Token dan Konteks

Apa inti dari “Token dan Konteks” dalam praktik?

Di bagian ini, Anda akan memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model. Mulailah dari contoh yang paling dekat dengan keseharian Anda. Dari sana, periksa kapan Token dan Konteks benar-benar membantu dan kapan istilah itu malah membuat masalah utamanya luput terlihat. Setelah selesai, Anda akan lebih mudah mengenali Token dan Konteks dalam keseharian tanpa terburu-buru menempelkan label.

Setelah lesson ini

• Memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model.
• Menggunakan konsep “Token dan Konteks” untuk membaca satu situasi nyata.
• Menjelaskan batas konsep dan informasi yang masih perlu diperiksa.

Mulai dari situasi

Pahami situasinya lebih dulu. Istilahnya bisa menyusul.

Instruksi 'buat lebih baik' tidak menjelaskan pembaca, tujuan, ukuran kualitas, atau bentuk jawaban yang diharapkan. Di bagian ini, Anda akan melihat situasi tersebut melalui konsep “Token dan Konteks”. Tujuannya bukan mencari satu istilah yang menjawab semua masalah, melainkan memahami pilihan yang tersedia dengan lebih jernih.

Di bagian ini, Anda akan memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model. Pahami bagaimana token, konteks, ambiguitas, dan batas keandalan memengaruhi jawaban model. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Model visual

Petakan setiap bagiannya sebelum menentukan langkah.

Baca diagram sebagai peta Token dan Konteks: mulai dari konteksnya, ikuti hubungan antarbagiannya, lalu periksa titik yang disorot sebelum mengambil keputusan.

Mari lihat cara kerjanya

Cara membacanya dalam situasi nyata

Mulailah dari contoh yang paling dekat dengan keseharian Anda. Dari sana, periksa kapan Token dan Konteks benar-benar membantu dan kapan istilah itu malah membuat masalah utamanya luput terlihat. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Instruksi 'buat lebih baik' tidak menjelaskan pembaca, tujuan, ukuran kualitas, atau bentuk jawaban yang diharapkan. Pada kasus itu, tandai bagian yang paling berkaitan dengan topik ini. Contoh ini membantu Anda berpikir, tetapi bukan bukti bahwa satu solusi akan cocok untuk semua situasi.

Definisi kerja

Apa artinya, dan kapan kita perlu berhati-hati.

Di bagian ini, Anda akan memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model. Pahami bagaimana token, konteks, ambiguitas, dan batas keandalan memengaruhi jawaban model. Hubungkan konsep ini dengan keputusan yang benar-benar perlu Anda buat.

Token dan Konteks

Di bagian ini, Anda akan memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model. Mulailah dari contoh yang paling dekat dengan keseharian Anda. Dari sana, periksa kapan Token dan Konteks benar-benar membantu dan kapan istilah itu malah membuat masalah utamanya luput terlihat. Setelah selesai, Anda akan lebih mudah mengenali Token dan Konteks dalam keseharian tanpa terburu-buru menempelkan label.

Batas yang perlu diperiksa

Model tidak mengetahui konteks organisasi yang tidak Anda berikan. Kesalahan ini biasanya muncul ketika istilah dipakai lebih cepat daripada pemahaman terhadap masalahnya. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Berhenti sejenak

Bukti apa yang bisa mengubah keputusan ini?

Jawab sebelum membuka pembahasan. Sebutkan satu fakta dan satu asumsi.

Coba sendiri

Cobalah pada satu bagian kecil dari pekerjaan Anda.

1. Pilih satu situasi nyata yang berkaitan dengan Token dan Konteks.
2. Pisahkan hal yang dapat Anda amati dari hal yang masih berupa asumsi.
3. Tulis satu keputusan, penanggung jawab, dan bukti untuk memeriksanya.
4. Sebutkan sinyal yang membuat Anda berhenti atau mengubah arah.

Tulis dua contoh yang sesuai dengan Token dan Konteks dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Temukan masalah dalam tiga prompt yang terlihat jelas tetapi masih ambigu. Buat versi pertama cukup kecil agar orang lain dapat memeriksanya dalam beberapa menit.

Jalan pintas yang menggoda

Istilah yang terdengar familiar belum tentu membantu Anda mengambil keputusan yang tepat.

Mengapa ini terasa masuk akal

Model tidak mengetahui konteks organisasi yang tidak Anda berikan. Kesalahan ini biasanya muncul ketika istilah dipakai lebih cepat daripada pemahaman terhadap masalahnya. Tuliskan asumsi yang Anda pakai agar orang lain dapat memeriksanya.

Cara memeriksanya

Mulailah dari contoh yang paling dekat dengan keseharian Anda. Dari sana, periksa kapan Token dan Konteks benar-benar membantu dan kapan istilah itu malah membuat masalah utamanya luput terlihat. Mulailah dari hal yang dapat Anda amati, lalu pisahkan fakta, asumsi, dan pertanyaan yang masih belum terjawab.

Latihan singkat

Tulis dua contoh yang sesuai dengan Token dan Konteks dan satu contoh yang tidak sesuai. Jelaskan perbedaannya dengan bahasa Anda sendiri. Jika ingin melanjutkan, Anda juga dapat mencoba latihan modul berikut: Temukan masalah dalam tiga prompt yang terlihat jelas tetapi masih ambigu.

Ringkasan

• Memahami bagaimana token dan konteks membentuk informasi yang benar-benar diterima model.
• Gunakan contoh dan bukti untuk menguji pemahaman.
• Catat batas, risiko, dan kondisi ketika keputusan harus ditinjau ulang.

Lanjutkan dari sini

• Ambiguitas: Lanjutkan gagasan dari Cara Model Membaca Instruksi melalui contoh yang masih berkaitan.
• Daftar Tugas: Hubungkan pelajaran ini dengan Applied AI, lalu uji idenya dalam konteks lain.
• Unit Analisis: Lihat bagaimana keputusan yang sama berubah ketika dibahas melalui Data Literacy.

Sumber dan bacaan lanjut

• Prompt engineering: OpenAI · official-documentation. Rujukan utama untuk definisi, bukti, atau batas yang dibahas dalam “Token dan Konteks”.
• Machine Learning Glossary: Google for Developers · official-documentation. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Token dan Konteks”.
• Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile: NIST · official-framework. Bukti dan konteks tambahan untuk memeriksa penjelasan dalam “Token dan Konteks”.