Chain of Thought Prompting (CoT) adalah teknik dalam rekayasa prompt yang membantu model AI generatif, terutama Large Language Models (LLMs), untuk meningkatkan kemampuan penalarannya. Teknik ini mendorong model untuk memecah masalah kompleks menjadi langkah-langkah kecil dan menjelaskan proses berpikirnya, mirip seperti cara manusia menyelesaikan masalah. Ini membuat jawaban AI lebih akurat, transparan, dan dapat diandalkan, terutama untuk tugas-tugas yang membutuhkan logika, perhitungan, atau pengambilan keputusan.

Misalnya, jika Anda meminta AI untuk menyelesaikan soal matematika, CoT memungkinkan AI menjelaskan setiap langkah, seperti “Pertama, saya menghitung jarak dibagi kecepatan, lalu memeriksa apakah unitnya konsisten,” daripada hanya memberikan jawaban langsung. Ini sangat berguna dalam situasi di mana pemahaman proses penting, seperti dalam pendidikan atau dukungan pelanggan.

Namun, penting untuk dicatat bahwa dengan model AI terbaru, CoT mungkin tidak selalu diperlukan, karena beberapa model sudah memiliki kemampuan penalaran bawaan. Meskipun demikian, CoT tetap menjadi alat yang kuat untuk memastikan keakuratan, terutama pada model yang lebih kecil atau tugas yang kompleks.

Menurut Prompt Engineering Guide, CoT memungkinkan model untuk menangani tugas-tugas seperti aritmatika dan penalaran akal sehat dengan lebih baik, terutama pada model berukuran besar.

Cara Kerja CoT Prompting

CoT Prompting melibatkan pembuatan prompt yang mendorong model untuk “berpikir langkah demi langkah.” Misalnya, prompt dapat berisi instruksi seperti “Jelaskan penalaranmu langkah demi langkah” atau “Mari kita selesaikan ini secara bertahap.” Ini membantu model untuk tidak hanya memberikan jawaban, tetapi juga menjelaskan prosesnya, yang meningkatkan transparansi dan mengurangi kemungkinan kesalahan.

Sebagai contoh, bayangkan Anda memiliki soal matematika: “Jika kereta berjalan pada kecepatan 60 km/jam, berapa lama waktu yang dibutuhkan untuk menempuh jarak 120 km?” Tanpa CoT, model mungkin hanya menjawab “2 jam.” Dengan CoT, prosesnya bisa terlihat seperti ini:

Langkah 1: Saya perlu memahami apa yang diminta soal ini. Ini menanyakan waktu yang dibutuhkan untuk menempuh 120 km dengan kecepatan 60 km/jam.
Langkah 2: Saya ingat rumus waktu adalah jarak dibagi kecepatan, jadi waktu = 120 km / 60 km/jam.
Langkah 3: Melakukan perhitungan: 120 dibagi 60 adalah 2. Jadi, waktunya 2 jam.
Langkah 4: Mari periksa kembali. Jika kereta berjalan 60 km dalam 1 jam, untuk 120 km, butuh 2 jam, karena 60 km/jam * 2 jam = 120 km. Ini sesuai.
Langkah 5: Unitnya konsisten (km dan km/jam menghasilkan jam), jadi jawabannya benar.
Jawaban Akhir: 2 jam.

Manfaat CoT Prompting

Menurut TechTarget, manfaat CoT meliputi:

Peningkatan Akurasi: Model dapat memeriksa kembali pekerjaannya, mengurangi kesalahan.
Transparansi dan Keandalan: Proses penalaran yang terlihat membuat keluaran lebih dapat dipercaya.
Penanganan Tugas Kompleks: Cocok untuk tugas multi-langkah, seperti analisis data atau pemecahan teka-teki.

Aplikasi praktisnya meliputi memahami regulasi, mendidik karyawan baru, menjawab pertanyaan pelanggan, dan mengelola rantai pasok, seperti dilansir dari Botpress.

Jenis-Jenis CoT Prompting

Ada beberapa variasi CoT, seperti:

Zero-shot CoT: Model diminta berpikir langkah demi langkah tanpa contoh, misalnya dengan prompt “Mari kita pikirkan ini secara bertahap.”
Few-shot CoT: Model diberi beberapa contoh penalaran sebelum menyelesaikan tugas baru, membantu memahami format yang diharapkan.
Automatic CoT (Auto-CoT): Metode otomatis untuk menghasilkan rantai penalaran, mengurangi kebutuhan manual, seperti dilansir dari PromptHub.

Menurut Learn Prompting, CoT lebih efektif pada model berukuran besar, karena model kecil mungkin menghasilkan penalaran yang kurang koheren.

Kapan Menggunakan CoT Prompting?

CoT ideal untuk:

Tugas yang membutuhkan penalaran logis mendalam, seperti soal matematika atau analisis data.
Situasi di mana transparansi penting, seperti dalam pendidikan atau keputusan kritis.
Model yang belum memiliki kemampuan penalaran bawaan yang kuat.

Namun, Forbes melaporkan bahwa pada model terbaru, CoT eksplisit mungkin tidak diperlukan, karena beberapa model sudah melakukan penalaran implisit. Oleh karena itu, penting untuk menguji teknik ini sesuai dengan model yang digunakan.

Kesimpulan

Chain of Thought Prompting adalah alat yang kuat untuk meningkatkan penalaran AI generatif, terutama untuk tugas-tugas kompleks. Dengan memungkinkan model untuk menjelaskan proses berpikirnya, CoT meningkatkan akurasi, transparansi, dan keandalan. Meskipun efektif, penggunaannya harus disesuaikan dengan kemampuan model dan kebutuhan tugas.

Next Upcoming Event