Kasih Contoh Jawaban Salah ke AI Secara Sengaja, Biar Hasilnya Lebih Akurat

Ya, kasih contoh jawaban salah ke AI secara sengaja, di samping contoh yang benar, bisa bikin hasilnya lebih akurat. Syaratnya, contoh salah itu diberi label jelas dan alasan kenapa salah. Dengan begitu AI belajar di mana batas antara jawaban yang kamu mau dan jawaban yang kamu tolak.

Bagian dari playbook: Playbook Prompt ChatGPT

Intinya:

• Kalau cuma dikasih contoh benar, AI meniru seluruh bentuk output, termasuk bagian yang sebenarnya nggak penting.
• Contoh salah yang diberi alasan menunjukkan ke AI fitur mana yang bikin sebuah jawaban diterima atau ditolak.
• Contoh salah paling berguna kalau mirip contoh benar dan cuma beda di satu hal yang krusial.

Coba kamu bayangin dua cara minta tolong ke AI ini

Misalnya kamu jualan skincare di marketplace, dan kamu minta AI bantu balas chat komplain pelanggan.

Di cara pertama, kamu kasih satu contoh balasan yang bagus. Hasilnya rapi. Tapi hampir semua balasan dibuka dengan kalimat yang sama. Panjangnya juga seragam, padahal komplainnya beda-beda. Sesekali AI malah menawarkan voucher, padahal toko kamu nggak punya kebijakan itu.

Di cara kedua, kamu kasih contoh bagus yang sama, plus satu balasan yang kelihatannya sopan tapi menjanjikan kompensasi. Di bawahnya kamu tulis: “SALAH, karena menjanjikan kompensasi yang tidak ada di kebijakan toko.”

Besar kemungkinan AI jadi lebih jarang mengarang janji. Kalimat pembukanya juga bisa lebih bervariasi. Soalnya sekarang AI paham yang kamu jaga adalah isi janjinya.

Perbedaannya ada di informasi yang AI terima. Cara pertama cuma memberi tahu seperti apa jawaban yang bagus. Cara kedua juga memberi tahu garis mana yang nggak boleh dilewati.

Apa itu prompt kontrastif, dan kenapa contoh salah di prompt AI bisa bikin lebih akurat?

Prompt kontrastif adalah cara menulis prompt yang menyandingkan contoh benar dan contoh salah untuk tugas yang sama, lengkap dengan label dan alasannya. Atribut utamanya:

Baca jugaPrompt & ChatGPTKenapa Prompt yang Diomongin Lewat Suara Hasilnya Lebih Detail dari yang Diketik

• Berpasangan. Ada minimal satu contoh benar dan satu contoh salah untuk jenis input yang sama.
• Berlabel tegas. Setiap contoh ditandai BENAR atau SALAH, jadi AI nggak perlu menebak.
• Beralasan. Contoh salah disertai satu kalimat yang menjelaskan letak kesalahannya.
• Hampir benar. Contoh salahnya realistis, jenis kesalahan yang memang sering muncul.
• Satu pembeda. Idealnya kedua contoh cuma beda di satu hal yang menentukan.

Teknik ini merupakan pengembangan dari few-shot prompting. Few-shot prompting adalah teknik memberi beberapa contoh input dan output di dalam prompt supaya AI meniru polanya. Prompt kontrastif menambahkan satu lapisan ke situ: contoh yang harus dihindari.

Ide ini juga punya dasar riset. Paper berjudul Contrastive Chain-of-Thought Prompting menguji pemberian contoh penalaran yang valid sekaligus yang keliru. Di sejumlah tugas penalaran, pasangan contoh itu membantu model menjawab lebih akurat dibanding contoh valid saja. Chain-of-thought adalah teknik meminta AI menuliskan langkah berpikirnya sebelum memberi jawaban akhir.

Nah, sekarang kita bongkar kenapa ini bisa bekerja.

Contoh benar saja ternyata ambigu

Satu contoh output membawa banyak sekali fitur sekaligus. Ada panjang kalimat, nada, kata pembuka, sapaan, struktur paragraf, sampai pemakaian emoji.

AI nggak tahu mana fitur yang wajib dan mana yang kebetulan saja. Makanya jalan paling aman buat AI adalah menyalin semuanya. Itu sebabnya hasilnya sering terasa seperti fotokopi dari contoh kamu.

Contoh salah mempersempit tebakan AI

Kalau contoh salah punya hampir semua fitur contoh benar, lalu beda di satu hal, AI bisa melihat fitur pembedanya. Fitur lain yang sama di kedua contoh otomatis terbaca sebagai hal yang kurang menentukan.

Mirip cara orang belajar membedakan uang asli dan palsu. Yang paling banyak mengajar justru uang palsu yang hampir sempurna. Dari situ kelihatan detail mana yang benar-benar menentukan.

Alasan tertulis mengubah pola jadi aturan

Tanpa alasan, AI harus menyimpulkan sendiri kenapa contoh itu salah. Tebakannya bisa meleset. Satu kalimat “salah karena…” mengubah pola yang samar jadi aturan yang eksplisit.

Ini juga yang membedakan contoh salah dengan instruksi “jangan begini”. Instruksi memberi aturan, sedangkan contoh salah memperlihatkan wujud pelanggarannya. Dua-duanya dipakai bareng biasanya lebih kuat.

Kenapa ini penting buat bisnis dengan tim tipis

Buat solopreneur atau bisnis kecil, hampir nggak ada lapisan QA. Setiap output AI yang meleset, kamu sendiri yang harus cek dan benerin. Makin sering AI salah di pola yang sama, makin banyak waktu kamu habis di situ.

Kabar baiknya, kamu sebenarnya sudah punya stok contoh salah. Isinya semua output AI yang pernah kamu tolak. Balasan yang terlalu kaku, caption yang terlalu hard-sell, deskripsi produk yang mengarang klaim. Semua itu bahan prompt kontrastif yang siap pakai.

Ini makin penting kalau AI kamu jalan di dalam workflow otomatis. Misalnya kamu pakai AI untuk memilah pesan WhatsApp jadi pertanyaan, komplain, atau spam. Contoh salah yang berguna: pesan “kapan restock?” yang keliru dimasukkan ke kategori komplain.

Di workflow otomatis, kesalahan klasifikasi jalan terus tanpa ada yang melihat. Makanya batas antar kategori perlu ditunjukkan sejelas mungkin sejak awal.

Jebakannya: kapan contoh salah justru bikin hasil memburuk

Teknik ini punya batas. Perhatikan beberapa jebakan berikut:

• Label kurang tegas. Kalau AI nggak yakin mana yang salah, contoh salah itu bisa ikut ditiru. Tulis label dengan huruf kapital dan pisahkan bloknya.
• Contoh salah terlalu absurd. Kesalahan yang nggak mungkin terjadi nggak mengajarkan apa-apa. Pakai kesalahan yang memang pernah muncul.
• Kebanyakan contoh salah. Kata-kata dari contoh salah bisa bocor ke output. Satu atau dua biasanya cukup.
• Urutan yang kurang pas. Posisi contoh ikut memengaruhi hasil. Penjelasannya ada di tulisan soal urutan contoh di dalam prompt dan pengaruhnya ke akurasi.
• Tugas yang sifatnya eksplorasi. Untuk brainstorming ide liar, contoh salah bisa bikin AI terlalu hati-hati dan hasilnya menyempit.
• Akar masalahnya di data. Kalau AI salah karena informasinya kurang, contoh salah nggak akan menolong. Pola ini dibahas di artikel tentang jawaban AI yang logikanya benar tapi asumsinya keliru.

Satu lagi, ya. Hasilnya bisa beda antar model dan antar jenis tugas. Jadi anggap ini hipotesis yang perlu kamu tes sendiri.

Cara kasih contoh salah di prompt AI, mulai minggu ini

Kamu nggak perlu merombak semua prompt. Mulai dari satu tugas yang paling sering bikin kamu kesal.

1. Kumpulkan output yang kamu tolak. Ambil tiga hasil AI yang kemarin kamu revisi manual.
2. Tulis alasannya. Untuk tiap output, tulis satu kalimat kenapa kamu menolaknya.
3. Pilih yang hampir benar. Ambil satu yang paling mirip jawaban ideal, tapi gagal di satu hal penting.
4. Susun pasangannya. Taruh contoh benar dan contoh salah untuk jenis input yang sama.
5. Tes berdampingan. Jalankan input yang sama beberapa kali, misalnya lima kali, dengan dan tanpa contoh salah. Bandingkan hasilnya.
6. Simpan jadi template. Kalau versi kontrastif lebih konsisten, jadikan prompt standar.

Kerangkanya bisa seperti ini:

Tugas: balas pesan komplain pelanggan toko kami dengan sopan dan singkat.

CONTOH BENAR
Pesan: "Paket saya belum sampai, sudah 5 hari."
Balasan: "Mohon maaf ya, Kak. Kami cek resinya sekarang dan kabari posisinya hari ini."
Kenapa benar: empati, ada tindakan jelas, tidak menjanjikan hal di luar kebijakan.

CONTOH SALAH
Balasan: "Mohon maaf ya, Kak. Sebagai gantinya kami kirim voucher belanja."
Kenapa salah: menjanjikan kompensasi yang tidak ada di kebijakan toko.

Sekarang balas pesan ini: [pesan pelanggan]

Setelah itu, perbaiki pelan-pelan dari hasil tes. Kalau muncul kesalahan pola baru, tambahkan sebagai contoh salah berikutnya. Proses bolak-balik seperti ini sejalan dengan cara membuat prompt iteratif untuk jawaban yang akurat.

Satu hal yang perlu kamu ingat

AI yang cuma melihat contoh bagus hanya tahu arah tujuannya. AI yang juga melihat contoh salah tahu di mana pagarnya. Dan di bisnis, sering kali justru pagar itulah yang menyelamatkan reputasi kamu.

Coba satu pasangan contoh minggu ini, lalu lihat bedanya sendiri. Kalau kamu mau dapat catatan praktis seperti ini secara rutin, kamu bisa ikut newsletter Hendra Kuang.

Kalau kamu mau mendalami cara kerja bareng Claude dan AI assistant dari nol, lihat Claude Mastery.