Pemberian Prompt Zero-Shot dan Few-Shot
Temukan cara memperoleh respons tanpa contoh (zero-shot) atau dengan memberikan beberapa contoh ilustratif (few-shot).
Pemberian Prompt Zero-Shot dan Few-Shot adalah pelajaran AI Prompt Engineering gratis di CoddyKit. Ini adalah pelajaran 2 dari 3. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Prompt Engineering, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Prompt Engineering mencakup 3 pelajaran total.
Pengantar Zero-Shot & Few-Shot
Selamat datang di pelajaran tentang Prompting Zero-Shot dan Few-Shot! Keduanya merupakan teknik dasar untuk mengarahkan Model Bahasa Besar (LLM) dalam menjalankan tugas.
Memahami keduanya akan membantu Anda memperoleh output yang lebih baik dan lebih akurat dari AI.
Memahami Zero-Shot
Prompting zero-shot berarti memberikan tugas kepada LLM tanpa menyediakan contoh cara mengerjakannya.
- Anda sepenuhnya mengandalkan pengetahuan LLM yang telah dilatih sebelumnya.
- Prompt hanya berisi instruksi dan data input.
- Teknik ini efektif untuk tugas sederhana dan umum yang kemungkinan besar pernah ditemukan LLM selama pelatihan.
Zero-Shot dalam Praktik: Mengklasifikasikan
Berikut contoh zero-shot. Kita meminta LLM mengklasifikasikan sentimen teks tanpa menunjukkan klasifikasi sentimen sebelumnya.
Cobalah menjalankan contoh ini:
def call_llm_api(prompt):
# In a real scenario, this would call an LLM API.
# For this example, we simulate a response.
if "sentiment" in prompt.lower():
return "Sentiment: Positive"
return "LLM Response: Could not process."
# Our zero-shot prompt
zero_shot_prompt = "Classify the sentiment of 'The movie was fantastic!'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Zero-Shot: Mengekstrak Informasi
Prompting zero-shot juga sangat baik untuk mengekstrak informasi tertentu dari teks.
Kita cukup memberi tahu LLM hal yang harus dicari, lalu LLM menggunakan pengetahuan umumnya untuk menemukannya.
def call_llm_api(prompt):
if "name and age" in prompt.lower():
return "Name: Alice, Age: 30"
return "LLM Response: Information not found."
# Another zero-shot prompt example
zero_shot_prompt = "Extract the name and age from 'My name is Alice and I am 30 years old.'"
print(f"Prompt: {zero_shot_prompt}")
print(f"LLM Output: {call_llm_api(zero_shot_prompt)}")Keterbatasan Zero-Shot
Meskipun kuat, prompting zero-shot memiliki beberapa keterbatasan:
- Ambiguitas: Tugas yang terbuka untuk ditafsirkan dapat menghasilkan hasil yang tidak konsisten.
- Kebaruan: Jika tugas atau konsepnya sangat baru atau khusus, LLM mungkin kesulitan tanpa contoh.
- Kompleksitas: Untuk penalaran bertahap atau format yang sangat spesifik, instruksi saja mungkin tidak cukup.
Memperkenalkan Prompting Few-Shot
Prompting few-shot mengatasi keterbatasan zero-shot dengan menyertakan beberapa contoh input-output langsung di dalam prompt.
- Contoh-contoh ini memandu LLM mengenai tugas, gaya, atau format yang diinginkan.
- Teknik ini seperti menunjukkan beberapa soal yang telah diselesaikan kepada seorang siswa sebelum memintanya menyelesaikan soal baru.
- Teknik ini secara signifikan meningkatkan kinerja pada tugas yang kompleks atau ambigu.
Few-Shot dalam Praktik: Menulis Ulang
Di sini, kita memberikan contoh cara mengubah kalimat menjadi kalimat aktif. Hal ini membantu LLM memahami transformasi spesifik yang kita inginkan.
Perhatikan bagaimana contoh tersebut memperjelas tugasnya:
def call_llm_api(prompt):
if "active voice" in prompt.lower() and "ball was thrown" in prompt.lower():
return "Output: The boy threw the ball."
return "LLM Response: Could not rephrase."
# Our few-shot prompt with one example
few_shot_prompt = """Rephrase into active voice:
Input: The mouse was chased by the cat.
Output: The cat chased the mouse.
Rephrase into active voice:
Input: The ball was thrown by the boy."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output: {call_llm_api(few_shot_prompt)}")Few-Shot: Menghasilkan Kode
Prompting few-shot sangat berguna untuk menghasilkan kode atau mengikuti format output tertentu.
Dengan menunjukkan contoh kode yang diinginkan, misalnya tanda tangan dan isi fungsi, LLM dapat meniru struktur tersebut dengan lebih baik.
def call_llm_api(prompt):
if "function to add" in prompt.lower():
return "def add(a, b):\n return a + b"
return "LLM Response: Code not generated."
# Few-shot prompt for code generation
few_shot_prompt = """Generate a Python function:
Example 1:
Input: Function to multiply two numbers.
Output:
def multiply(a, b):
return a * b
Example 2:
Input: Function to add two numbers."""
print(f"Prompt: {few_shot_prompt}")
print(f"LLM Output:\n{call_llm_api(few_shot_prompt)}")Memilih Teknik yang Tepat
Bagaimana cara memilih antara zero-shot dan few-shot?
- Zero-Shot: Paling sesuai untuk tugas sederhana dan dipahami dengan baik, ketika pengetahuan umum LLM sudah mencukupi. Teknik ini ringkas dan menghemat ruang token.
- Few-Shot: Ideal untuk tugas yang kompleks, bernuansa, atau dibuat khusus yang memerlukan format atau gaya tertentu. Teknik ini memberikan panduan penting dan meningkatkan akurasi, tetapi menggunakan lebih banyak token.
Pemeriksaan Zero/Few-Shot
Teknik prompting manakah yang umumnya lebih baik untuk tugas sederhana dan terdefinisi dengan baik tanpa memerlukan contoh khusus?
Rangkuman: Kekuatan Prompting
Anda telah mempelajari dua teknik prompting dasar:
- Prompting zero-shot hanya menggunakan instruksi dan memanfaatkan pengetahuan luas LLM untuk tugas-tugas sederhana.
- Prompting few-shot menambahkan contoh ke dalam prompt, sehingga memberikan panduan penting untuk output yang lebih kompleks, bernuansa, atau dibuat khusus.
Menguasai teknik-teknik ini memungkinkan Anda berinteraksi dengan LLM secara lebih efektif dan memperoleh hasil yang diinginkan!
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Pemberian Prompt Zero-Shot dan Few-Shot” gratis?
Ya — teks lengkap “Pemberian Prompt Zero-Shot dan Few-Shot” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Prompt Engineering, upgrade ke CoddyKit PRO. Kursus AI Prompt Engineering mencakup 3 pelajaran total.
Apa yang akan aku pelajari di “Pemberian Prompt Zero-Shot dan Few-Shot”?
Temukan cara memperoleh respons tanpa contoh (zero-shot) atau dengan memberikan beberapa contoh ilustratif (few-shot). Kamu berlatih AI Prompt Engineering dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Prompt Engineering?
Tidak diperlukan pengalaman sebelumnya. AI Prompt Engineering di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 3.
Berapa lama pelajaran “Pemberian Prompt Zero-Shot dan Few-Shot” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Prompt Engineering ini?
Ya. Setiap pelajaran AI Prompt Engineering menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Memahami Kemampuan LLM
- Pemberian Prompt Zero-Shot dan Few-Shot
- Prompt Peran dan Persona