Video E-Learning: Advanced Prompting — Transcript
Full transcript
- 0:01[musik]
- 0:07Halo Greeners, selamat datang kembali di
- 0:10training advance prompting.
- 0:13Di episode sebelumnya kita sudah
- 0:15membahas mengenai basic prompting, kita
- 0:18sudah belajar bagaimana cara membuat
- 0:21prompt yang jelas, lebih spesifik,
- 0:24relevan dan juga lebih terarah.
- 0:27Tapi sekarang coba kita bayangkan
- 0:29situasi yang sedikit lebih kompleks.
- 0:33Kita tidak hanya membuat AI itu untuk
- 0:35meringkas, merangkum atau sekedar
- 0:38membuat caption,
- 0:39tapi kita memberikan data, kemudian
- 0:42membuat kita membutuhkan AI itu untuk
- 0:45bisa menganalisis data [musik] itu,
- 0:47mencari pola, menentukan prioritas,
- 0:50menentukan clustering, kelompok dan lain
- 0:53sebagainya.
- 0:54Nah, kalau task-nya sudah bersifat
- 0:58seperti itu,
- 1:00apakah cukup dengan satu prompt?
- 1:03Jawabannya tidak, karena semakin
- 1:06kompleks pekerjaan kita, semakin banyak
- 1:09pula arahan yang harus kita berikan
- 1:11kepada AI tersebut.
- 1:13Dan inilah yang akan kita bahas secara
- 1:15spesifik di episode kali ini, advance
- 1:19prompting.
- 1:22[musik]
- 1:31Cara kita menggunakan prompting untuk
- 1:33menghasilkan output AI yang lebih
- 1:36terstruktur, akurat, kompleks dan sesuai
- 1:40dengan kebutuhan.
- 1:42Oke, jadi sebelum
- 1:44membahas tekniknya,
- 1:46kita harus tahu dulu ya kapan sebenarnya
- 1:49kita membutuhkan yang advance-advance
- 1:51ini.
- 1:52Jadi kita membutuhkan itu kalau task
- 1:55kita sudah
- 1:57tidak [musik]
- 1:58relatif sederhana. Yang sederhana contoh
- 2:02ringkas jadi lima poin. Ya, kalau ini
- 2:05basic prompting saja sudah cukup.
- 2:07Sederhana, output cuma satu langkah,
- 2:10enggak terlalu banyak dan tidak
- 2:12membutuhkan
- 2:14workflow yang panjang.
- 2:16Dan
- 2:18contoh ya, contoh ini. Ringkas dokumen
- 2:21ini menjadi lima poin. Nah, itu kan
- 2:23simpel.
- 2:24Basic prompting seperti lesson
- 2:26sebelumnya itu sudah bisa menyelesaikan
- 2:28tugas itu.
- 2:30Nah, sekarang bayangkan kita punya satu
- 2:32dataset
- 2:34tabel ini. Kita minta AI mengambil
- 2:37insight, mengelompokkan feedback,
- 2:39mencari pola, menganalisa masalah. Sudah
- 2:41AI itu kamu jadikan sebagai data analis.
- 2:45Itu sudah berbeda.
- 2:47Task-nya itu memiliki banyak tahapan
- 2:50dan ada data yang perlu diekstrak,
- 2:53dikelompokkan,
- 2:55ada analisis yang perlu dilakukan, dan
- 2:58output akhirnya pun
- 3:00akan digunakan untuk proses
- 3:04membuat sebuah membuat sebuah keputusan.
- 3:07Nah, dalam kebutuhan ini baru kita
- 3:10menggunakan advanced prompting.
- 3:12Jadi, semakin kompleks task-nya, semakin
- 3:15terstruktur pula prompt yang harus
- 3:17dibutuhkan.
- 3:20Sekarang kita masuk ke bagian yang
- 3:21penting,
- 3:23yaitu struktur dari advanced prompting.
- 3:30[musik]
- 3:36Ini terdiri dari beberapa komponen ya.
- 3:38Yang pertama ada role,
- 3:40objective,
- 3:42konteks atau input,
- 3:45task,
- 3:46examples,
- 3:47output, dan quality kriteria.
- 3:52Mari kita bahas satu persatu.
- 3:54Pertama,
- 3:56role. [musik]
- 3:57Role menentukan perspektif atau keahlian
- 4:01yang digunakan AI ketika mengerjakan
- 4:04task. [musik]
- 4:05Misal, kita kasih AI roles
- 4:08business analyst
- 4:10yang berpengalaman dalam menganalisis
- 4:12data, memberikan rekomendasi berbasis
- 4:15evidence.
- 4:16Dengan role tersebut, kita tuh
- 4:18memposisikan AI-nya jadi yang business
- 4:21analyst
- 4:22dan mengharapkan agar AI bertindak
- 4:25sebagai business analyst. Kedua adalah
- 4:28objektif.
- 4:30Tujuannya itu apa?
- 4:32Jadi, contoh, identifikasi masalah utama
- 4:36dan prioritas improvement berdasarkan
- 4:38data yang tersedia untuk menga-
- 4:41mendukung pengambilan keputusan bisnis.
- 4:44Jadi, AI tidak hanya tahu apa yang harus
- 4:46dikerjakan, tapi juga tahu untuk apa
- 4:50pekerjaan ini dilakukan.
- 4:52Dan yang ketiga
- 4:54adalah konteks
- 4:55atau input.
- 4:56Ini menjelaskan latar belakang,
- 4:59informasi relevan, misal,
- 5:02data berasal dari feedback customer
- 5:06atau data data ini data operasional
- 5:09dan hasil evaluasi proses.
- 5:12Kita juga bisa memberikan batasan,
- 5:13misal,
- 5:15gunakan hanya informasi yang saya
- 5:17berikan sebagai dasar analisis. Kolom
- 5:20ini, kolom ini. Nah, ini penting karena
- 5:22kita ingin AI memahami sumber informasi
- 5:25yang boleh disentuh
- 5:27dan mengabaikan yang lain.
- 5:29Selanjutnya adalah task.
- 5:31Ini menjelaskan pekerjaan apa yang harus
- 5:33dilakukan AI. Misalnya, kelompokkan data
- 5:36berdasarkan tema,
- 5:39identifikasi pola atau masalah,
- 5:42analisis kemungkinan penyebab masalah
- 5:44itu terjadi, lalu apa sih prioritas
- 5:48perbaikannya? Nah, task ini itu sudah
- 5:51terdiri dari beberapa aktivitas. Ada
- 5:54pengelompokan, ada identifikasi, ada
- 5:57analisis, kemudian priority [musik]
- 5:59checking.
- 6:01Nah, ini yang membuat advance prompting
- 6:03ini berbeda dari basic prompting.
- 6:04[musik]
- 6:06Kemudian ada examples.
- 6:09Digunakan untuk memberikan referensi
- 6:12pola
- 6:13mengenai hasil yang ingin kita dapatkan.
- 6:16Contoh,
- 6:17jika banyak feedback menunjukkan proses
- 6:20pelayanan terlalu lama, kelompokkan
- 6:23sebagai isu proses efisiensi.
- 6:27Kemudian tampilkan evidence yang
- 6:29mendukung dan merekomendasikan area
- 6:32proses yang perlu dievaluasi
- 6:35dengan memberikan contoh itu, kita
- 6:38membantu AI memahami pola, cara kita
- 6:42berpikir,
- 6:43dan yang kita harapkan.
- 6:45Selanjutnya adalah output.
- 6:47Kita menentukan bagaimana sih hasil
- 6:49akhirnya harus disajikan.
- 6:52Misal, buatkan dalam bentuk tabel dengan
- 6:55format issue, kolom, business impact,
- 6:58priority, dan recommendation.
- 7:01Jadi, output-nya itu bukan sekedar
- 7:03buatkan analisis.
- 7:05Banyak hal.
- 7:06Kita sudah menentukan struktur hasilnya
- 7:08tadi.
- 7:09[musik]
- 7:10Dan lanjut adalah quality criteria.
- 7:15Ini tuh bagaimana cara kita menyajikan
- 7:19sesuatu yang berkualitas. Misal,
- 7:21berdasarkan
- 7:23fakta, analisis, dan asumsi. Jangan
- 7:26membuat kesimpulan tanpa evidence.
- 7:29Intinya,
- 7:30jangan sampai AI itu halu.
- 7:32Karena
- 7:34kita sudah memberikan
- 7:36AI
- 7:37ke AI ini apa yang harus dibuat. Dan
- 7:40juga kita sudah memberi tahu ke AI apa
- 7:42yang benar dan apa yang salah.
- 7:45Lalu kita akan masuk ke teknik
- 7:46selanjutnya, yaitu task decomposition.
- 8:01Task decomposition sendiri itu adalah
- 8:03memecah pekerjaan kompleks
- 8:06menjadi beberapa subtask yang lebih
- 8:08sederhana dan terkontrol.
- 8:11Bayangkan kita ngasih task ke AI,
- 8:14"Buatkan rekomendasi program training
- 8:16berdasarkan feedback peserta."
- 8:19Kelihatannya task kelihatannya
- 8:21sederhana.
- 8:22Tapi sebenarnya task itu banyak.
- 8:25[musik]
- 8:25Harus baca feedback, mencari insight,
- 8:28mengelompokkan feedback, mencari pola,
- 8:31menentukan masalah, prioritas, kemudian
- 8:34membuat rekomendasi.
- 8:36[musik]
- 8:37Daripada kita meminta AI itu dalam satu
- 8:40kalimat, "Buatkan semuanya sekaligus."
- 8:42Nah, kita bisa memecahnya menjadi enam
- 8:44tahap.
- 8:45Satu, extract.
- 8:48"Ambil insight utama dari data ini."
- 8:50Kedua, cluster. "Kelompokkan."
- 8:53[musik]
- 8:54Ketiga, analyze. "Identifikasikan pola
- 8:57dan gap." Keempat, prioritize. "Tentukan
- 9:00issue yang prioritas."
- 9:02Kelima, recommend. "Susun berdasarkan
- 9:05rekomendasi program." Dan terakhir,
- 9:08validasi. "Cek evidence dan asumsi."
- 9:11Jadi ada cluster,
- 9:13analyze,
- 9:14prioritize, recommend, dan juga
- 9:17validate.
- 9:18Dengan cara ini, task yang awalnya
- 9:21terlihat sangat kompleks
- 9:23menjadi beberapa langkah yang mudah
- 9:25dikontrol.
- 9:26Dan yang tidak kalah penting, setiap
- 9:29tahap bisa memiliki tujuan dan kriteria
- 9:32kualitasnya sendiri.
- 9:34Nah,
- 9:35kalau task itu sudah kita pecah,
- 9:38bagaimana cara kita menjalankannya?
- 9:41Salah satu teknik yang bisa digunakan
- 9:43adalah prompt chaining.
- 9:45Berarti kita menggunakan beberapa
- 9:47prompt, ya,
- 9:49yang saling terhubung
- 9:51dan output dari satu tahap
- 9:54menjadi input ke tahap berikutnya.
- 9:56Contoh, prompt satu, chat satu, "Ekstrak
- 10:00data."
- 10:01Kemudian hasilnya mereka ekstrak itu
- 10:04jadikan chat kedua.
- 10:06"Dari hasil chat satu,
- 10:08buatkan seperti ini." Lalu masuk ke chat
- 10:11ketiga, "Dari hasil dua, analisis
- 10:14datanya."
- 10:16Lanjut ke chat empat, "Dari asal hasil
- 10:18analisis, buatkan rekomendasinya." Jadi,
- 10:23bertahap.
- 10:24Kita membagi pekerjaan menjadi beberapa
- 10:27berbagai step.
- 10:29Dan keuntungannya, setiap tahapan
- 10:31memiliki tujuan yang jelas dan kita bisa
- 10:33melakukan pengecekan. Jangan sampai
- 10:36input [musik] dari sebelumnya itu, eh,
- 10:38output dari sebelumnya
- 10:40belum benar, kita sudah lanjut ke step
- 10:42selanjutnya. [musik]
- 10:43Kita harus pastikan itu sudah benar
- 10:45belum.
- 10:46Dan kalau misal belum, ya, kita
- 10:48perbaiki.
- 10:50Nah, jadi, prompt chaining itu membantu
- 10:53kita menjaga proses tetap terkontrol.
- 10:57Nah, teknik berikutnya adalah iterative
- 11:00prompting.
- 11:01Sebenarnya ini sudah saya jelaskan, ya,
- 11:04terkait iterasi di basic prompting.
- 11:07Tapi kalau dalam advance prompting,
- 11:10prosesnya itu menjadi lebih terarah.
- 11:12Jadi, iterative prompt prompting adalah
- 11:15proses review,
- 11:17feedback, refinement,
- 11:19rerun.
- 11:21Jadi, ketika hasil AI itu kurang baik,
- 11:25jangan hanya mengulang prompting yang
- 11:26sama.
- 11:28Tapi cari tahu dulu,
- 11:30bagaimana sih yang gagal,
- 11:32Apa penyebabnya? Apa yang perlu
- 11:34diperbaiki?
- 11:35Misal output-nya sudah relevan, tapi
- 11:38analisisnya masih terlalu umum.
- 11:41Jangan hanya mengatakan coba lebih
- 11:43detail gitu. Tapi berikan feedback yang
- 11:46spesifik. Step ini tuh masih kurang,
- 11:48tapi step ini sudah benar. Kamu perbaiki
- 11:51step yang ini. Nah,
- 11:54untuk setiap insight,
- 11:56jadi kita harus bedakan ya, pisahkan
- 11:59beberapa chaining itu menjadi sebuah
- 12:01step yang relevan.
- 12:03Dan
- 12:05berfungsi untuk iterasi selanjutnya.
- 12:08Dan jangan sekedar mengulang prompt ya.
- 12:10Identifikasi masalahnya
- 12:13dan ubah strukturnya.
- 12:15Kalau cuman ngulang, AI-nya akan semakin
- 12:17halu.
- 12:22[musik]
- 12:27Dan
- 12:28eh AI ya untuk problem solving dan
- 12:31improvement,
- 12:33itu bisa digunakan untuk membantu
- 12:35mengubah data atau masalah operasional
- 12:39menjadi rekomendasi improvement. Misal,
- 12:43kita memiliki berbagai feedback dari
- 12:45customer.
- 12:47Daripada hanya memintanya ke feedback
- 12:50analyzer,
- 12:51kita bisa memberikan workflow. Pertama,
- 12:55kumpulkan insight. Kedua, kelompokkan
- 12:58berdasarkan tema.
- 13:00Nah, setelah itu
- 13:02analisiskan polanya.
- 13:04Kemudian identifikasi kemungkinan
- 13:06penyebab. Lalu tentukan prioritasnya.
- 13:10Dan yang terakhir, susun rekomendasi.
- 13:13Nah, dengan workflow ini,
- 13:15AI tadinya digunakan untuk menghasilkan
- 13:18teks, tapi digunakan sebagai alat bantu
- 13:21dalam proses sebelum problem solving itu
- 13:24terjadi.
- 13:26Namun,
- 13:27ada satu hal, rekomendasi AI ini harus
- 13:30berdasarkan evidence, ya.
- 13:32Jangan sampai AI itu berasumsi,
- 13:35mengambil keputusan, tapi enggak ada
- 13:37data dasar data yang cukup. Nah,
- 13:40bagaimana cara kita tahu bahwa output AI
- 13:43itu sudah baik?
- 13:45Kita membutuhkan quality kriteria.
- 13:48[musik]
- 13:57Ada beberapa kriteria nih. Yang pertama
- 14:00adalah relevance.
- 14:02Apakah output fokus pada kebutuhan yang
- 14:05diminta?
- 14:06Kedua, akurasi. Apakah sudah fakta
- 14:10atau itu cuma asumsi?
- 14:13Dan harus diverifikasi tentunya. Ketiga,
- 14:16completeness.
- 14:18[musik]
- 14:18Apakah poin penting sudah tercakup?
- 14:23Apakah ada informasi kritis yang
- 14:25terlewat?
- 14:26Lalu keempat, konsistensi.
- 14:29Apakah format, istilah, gaya, dan aturan
- 14:32output sudah konsisten di setiap chat?
- 14:36Yang kelima adalah actionability.
- 14:40Jadi, apakah output sudah cukup jelas
- 14:42dan praktis untuk digunakan sebagai
- 14:44dasar tindakan?
- 14:46Dan berikutnya adalah reliability.
- 14:49Apakah asumsi, uncertainty,
- 14:52keterbatasan, dan potensi error dapat
- 14:54diidentifikasi? [musik]
- 14:56Jadi, output yang bagus bukan hanya
- 14:59output yang terlihat pintar.
- 15:02Output yang bagus adalah output yang
- 15:04relevan,
- 15:05akurat,
- 15:07lengkap,
- 15:08konsisten, [musik]
- 15:10actionable,
- 15:12dan reliable.
- 15:17[musik]
- 15:26Oke.
- 15:27Sekarang
- 15:28setelah output itu melewati quality
- 15:31kriteria,
- 15:32kita masih perlu melakukan evaluasi.
- 15:36Tujuannya adalah menentukan
- 15:39apakah output ini sudah baik untuk
- 15:42digunakan
- 15:44atau masih perlu diperbaiki.
- 15:48Inilah yang disebut decision gate.
- 15:52Secara sederhana, kita bisa membayangkan
- 15:56dua kemungkinan.
- 15:58Jika memenuhi kriteria, kita dapat
- 16:00melanjutkan ke proses berikutnya.
- 16:04Tetapi jika belum memenuhi, kita kembali
- 16:07ke proses refinement.
- 16:10Nah, jadi jangan melihat output AI
- 16:13sebagai hasil akhir yang otomatis siap
- 16:16digunakan.
- 16:17Anggap output tersebut sebagai hasil
- 16:20yang perlu melalui quality check.
- 16:25[musik]
- 16:31[musik]
- 16:32Sebelum kita tutup,
- 16:34kita kembalikan ke satu prinsip yang
- 16:36tidak boleh dilupakan, responsible use
- 16:39of AI. Semakin kompleks,
- 16:42semakin penting juga kita memperhatikan
- 16:45bagaimana AI digunakan.
- 16:48Gunakan AI sebagai alat bantu,
- 16:50tetap periksa evidence,
- 16:53asumsi, keterbatasan yang harus
- 16:55dideteksi, dan tetap gunakan human
- 16:59judgement.
- 17:00Karena at the end, AI itu dapat membantu
- 17:03kita melakukan analisis, tapi
- 17:05keputusannya tetap berada di tangan
- 17:07manusia.
- 17:09Oke, jadi kita sudah sampai di akhir, di
- 17:12penghujung acara, di penghujung podcast
- 17:14terkait advance prompting. [musik]
- 17:16Hari ini kita sudah belajar bahwa tidak
- 17:19semua pekerjaan cukup diselesaikan
- 17:21dengan satu prompt saja.
- 17:23Dan untuk task yang kompleks, kita dapat
- 17:25menggunakan struktur dari Advanced
- 17:27Prompting ini yang terdiri dari role,
- 17:31objective, konteks atau input,
- 17:34task, examples,
- 17:37output, dan quality criteria.
- 17:40Lalu kita juga belajar terkait task
- 17:42decomposition untuk memecah pekerjaan
- 17:45kompleks menjadi beberapa subtask yang
- 17:47menjadi beberapa chat.
- 17:49Kemudian prompt chaining
- 17:51untuk menghubungkan beberapa tahap
- 17:54pekerjaan.
- 17:55Dan
- 17:56iterative prompting untuk melakukan
- 17:59review,
- 18:01feedback,
- 18:02refinement, dan juga rerun.
- 18:06Dan yang paling penting, jangan hanya
- 18:07bertanya
- 18:09"Apa yang bisa AI kerjakan sih?" Tapi
- 18:11mulai berpikir bagaimana saya bisa
- 18:14merancang proses
- 18:15agar AI bisa membantu saya dalam
- 18:18menyelesaikan masalah dengan lebih
- 18:20terstruktur. Karena Advanced Prompting
- 18:23bukan hanya
- 18:24tentang membuat Prompting yang panjang,
- 18:27tapi lebih ke memberikan struktur,
- 18:30memecah masalah, mengontrol kualitas,
- 18:33dan menghasilkan output yang dapat
- 18:36digunakan.
- 18:38Dan ingat ya, AI ini memberikan bantuan.
- 18:41Kita yang tetap memberikan keputusan.
- 18:45Oke, terima kasih sudah mengikuti
- 18:48podcast training Advanced Prompting ini.
- 18:51Semoga setelah training ini kita tidak
- 18:53hanya menjadi pengguna AI yang lebih
- 18:55baik, tapi kita mampu menggunakan AI
- 18:59sebagai partner kita dalam problem
- 19:02solving, improvement, dan lain
- 19:04sebagainya.
- 19:06Sampai jumpa di training berikutnya.
- 19:09Thank you.
- 19:12[musik]
- 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.