YT YouTube2Text

YouTube2Text → Transcripts → Video E-Learning: Advanced Prompting

Video E-Learning: Advanced Prompting — Transcript

by timlnd spil · 1,756 words · 373 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

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

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 1,756 words across 373 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 translate the transcript into 100+ languages.

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, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.