Few-Shot Prompting

TL;DR: Few-shot prompting adalah teknik menyertakan beberapa contoh pasangan input-output di dalam prompt sebelum tugas sebenarnya. Contoh ini mengajari model pola yang diinginkan tanpa perlu melatih ulang, sehingga jawaban lebih konsisten dan sesuai format.

Apa itu Few-Shot Prompting?

Few-shot prompting adalah cara mengarahkan model bahasa dengan memberi contoh, bukan hanya instruksi. Alih-alih sekadar berkata "ubah kalimat ini jadi sopan", kita menambahkan dua atau tiga contoh kalimat kasar beserta versi sopannya, lalu meminta model melanjutkan polanya. Model belajar dari contoh tersebut secara langsung di dalam context window, tanpa proses pelatihan ulang. Istilah "few" merujuk pada jumlah contoh: zero-shot berarti tanpa contoh, one-shot satu contoh, dan few-shot beberapa contoh.

Kapan Memakai Few-Shot

• Saat output harus mengikuti format spesifik, misalnya tabel atau JSON.
• Saat tugas punya gaya khas yang sulit dijelaskan dengan kata, lebih mudah ditunjukkan.
• Saat zero-shot menghasilkan jawaban yang tidak konsisten.

Riset awal yang mempopulerkan istilah ini dapat dibaca pada makalah Language Models are Few-Shot Learners.

Kenapa Penting?

Bagi marketer dan developer yang membangun alur konten berbasis AI, few-shot prompting adalah cara murah menaikkan kualitas output tanpa biaya pelatihan model. Dalam praktik menyusun otomasi penulisan, saya melihat dua sampai tiga contoh yang dipilih dengan baik sering lebih efektif ketimbang instruksi panjang. Teknik ini melengkapi system prompt: system prompt menetapkan peran, few-shot menunjukkan standar konkret.

Pertanyaan Umum

Berapa contoh ideal untuk few-shot?

Umumnya dua sampai lima contoh sudah cukup. Terlalu banyak contoh memakan token dan dapat menyempitkan ruang untuk tugas sebenarnya.

Apa beda few-shot dengan fine-tuning?

Few-shot menaruh contoh di dalam prompt setiap kali dipakai, sementara fine-tuning melatih ulang model secara permanen dengan dataset. Few-shot lebih cepat dan murah, fine-tuning lebih konsisten untuk volume besar.