Apa itu Few-Shot Prompting?
Alih-alih hanya menjelaskan aturan dengan kata-kata, Few-Shot Prompting menunjukkan contoh yang mewakili hasil ideal. Model menggunakan contoh tersebut sebagai petunjuk di dalam konteks saat ini. Teknik ini dapat membantu untuk klasifikasi, ekstraksi data, gaya penulisan, atau format keluaran yang konsisten tanpa melatih ulang model.
Jika Anda ingin AI mengelompokkan ulasan menjadi “positif”, “netral”, atau “negatif”, berikan beberapa ulasan singkat beserta label yang benar. Setelah itu, masukkan ulasan baru dan minta AI mengembalikan satu label dengan format yang sama.
Cara kerja sederhana
Prompt berisi instruksi, beberapa pasangan contoh, lalu tugas baru yang harus dikerjakan. Model memperhatikan pola pada contoh—misalnya label, struktur JSON, atau gaya jawaban—dan mencoba menerapkannya pada masukan baru. Pemilihan contoh yang relevan dan jelas biasanya lebih penting daripada jumlah contoh yang banyak.
Kenapa Anda perlu memahaminya?
Few-Shot Prompting memberi cara praktis untuk memperjelas ekspektasi ketika instruksi saja belum cukup. Bagi pembaca, teknik ini menunjukkan bahwa contoh dapat menjadi “spesifikasi” yang lebih mudah dipahami AI. Namun contoh tidak menggantikan pemeriksaan hasil atau pengetahuan yang tidak ada di dalam konteks.
Kesalahpahaman yang umum
Few-Shot Prompting berbeda dari Fine-Tuning. Few-shot memakai contoh sementara di dalam prompt dan tidak mengubah model, sedangkan fine-tuning melakukan pelatihan tambahan. Ia juga berbeda dari zero-shot prompting, yaitu memberi tugas tanpa contoh sama sekali.
Catatan penting sebelum menggunakannya
Contoh yang ambigu, bias, terlalu sedikit, atau tidak mewakili kasus nyata dapat mengarahkan hasil ke pola yang keliru. Terlalu banyak contoh dapat memakai context window dan meningkatkan biaya atau latensi. Teknik ini juga tidak menjamin model mengikuti format dengan sempurna; hasil tetap harus divalidasi bila akan diproses oleh sistem lain.