YouTube2Text

Video E-Learning: Advanced Prompting — Transcript

by timlnd spil · 1,766 words · 454 segments · language en · Watch on YouTube

Full transcript

  1. 0:01[musik]
  2. 0:07Halo Greeners, selamat datang kembali di
  3. 0:10training advance prompting.
  4. 0:13Di episode sebelumnya kita sudah
  5. 0:15membahas mengenai basic prompting, kita
  6. 0:18sudah belajar bagaimana cara membuat
  7. 0:21prompt yang jelas, lebih spesifik,
  8. 0:24relevan dan juga lebih terarah.
  9. 0:27Tapi sekarang coba kita bayangkan
  10. 0:29situasi yang sedikit lebih kompleks.
  11. 0:33Kita tidak hanya membuat AI itu untuk
  12. 0:35meringkas, merangkum atau sekedar
  13. 0:38membuat caption,
  14. 0:39tapi kita memberikan data, kemudian
  15. 0:42membuat kita membutuhkan AI itu untuk
  16. 0:45bisa menganalisis data [musik] itu,
  17. 0:47mencari pola, menentukan prioritas,
  18. 0:50menentukan clustering, kelompok dan lain
  19. 0:53sebagainya.
  20. 0:54Nah, kalau task-nya sudah bersifat
  21. 0:58seperti itu,
  22. 1:00apakah cukup dengan satu prompt?
  23. 1:03Jawabannya tidak, karena semakin
  24. 1:06kompleks pekerjaan kita, semakin banyak
  25. 1:09pula arahan yang harus kita berikan
  26. 1:11kepada AI tersebut.
  27. 1:13Dan inilah yang akan kita bahas secara
  28. 1:15spesifik di episode kali ini, advance
  29. 1:19prompting.
  30. 1:22[musik]
  31. 1:31Cara kita menggunakan prompting untuk
  32. 1:33menghasilkan output AI yang lebih
  33. 1:36terstruktur, akurat, kompleks dan sesuai
  34. 1:40dengan kebutuhan.
  35. 1:42Oke, jadi sebelum
  36. 1:44membahas tekniknya,
  37. 1:46kita harus tahu dulu ya kapan sebenarnya
  38. 1:49kita membutuhkan yang advance-advance
  39. 1:51ini.
  40. 1:52Jadi kita membutuhkan itu kalau task
  41. 1:55kita sudah
  42. 1:57tidak [musik]
  43. 1:58relatif sederhana. Yang sederhana contoh
  44. 2:02ringkas jadi lima poin. Ya, kalau ini
  45. 2:05basic prompting saja sudah cukup.
  46. 2:07Sederhana, output cuma satu langkah,
  47. 2:10enggak terlalu banyak dan tidak
  48. 2:12membutuhkan
  49. 2:14workflow yang panjang.
  50. 2:16Dan
  51. 2:18contoh ya, contoh ini. Ringkas dokumen
  52. 2:21ini menjadi lima poin. Nah, itu kan
  53. 2:23simpel.
  54. 2:24Basic prompting seperti lesson
  55. 2:26sebelumnya itu sudah bisa menyelesaikan
  56. 2:28tugas itu.
  57. 2:30Nah, sekarang bayangkan kita punya satu
  58. 2:32dataset
  59. 2:34tabel ini. Kita minta AI mengambil
  60. 2:37insight, mengelompokkan feedback,
  61. 2:39mencari pola, menganalisa masalah. Sudah
  62. 2:41AI itu kamu jadikan sebagai data analis.
  63. 2:45Itu sudah berbeda.
  64. 2:47Task-nya itu memiliki banyak tahapan
  65. 2:50dan ada data yang perlu diekstrak,
  66. 2:53dikelompokkan,
  67. 2:55ada analisis yang perlu dilakukan, dan
  68. 2:58output akhirnya pun
  69. 3:00akan digunakan untuk proses
  70. 3:04membuat sebuah membuat sebuah keputusan.
  71. 3:07Nah, dalam kebutuhan ini baru kita
  72. 3:10menggunakan advanced prompting.
  73. 3:12Jadi, semakin kompleks task-nya, semakin
  74. 3:15terstruktur pula prompt yang harus
  75. 3:17dibutuhkan.
  76. 3:20Sekarang kita masuk ke bagian yang
  77. 3:21penting,
  78. 3:23yaitu struktur dari advanced prompting.
  79. 3:30[musik]
  80. 3:36Ini terdiri dari beberapa komponen ya.
  81. 3:38Yang pertama ada role,
  82. 3:40objective,
  83. 3:42konteks atau input,
  84. 3:45task,
  85. 3:46examples,
  86. 3:47output, dan quality kriteria.
  87. 3:52Mari kita bahas satu persatu.
  88. 3:54Pertama,
  89. 3:56role. [musik]
  90. 3:57Role menentukan perspektif atau keahlian
  91. 4:01yang digunakan AI ketika mengerjakan
  92. 4:04task. [musik]
  93. 4:05Misal, kita kasih AI roles
  94. 4:08business analyst
  95. 4:10yang berpengalaman dalam menganalisis
  96. 4:12data, memberikan rekomendasi berbasis
  97. 4:15evidence.
  98. 4:16Dengan role tersebut, kita tuh
  99. 4:18memposisikan AI-nya jadi yang business
  100. 4:21analyst
  101. 4:22dan mengharapkan agar AI bertindak
  102. 4:25sebagai business analyst. Kedua adalah
  103. 4:28objektif.
  104. 4:30Tujuannya itu apa?
  105. 4:32Jadi, contoh, identifikasi masalah utama
  106. 4:36dan prioritas improvement berdasarkan
  107. 4:38data yang tersedia untuk menga-
  108. 4:41mendukung pengambilan keputusan bisnis.
  109. 4:44Jadi, AI tidak hanya tahu apa yang harus
  110. 4:46dikerjakan, tapi juga tahu untuk apa
  111. 4:50pekerjaan ini dilakukan.
  112. 4:52Dan yang ketiga
  113. 4:54adalah konteks
  114. 4:55atau input.
  115. 4:56Ini menjelaskan latar belakang,
  116. 4:59informasi relevan, misal,
  117. 5:02data berasal dari feedback customer
  118. 5:06atau data data ini data operasional
  119. 5:09dan hasil evaluasi proses.
  120. 5:12Kita juga bisa memberikan batasan,
  121. 5:13misal,
  122. 5:15gunakan hanya informasi yang saya
  123. 5:17berikan sebagai dasar analisis. Kolom
  124. 5:20ini, kolom ini. Nah, ini penting karena
  125. 5:22kita ingin AI memahami sumber informasi
  126. 5:25yang boleh disentuh
  127. 5:27dan mengabaikan yang lain.
  128. 5:29Selanjutnya adalah task.
  129. 5:31Ini menjelaskan pekerjaan apa yang harus
  130. 5:33dilakukan AI. Misalnya, kelompokkan data
  131. 5:36berdasarkan tema,
  132. 5:39identifikasi pola atau masalah,
  133. 5:42analisis kemungkinan penyebab masalah
  134. 5:44itu terjadi, lalu apa sih prioritas
  135. 5:48perbaikannya? Nah, task ini itu sudah
  136. 5:51terdiri dari beberapa aktivitas. Ada
  137. 5:54pengelompokan, ada identifikasi, ada
  138. 5:57analisis, kemudian priority [musik]
  139. 5:59checking.
  140. 6:01Nah, ini yang membuat advance prompting
  141. 6:03ini berbeda dari basic prompting.
  142. 6:04[musik]
  143. 6:06Kemudian ada examples.
  144. 6:09Digunakan untuk memberikan referensi
  145. 6:12pola
  146. 6:13mengenai hasil yang ingin kita dapatkan.
  147. 6:16Contoh,
  148. 6:17jika banyak feedback menunjukkan proses
  149. 6:20pelayanan terlalu lama, kelompokkan
  150. 6:23sebagai isu proses efisiensi.
  151. 6:27Kemudian tampilkan evidence yang
  152. 6:29mendukung dan merekomendasikan area
  153. 6:32proses yang perlu dievaluasi
  154. 6:35dengan memberikan contoh itu, kita
  155. 6:38membantu AI memahami pola, cara kita
  156. 6:42berpikir,
  157. 6:43dan yang kita harapkan.
  158. 6:45Selanjutnya adalah output.
  159. 6:47Kita menentukan bagaimana sih hasil
  160. 6:49akhirnya harus disajikan.
  161. 6:52Misal, buatkan dalam bentuk tabel dengan
  162. 6:55format issue, kolom, business impact,
  163. 6:58priority, dan recommendation.
  164. 7:01Jadi, output-nya itu bukan sekedar
  165. 7:03buatkan analisis.
  166. 7:05Banyak hal.
  167. 7:06Kita sudah menentukan struktur hasilnya
  168. 7:08tadi.
  169. 7:09[musik]
  170. 7:10Dan lanjut adalah quality criteria.
  171. 7:15Ini tuh bagaimana cara kita menyajikan
  172. 7:19sesuatu yang berkualitas. Misal,
  173. 7:21berdasarkan
  174. 7:23fakta, analisis, dan asumsi. Jangan
  175. 7:26membuat kesimpulan tanpa evidence.
  176. 7:29Intinya,
  177. 7:30jangan sampai AI itu halu.
  178. 7:32Karena
  179. 7:34kita sudah memberikan
  180. 7:36AI
  181. 7:37ke AI ini apa yang harus dibuat. Dan
  182. 7:40juga kita sudah memberi tahu ke AI apa
  183. 7:42yang benar dan apa yang salah.
  184. 7:45Lalu kita akan masuk ke teknik
  185. 7:46selanjutnya, yaitu task decomposition.
  186. 8:01Task decomposition sendiri itu adalah
  187. 8:03memecah pekerjaan kompleks
  188. 8:06menjadi beberapa subtask yang lebih
  189. 8:08sederhana dan terkontrol.
  190. 8:11Bayangkan kita ngasih task ke AI,
  191. 8:14"Buatkan rekomendasi program training
  192. 8:16berdasarkan feedback peserta."
  193. 8:19Kelihatannya task kelihatannya
  194. 8:21sederhana.
  195. 8:22Tapi sebenarnya task itu banyak.
  196. 8:25[musik]
  197. 8:25Harus baca feedback, mencari insight,
  198. 8:28mengelompokkan feedback, mencari pola,
  199. 8:31menentukan masalah, prioritas, kemudian
  200. 8:34membuat rekomendasi.
  201. 8:36[musik]
  202. 8:37Daripada kita meminta AI itu dalam satu
  203. 8:40kalimat, "Buatkan semuanya sekaligus."
  204. 8:42Nah, kita bisa memecahnya menjadi enam
  205. 8:44tahap.
  206. 8:45Satu, extract.
  207. 8:48"Ambil insight utama dari data ini."
  208. 8:50Kedua, cluster. "Kelompokkan."
  209. 8:53[musik]
  210. 8:54Ketiga, analyze. "Identifikasikan pola
  211. 8:57dan gap." Keempat, prioritize. "Tentukan
  212. 9:00issue yang prioritas."
  213. 9:02Kelima, recommend. "Susun berdasarkan
  214. 9:05rekomendasi program." Dan terakhir,
  215. 9:08validasi. "Cek evidence dan asumsi."
  216. 9:11Jadi ada cluster,
  217. 9:13analyze,
  218. 9:14prioritize, recommend, dan juga
  219. 9:17validate.
  220. 9:18Dengan cara ini, task yang awalnya
  221. 9:21terlihat sangat kompleks
  222. 9:23menjadi beberapa langkah yang mudah
  223. 9:25dikontrol.
  224. 9:26Dan yang tidak kalah penting, setiap
  225. 9:29tahap bisa memiliki tujuan dan kriteria
  226. 9:32kualitasnya sendiri.
  227. 9:34Nah,
  228. 9:35kalau task itu sudah kita pecah,
  229. 9:38bagaimana cara kita menjalankannya?
  230. 9:41Salah satu teknik yang bisa digunakan
  231. 9:43adalah prompt chaining.
  232. 9:45Berarti kita menggunakan beberapa
  233. 9:47prompt, ya,
  234. 9:49yang saling terhubung
  235. 9:51dan output dari satu tahap
  236. 9:54menjadi input ke tahap berikutnya.
  237. 9:56Contoh, prompt satu, chat satu, "Ekstrak
  238. 10:00data."
  239. 10:01Kemudian hasilnya mereka ekstrak itu
  240. 10:04jadikan chat kedua.
  241. 10:06"Dari hasil chat satu,
  242. 10:08buatkan seperti ini." Lalu masuk ke chat
  243. 10:11ketiga, "Dari hasil dua, analisis
  244. 10:14datanya."
  245. 10:16Lanjut ke chat empat, "Dari asal hasil
  246. 10:18analisis, buatkan rekomendasinya." Jadi,
  247. 10:23bertahap.
  248. 10:24Kita membagi pekerjaan menjadi beberapa
  249. 10:27berbagai step.
  250. 10:29Dan keuntungannya, setiap tahapan
  251. 10:31memiliki tujuan yang jelas dan kita bisa
  252. 10:33melakukan pengecekan. Jangan sampai
  253. 10:36input [musik] dari sebelumnya itu, eh,
  254. 10:38output dari sebelumnya
  255. 10:40belum benar, kita sudah lanjut ke step
  256. 10:42selanjutnya. [musik]
  257. 10:43Kita harus pastikan itu sudah benar
  258. 10:45belum.
  259. 10:46Dan kalau misal belum, ya, kita
  260. 10:48perbaiki.
  261. 10:50Nah, jadi, prompt chaining itu membantu
  262. 10:53kita menjaga proses tetap terkontrol.
  263. 10:57Nah, teknik berikutnya adalah iterative
  264. 11:00prompting.
  265. 11:01Sebenarnya ini sudah saya jelaskan, ya,
  266. 11:04terkait iterasi di basic prompting.
  267. 11:07Tapi kalau dalam advance prompting,
  268. 11:10prosesnya itu menjadi lebih terarah.
  269. 11:12Jadi, iterative prompt prompting adalah
  270. 11:15proses review,
  271. 11:17feedback, refinement,
  272. 11:19rerun.
  273. 11:21Jadi, ketika hasil AI itu kurang baik,
  274. 11:25jangan hanya mengulang prompting yang
  275. 11:26sama.
  276. 11:28Tapi cari tahu dulu,
  277. 11:30bagaimana sih yang gagal,
  278. 11:32Apa penyebabnya? Apa yang perlu
  279. 11:34diperbaiki?
  280. 11:35Misal output-nya sudah relevan, tapi
  281. 11:38analisisnya masih terlalu umum.
  282. 11:41Jangan hanya mengatakan coba lebih
  283. 11:43detail gitu. Tapi berikan feedback yang
  284. 11:46spesifik. Step ini tuh masih kurang,
  285. 11:48tapi step ini sudah benar. Kamu perbaiki
  286. 11:51step yang ini. Nah,
  287. 11:54untuk setiap insight,
  288. 11:56jadi kita harus bedakan ya, pisahkan
  289. 11:59beberapa chaining itu menjadi sebuah
  290. 12:01step yang relevan.
  291. 12:03Dan
  292. 12:05berfungsi untuk iterasi selanjutnya.
  293. 12:08Dan jangan sekedar mengulang prompt ya.
  294. 12:10Identifikasi masalahnya
  295. 12:13dan ubah strukturnya.
  296. 12:15Kalau cuman ngulang, AI-nya akan semakin
  297. 12:17halu.
  298. 12:22[musik]
  299. 12:27Dan
  300. 12:28eh AI ya untuk problem solving dan
  301. 12:31improvement,
  302. 12:33itu bisa digunakan untuk membantu
  303. 12:35mengubah data atau masalah operasional
  304. 12:39menjadi rekomendasi improvement. Misal,
  305. 12:43kita memiliki berbagai feedback dari
  306. 12:45customer.
  307. 12:47Daripada hanya memintanya ke feedback
  308. 12:50analyzer,
  309. 12:51kita bisa memberikan workflow. Pertama,
  310. 12:55kumpulkan insight. Kedua, kelompokkan
  311. 12:58berdasarkan tema.
  312. 13:00Nah, setelah itu
  313. 13:02analisiskan polanya.
  314. 13:04Kemudian identifikasi kemungkinan
  315. 13:06penyebab. Lalu tentukan prioritasnya.
  316. 13:10Dan yang terakhir, susun rekomendasi.
  317. 13:13Nah, dengan workflow ini,
  318. 13:15AI tadinya digunakan untuk menghasilkan
  319. 13:18teks, tapi digunakan sebagai alat bantu
  320. 13:21dalam proses sebelum problem solving itu
  321. 13:24terjadi.
  322. 13:26Namun,
  323. 13:27ada satu hal, rekomendasi AI ini harus
  324. 13:30berdasarkan evidence, ya.
  325. 13:32Jangan sampai AI itu berasumsi,
  326. 13:35mengambil keputusan, tapi enggak ada
  327. 13:37data dasar data yang cukup. Nah,
  328. 13:40bagaimana cara kita tahu bahwa output AI
  329. 13:43itu sudah baik?
  330. 13:45Kita membutuhkan quality kriteria.
  331. 13:48[musik]
  332. 13:57Ada beberapa kriteria nih. Yang pertama
  333. 14:00adalah relevance.
  334. 14:02Apakah output fokus pada kebutuhan yang
  335. 14:05diminta?
  336. 14:06Kedua, akurasi. Apakah sudah fakta
  337. 14:10atau itu cuma asumsi?
  338. 14:13Dan harus diverifikasi tentunya. Ketiga,
  339. 14:16completeness.
  340. 14:18[musik]
  341. 14:18Apakah poin penting sudah tercakup?
  342. 14:23Apakah ada informasi kritis yang
  343. 14:25terlewat?
  344. 14:26Lalu keempat, konsistensi.
  345. 14:29Apakah format, istilah, gaya, dan aturan
  346. 14:32output sudah konsisten di setiap chat?
  347. 14:36Yang kelima adalah actionability.
  348. 14:40Jadi, apakah output sudah cukup jelas
  349. 14:42dan praktis untuk digunakan sebagai
  350. 14:44dasar tindakan?
  351. 14:46Dan berikutnya adalah reliability.
  352. 14:49Apakah asumsi, uncertainty,
  353. 14:52keterbatasan, dan potensi error dapat
  354. 14:54diidentifikasi? [musik]
  355. 14:56Jadi, output yang bagus bukan hanya
  356. 14:59output yang terlihat pintar.
  357. 15:02Output yang bagus adalah output yang
  358. 15:04relevan,
  359. 15:05akurat,
  360. 15:07lengkap,
  361. 15:08konsisten, [musik]
  362. 15:10actionable,
  363. 15:12dan reliable.
  364. 15:17[musik]
  365. 15:26Oke.
  366. 15:27Sekarang
  367. 15:28setelah output itu melewati quality
  368. 15:31kriteria,
  369. 15:32kita masih perlu melakukan evaluasi.
  370. 15:36Tujuannya adalah menentukan
  371. 15:39apakah output ini sudah baik untuk
  372. 15:42digunakan
  373. 15:44atau masih perlu diperbaiki.
  374. 15:48Inilah yang disebut decision gate.
  375. 15:52Secara sederhana, kita bisa membayangkan
  376. 15:56dua kemungkinan.
  377. 15:58Jika memenuhi kriteria, kita dapat
  378. 16:00melanjutkan ke proses berikutnya.
  379. 16:04Tetapi jika belum memenuhi, kita kembali
  380. 16:07ke proses refinement.
  381. 16:10Nah, jadi jangan melihat output AI
  382. 16:13sebagai hasil akhir yang otomatis siap
  383. 16:16digunakan.
  384. 16:17Anggap output tersebut sebagai hasil
  385. 16:20yang perlu melalui quality check.
  386. 16:25[musik]
  387. 16:31[musik]
  388. 16:32Sebelum kita tutup,
  389. 16:34kita kembalikan ke satu prinsip yang
  390. 16:36tidak boleh dilupakan, responsible use
  391. 16:39of AI. Semakin kompleks,
  392. 16:42semakin penting juga kita memperhatikan
  393. 16:45bagaimana AI digunakan.
  394. 16:48Gunakan AI sebagai alat bantu,
  395. 16:50tetap periksa evidence,
  396. 16:53asumsi, keterbatasan yang harus
  397. 16:55dideteksi, dan tetap gunakan human
  398. 16:59judgement.
  399. 17:00Karena at the end, AI itu dapat membantu
  400. 17:03kita melakukan analisis, tapi
  401. 17:05keputusannya tetap berada di tangan
  402. 17:07manusia.
  403. 17:09Oke, jadi kita sudah sampai di akhir, di
  404. 17:12penghujung acara, di penghujung podcast
  405. 17:14terkait advance prompting. [musik]
  406. 17:16Hari ini kita sudah belajar bahwa tidak
  407. 17:19semua pekerjaan cukup diselesaikan
  408. 17:21dengan satu prompt saja.
  409. 17:23Dan untuk task yang kompleks, kita dapat
  410. 17:25menggunakan struktur dari Advanced
  411. 17:27Prompting ini yang terdiri dari role,
  412. 17:31objective, konteks atau input,
  413. 17:34task, examples,
  414. 17:37output, dan quality criteria.
  415. 17:40Lalu kita juga belajar terkait task
  416. 17:42decomposition untuk memecah pekerjaan
  417. 17:45kompleks menjadi beberapa subtask yang
  418. 17:47menjadi beberapa chat.
  419. 17:49Kemudian prompt chaining
  420. 17:51untuk menghubungkan beberapa tahap
  421. 17:54pekerjaan.
  422. 17:55Dan
  423. 17:56iterative prompting untuk melakukan
  424. 17:59review,
  425. 18:01feedback,
  426. 18:02refinement, dan juga rerun.
  427. 18:06Dan yang paling penting, jangan hanya
  428. 18:07bertanya
  429. 18:09"Apa yang bisa AI kerjakan sih?" Tapi
  430. 18:11mulai berpikir bagaimana saya bisa
  431. 18:14merancang proses
  432. 18:15agar AI bisa membantu saya dalam
  433. 18:18menyelesaikan masalah dengan lebih
  434. 18:20terstruktur. Karena Advanced Prompting
  435. 18:23bukan hanya
  436. 18:24tentang membuat Prompting yang panjang,
  437. 18:27tapi lebih ke memberikan struktur,
  438. 18:30memecah masalah, mengontrol kualitas,
  439. 18:33dan menghasilkan output yang dapat
  440. 18:36digunakan.
  441. 18:38Dan ingat ya, AI ini memberikan bantuan.
  442. 18:41Kita yang tetap memberikan keputusan.
  443. 18:45Oke, terima kasih sudah mengikuti
  444. 18:48podcast training Advanced Prompting ini.
  445. 18:51Semoga setelah training ini kita tidak
  446. 18:53hanya menjadi pengguna AI yang lebih
  447. 18:55baik, tapi kita mampu menggunakan AI
  448. 18:59sebagai partner kita dalam problem
  449. 19:02solving, improvement, dan lain
  450. 19:04sebagainya.
  451. 19:06Sampai jumpa di training berikutnya.
  452. 19:09Thank you.
  453. 19:12[musik]
  454. 19:17Eh.

About this transcript

This page contains the full transcript of Video E-Learning: Advanced Prompting by timlnd spil, generated from the public captions YouTube serves with the video. The transcript has 1,766 words across 454 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.