kode untuk memperbaikinya.”
• Kueri Teknis yang Efektif: “Saya membuat kode dengan Python dan mendapatkan 'KeyError' saat mencoba mengakses kamus. Cuplikan kodenya adalah: . Apa yang menyebabkan kesalahan ini dan bagaimana cara memperbaikinya?"
  • Keluaran AI: "'KeyError' dalam kode Python Anda kemungkinan disebabkan oleh upaya mengakses kunci dalam kamus yang tidak ada. Berikut cara memodifikasi kode untuk menangani kesalahan ini: [Cuplikan kode yang dimodifikasi dengan penjelasan]."

Contoh 2: Menulis Kreatif dengan Gaya Imitasi

• Perintah Tidak Efektif: "Tulislah cerita pendek."
  • Keluaran AI: "Dahulu kala, di negeri yang jauh, ada sebuah kerajaan yang menghadapi bahaya besar..."
• Prompt Imitasi Gaya yang Efektif: "Tulislah cerita pendek ala Ernest Hemingway, dengan fokus pada percakapan antara dua sahabat lama yang bertemu secara tak terduga."
  • Keluaran AI: "Matahari terik di jalan berdebu tempat Jack dan Tom, dua sahabat lama, bertemu secara kebetulan. 'Sudah bertahun-tahun,' kata Jack, suaranya sekering udara. 'Bertahun-tahun sejak perang,' jawab Tom. [Ceritanya berlanjut dengan gaya Hemingway yang ringkas dan berbasis dialog]."

Contoh 3: Saran Perjalanan

• Perintah Tidak Efektif: "Apa yang harus saya lakukan di Paris?"
  • Keluaran AI: "Di Paris, Anda dapat mengunjungi landmark seperti Menara Eiffel, Museum Louvre, dan Katedral Notre-Dame."
• Perintah yang Efektif: "Saya mengunjungi Paris selama tiga hari musim panas ini dengan fokus pada seni dan sejarah. Bisakah Anda menyarankan rencana perjalanan secara detail?"
  • Keluaran AI: "Hari 1: Mengunjungi Museum Louvre di pagi hari, dilanjutkan dengan berjalan kaki ke Katedral Notre-Dame. [Rencana perjalanan lebih detail menyusul]."

Wawasan untuk Menciptakan Anjuran yang Lebih Baik

1. Kekhususan: Buatlah sespesifik mungkin. Semakin detail permintaan Anda, semakin disesuaikan responsnya.
2. Informasi Kontekstual: Sertakan semua konteks yang relevan. Ini membantu AI memahami sifat sebenarnya dari permintaan Anda.
3. Jelas Tujuan: Nyatakan dengan jelas apa yang Anda harapkan sebagai keluaran. Baik itu resep, rencana perjalanan, atau solusi teknis, buatlah tujuan Anda jelas.
4. Hindari Ambiguitas: Perintah yang ambigu menghasilkan respons yang umum. Perjelas permintaan Anda untuk mendapatkan jawaban yang tepat.
5. Gunakan Format yang Diketahui: Jika memungkinkan, mintalah informasi dalam format tertentu, seperti daftar, panduan langkah demi langkah, atau diagram.

2. Meningkatkan Respons AI dengan Referensi

Penggunaan teks referensi secara strategis dalam rekayasa cepat dapat meningkatkan kualitas dan akurasi respons dari model AI seperti GPT-4 secara signifikan. Dengan memberikan informasi yang relevan dan tepercaya di samping kueri Anda, Anda dapat memandu AI untuk menyusun jawaban berdasarkan materi yang diberikan, sehingga respons menjadi lebih andal dan akurat secara kontekstual.

Contoh 1: Penjelasan Ilmiah

• Perintah Konvensional: "Bagaimana lubang hitam terbentuk?"
  • Keluaran AI: "Sebuah lubang hitam terbentuk dari sisa-sisa bintang besar yang mati dalam ledakan supernova. Jika massa inti cukup, ia akan runtuh karena gravitasinya sendiri ke dalam lubang hitam."
• Prompt yang Ditingkatkan dengan Teks Referensi:
  • Teks Referensi Disediakan: "[Makalah ilmiah tentang evolusi bintang dan lubang hitam]"
  • Cepat: "Dengan menggunakan informasi dari makalah ilmiah yang diberikan, jelaskan proses pembentukan lubang hitam."
  • Keluaran AI: "Berdasarkan makalah ilmiah yang diberikan, lubang hitam terbentuk ketika sebuah bintang masif kehabisan bahan bakar nuklirnya dan intinya runtuh. Makalah tersebut merinci: ['Kutipan yang relevan dari makalah ini']."

Contoh 2: Interpretasi Hukum

• Perintah Konvensional: "Apa implikasi hukum dari pencurian kekayaan intelektual?"
  • Keluaran AI: "Pencurian kekayaan intelektual dapat mengakibatkan konsekuensi hukum seperti tuntutan hukum, denda, dan dalam kasus yang parah, hukuman penjara."
• Prompt yang Ditingkatkan dengan Teks Referensi:
  • Teks Referensi Disediakan: "[Artikel jurnal hukum tentang hukum kekayaan intelektual]"
  • Cepat: “Mengacu pada artikel jurnal hukum yang disediakan, jelaskan implikasi hukum spesifik dari pencurian kekayaan intelektual.”
  • Keluaran AI: "Artikel jurnal hukum menyatakan bahwa pencurian kekayaan intelektual dapat mengakibatkan litigasi perdata, kerugian hukum, dan potensi tuntutan pidana. Secara khusus, artikel tersebut menyebutkan: ['Kutipan langsung dari artikel']."

Wawasan untuk Menggunakan Teks Referensi dalam Anjuran

1. Pilih Teks yang Relevan: Pilih teks referensi yang relevan langsung dengan pertanyaan Anda.
2. Spesifikasi Cepat: Instruksikan AI dengan jelas untuk menggunakan teks referensi yang disediakan untuk menyusun jawabannya.
3. kutipan: Meminta AI mengutip bagian tertentu dari teks referensi dalam tanggapannya demi keakuratan dan verifikasi.
4. Menangani Informasi yang Tidak Memadai: Perintahkan AI untuk menyatakan dengan jelas jika teks yang diberikan tidak berisi informasi yang diperlukan untuk menjawab pertanyaan.

3. Menyederhanakan Tugas Kompleks dengan Pembagian Subtugas

Kunci untuk menangani tugas kompleks secara efektif dengan model AI seperti GPT-4 terletak pada memecahnya menjadi subtugas yang lebih sederhana. Pendekatan ini tidak hanya menyederhanakan proses namun juga meningkatkan akurasi dan relevansi respons AI. Di bawah ini, kami mendemonstrasikan strategi ini melalui contoh spesifik, menyoroti keuntungan menggunakan klasifikasi maksud, teknik ringkasan, dan percakapan terstruktur untuk kueri yang kompleks.

Contoh 1: Permintaan Layanan Pelanggan

• Pendekatan yang Tidak Efektif: Satu pesan yang meminta bantuan umum.
  • Prompt Pengguna: "Saya mengalami masalah dengan akun saya."
  • Keluaran AI: "Bisakah Anda menjelaskan sifat masalah akun Anda?"
• Pendekatan yang Efektif: Mengklasifikasikan kueri ke dalam kategori dan memberikan bantuan yang ditargetkan.
  • Prompt Pengguna: "Saya mengalami masalah saat mengakses akun saya."
  • Petunjuk AI: "Klasifikasikan kueri ke dalam 'Manajemen Akun', lalu tawarkan langkah spesifik untuk memecahkan masalah akses."
  • Keluaran AI: "Sepertinya Anda kesulitan mengakses akun Anda. Mari kita mulai dengan menyetel ulang kata sandi Anda. [Diikuti dengan langkah-langkah mendetail]."

Contoh 2: Peringkasan Dokumen Panjang

• Pendekatan yang Tidak Efektif: Mencoba meringkas dokumen panjang sekaligus.
  • Prompt Pengguna: "Ringkaslah buku setebal 300 halaman ini untuk saya."
  • Keluaran AI: "Maaf, tetapi saya tidak dapat memproses dokumen lebih lama dari jendela konteks saya."
• Pendekatan yang Efektif: Meringkas dokumen sedikit demi sedikit dan membuat ringkasan lengkap secara rekursif.
  • Petunjuk AI: "Ringkaslah setiap bab secara terpisah, lalu buat ringkasan ringkasan, lanjutkan secara rekursif."
  • Prompt Pengguna: "Ringkaslah bab 1 buku ini."
  • Keluaran AI: "Ringkasan Bab 1: [Ringkasan singkat bab 1]."
  • Proses Lanjutan: Proses yang sama diterapkan untuk setiap bab, diikuti dengan ringkasan akhir yang menggabungkan semua ringkasan individual.

Manfaat Pembagian Subtugas dan Rekayasa Prompt Kontekstual

1. Akurasi meningkat: Dengan berfokus pada aspek spesifik dari tugas yang kompleks, AI dapat memberikan respons yang lebih akurat dan relevan.
2. Peningkatan Efisiensi: Memecah tugas akan membuatnya lebih mudah dikelola dan mengurangi kemungkinan kesalahan atau keluaran yang tidak relevan.
3. Pengalaman Pengguna yang Lebih Baik: Pengguna menerima panduan langkah demi langkah yang ditargetkan, yang lebih berguna daripada tanggapan umum.
4. Efektivitas biaya: Perintah yang lebih kecil dan bertarget bisa lebih hemat biaya dibandingkan dengan perintah yang lebih besar dan lebih kompleks.

4. Memberikan waktu kepada GPT untuk berpikir

Strategi memberikan waktu kepada model untuk "berpikir" dan memecah tugas-tugas kompleks menjadi langkah-langkah yang dapat dikelola secara signifikan meningkatkan kualitas respons dari model AI seperti GPT-4.

Contoh 1: Evaluasi Soal Matematika

• Pendekatan yang Tidak Efektif: Meminta model secara langsung untuk mengevaluasi solusi siswa.
  • Prompt Pengguna: “Apakah solusi siswa terhadap soal matematika ini benar?”
  • Keluaran AI: "Solusi siswa tampaknya benar/salah."
• Pendekatan yang Efektif: Menginstruksikan model untuk terlebih dahulu mencari solusinya sendiri sebelum mengevaluasi pekerjaan siswa.
  • Prompt Pengguna: "Pertama, selesaikan soal matematika ini. Kemudian, bandingkan solusi Anda dengan solusi siswa dan evaluasi kebenarannya."
  • Keluaran AI: "Solusi saya: [Solusi terperinci]. Dibandingkan dengan solusi siswa, saya menemukan kesalahan dalam penghitungan [bagian tertentu]. Pendekatan yang benar seharusnya adalah [metode yang benar]."

Contoh 2: Analisis Dokumen

• Pendekatan yang Tidak Efektif: Mencoba menganalisis dokumen besar dalam satu kueri.
  • Prompt Pengguna: "Ringkaslah poin-poin penting dari keseluruhan dokumen ini."
  • Keluaran AI: "Saya tidak dapat memproses keseluruhan dokumen karena panjangnya."
• Pendekatan yang Efektif: Ekstraksi kutipan secara berurutan dan kueri tindak lanjut untuk analisis komprehensif.
  • Prompt Pengguna: "Ekstrak kutipan kunci dari dokumen ini terkait dengan [topik spesifik]."
  • Keluaran AI: "Kutipan 1: [Bagian yang relevan]. Kutipan 2: [Bagian lain yang relevan]."
  • Perintah Pengguna Tindak Lanjut: "Apakah ada kutipan yang lebih relevan? Pastikan kutipan tersebut mengandung konteks lengkap."
  • Keluaran AI: "Kutipan Tambahan: [Bagian relevan lebih lanjut]."

Manfaat dan Wawasan

1. Kedalaman Analisis: Dengan mencari solusi atau analisis terlebih dahulu, AI dapat memberikan evaluasi yang lebih akurat dan mendalam.
2. Pembelajaran Terpandu: Dalam skenario bimbingan belajar, penggunaan monolog batin dan petunjuk mendorong siswa untuk mencapai solusi secara mandiri, sehingga meningkatkan pengalaman belajar mereka.
3. Cakupan Komprehensif: Untuk analisis dokumen, pendekatan sekuensial dan rekursif memastikan cakupan menyeluruh tanpa melewatkan detail penting.
4. Menghindari Bias: Dengan menghasilkan solusinya sendiri terlebih dahulu, AI menghindari bias yang mungkin timbul saat mengevaluasi jawaban yang diberikan secara langsung.

5. Memanfaatkan Alat Eksternal

Memasukkan alat dan sumber daya eksternal ke dalam interaksi AI dapat meningkatkan akurasi dan relevansi respons yang dihasilkan oleh model seperti GPT-4. Bagian ini menunjukkan penggunaan pencarian berbasis embeddings untuk pengambilan pengetahuan, eksekusi kode untuk penghitungan yang akurat, dan pemanggilan fungsi untuk meningkatkan kemampuan model AI.

Contoh 1: Perhitungan Akurat dengan Eksekusi Kode

• Tanpa Eksekusi Kode: Hanya mengandalkan kemampuan perhitungan model.
  • Prompt Pengguna: "Hitung akar kuadrat dari 529."
  • Keluaran AI: "Akar kuadrat dari 529 adalah kira-kira 23."
• Dengan Eksekusi Kode: Memastikan presisi dalam perhitungan.
  • Prompt Pengguna: "Hitung akar kuadrat dari 529."
  • Petunjuk AI: "Tulis dan jalankan kode Python untuk menghitung ini."
  • Keluaran AI"python import math math.sqrt(529) Akar kuadrat dari 529 adalah tepat 23."

Contoh 2: Menggunakan Panggilan API untuk Interaksi Dinamis

• Tanpa Panggilan API: Terbatas pada respons statis dan terprogram.
  • Prompt Pengguna: "Kirimkan pengingat ke temanku tentang pertemuan kita besok."
  • Keluaran AI: "Pengingat: Jangan lupa kirim pesan ke temanmu tentang rapat besok."
• Dengan Panggilan API: Berinteraksi dengan sistem eksternal untuk tindakan real-time.
  • Prompt Pengguna: "Kirimkan pengingat ke temanku John tentang pertemuan kita besok."
  • Petunjuk AI: "Gunakan API perpesanan untuk mengirim pengingat."
  • Keluaran AI"python import message message.write(to='John', message='Hey, remember our meeting tomorrow!')  Pengingat dikirimkan kepada John tentang pertemuan besok."

Manfaat dan Wawasan

1. Basis Pengetahuan yang Diperluas: Dengan menggunakan pencarian berbasis embeddings, AI dapat mengakses dan menggabungkan beragam informasi terkini, sehingga meningkatkan relevansi dan akurasi tanggapannya.
2. Presisi dalam Perhitungan: Eksekusi kode memungkinkan AI melakukan perhitungan matematis yang akurat, yang sangat berguna dalam konteks teknis atau ilmiah.
3. Kemampuan Interaktif: Panggilan API memungkinkan AI berinteraksi dengan sistem eksternal, memfasilitasi tindakan nyata seperti mengirim pesan atau mengatur pengingat.

6. Pengujian Sistematis

Pengujian sistematis, atau prosedur evaluasi (eval), sangat penting dalam menentukan efektivitas perubahan dalam sistem AI. Pendekatan ini melibatkan perbandingan keluaran model dengan serangkaian standar yang telah ditentukan atau jawaban "standar emas" untuk menilai keakuratan.

Contoh 1: Mengidentifikasi Kontradiksi dalam Jawaban

• Skenario Pengujian: Mendeteksi kontradiksi dalam respon model dibandingkan dengan jawaban ahli.
  • Petunjuk Sistem: Menentukan apakah respons model bertentangan dengan bagian mana pun dari jawaban yang diberikan pakar.
  • Masukan Pengguna: "Neil Armstrong menjadi orang kedua yang berjalan di bulan, setelah Buzz Aldrin."
  • Proses evaluasi: Sistem memeriksa konsistensi dengan jawaban ahli yang menyatakan Neil Armstrong adalah orang pertama di bulan.
  • Keluaran Model: Respons model secara langsung bertentangan dengan jawaban pakar, sehingga menunjukkan adanya kesalahan.

Contoh 2: Membandingkan Tingkat Detail dalam Jawaban

• Skenario Pengujian: Menilai apakah jawaban model selaras, melebihi, atau kurang dari jawaban pakar dalam hal detail.
  • Petunjuk Sistem: Bandingkan kedalaman informasi antara respon model dan jawaban pakar.
  • Masukan Pengguna: "Neil Armstrong pertama kali berjalan di bulan pada 21 Juli 1969, pukul 02:56 UTC."
  • Proses evaluasi: Sistem menilai apakah respon model memberikan lebih banyak, sama, atau kurang detail dibandingkan dengan jawaban pakar.
  • Keluaran Model: Respons model memberikan detail tambahan (waktu yang tepat), yang selaras dan memperluas jawaban pakar.

Manfaat dan Wawasan

1. Akurasi dan Keandalan: Pengujian sistematis memastikan respons model AI akurat dan andal, terutama saat menangani informasi faktual.
2. Deteksi Kesalahan: Ini membantu dalam mengidentifikasi kesalahan, kontradiksi, atau inkonsistensi dalam respons model.
3. Kualitas asuransi: Pendekatan ini penting untuk mempertahankan standar kualitas yang tinggi dalam konten yang dihasilkan AI, khususnya dalam konteks pendidikan, sejarah, atau konteks sensitif fakta lainnya.

Kesimpulan dan Pesan yang Dapat Diambil

Melalui contoh dan strategi yang dibahas, kita telah melihat bagaimana kekhususan dalam perintah dapat mengubah hasil secara drastis, dan bagaimana memecah tugas-tugas kompleks menjadi sub-tugas yang lebih sederhana dapat membuat tantangan-tantangan berat dapat dikelola. Kami telah mengeksplorasi kekuatan alat eksternal dalam meningkatkan kemampuan AI dan pentingnya pengujian sistematis dalam memastikan keandalan dan keakuratan respons AI. Mengunjungi Panduan Teknik Cepat OpenAI untuk pengetahuan dasar yang melengkapi eksplorasi komprehensif kami mengenai teknik dan strategi canggih untuk mengoptimalkan interaksi AI.