Apa Itu Prompt Engineering? Panduan Terperinci untuk 2026

Apa Itu Prompt Engineering?

Pada intinya, prompt engineering mirip dengan mengajar anak melalui pertanyaan. Sama seperti pertanyaan yang dirumuskan dengan baik dapat membimbing proses berpikir anak, prompt yang disusun dengan tepat dapat mengarahkan model AI, khususnya Large Language Model (LLM), menuju keluaran tertentu. Mari kita telusuri konsep ini lebih jauh.

Definisi dan konsep inti

Prompt engineering adalah praktik merancang dan menyempurnakan prompt—pertanyaan atau instruksi—untuk memicu respons spesifik dari model AI. Anggap saja sebagai antarmuka antara niat manusia dan keluaran mesin.

Di ranah AI, di mana model dilatih pada himpunan data raksasa, prompt yang tepat bisa menjadi penentu apakah model memahami permintaan Anda atau justru salah menafsirkannya.

Misalnya, jika Anda pernah berinteraksi dengan asisten suara seperti Siri atau Alexa, Anda telah terlibat dalam bentuk dasar prompt engineering. Cara Anda menyusun permintaan—"Putar musik yang menenangkan" versus "Putar Simfoni Beethoven"—dapat menghasilkan keluaran yang sangat berbeda.

Sisi teknis prompt engineering

Prompt engineering, meski berakar pada seni berbahasa, sangat terkait dengan kerumitan teknis model AI. Berikut tinjauan lebih dekat sisi teknisnya:

• Arsitektur model: LLM seperti GPT (Generative Pre-trained Transformer) dari OpenAI, Claude dari Anthropic, Gemini dari Google, dan Llama dari Meta dibangun di atas arsitektur transformer. Arsitektur ini memungkinkan model menangani data dalam jumlah besar dan memahami konteks melalui mekanisme self-attention. Menyusun prompt yang efektif sering kali memerlukan pemahaman tentang arsitektur dasarnya.
• Data pelatihan dan tokenisasi: LLM dilatih pada himpunan data besar, dengan mentokenisasi data masukan menjadi potongan lebih kecil (token) untuk diproses. Pilihan tokenisasi (berbasis kata, byte-pair, dll.) dapat memengaruhi cara model menafsirkan prompt. Misalnya, kata yang ditokenisasi berbeda dapat menghasilkan keluaran yang bervariasi.
• Parameter model: LLM memiliki jutaan bahkan miliaran parameter. Parameter ini, yang disetel selama proses pelatihan, menentukan bagaimana model merespons sebuah prompt. Memahami hubungan antara parameter ini dan keluaran model dapat membantu menyusun prompt yang lebih efektif.
• Temperature dan top-k sampling: Saat menghasilkan respons, model menggunakan teknik seperti pengaturan temperature dan top-k sampling untuk menentukan tingkat keacakan dan keragaman keluaran. Misalnya, temperature yang lebih tinggi dapat menghasilkan respons yang lebih beragam (namun berpotensi kurang akurat). Prompt engineer sering menyesuaikan pengaturan ini untuk mengoptimalkan keluaran model.
• Fungsi loss dan gradien: Pada level yang lebih dalam, perilaku model saat merespons prompt dipengaruhi oleh fungsi loss dan gradiennya. Konstruksi matematis ini membimbing proses pembelajaran model. Meskipun prompt engineer biasanya tidak menyesuaikannya secara langsung, memahami dampaknya dapat memberi wawasan tentang perilaku model.

Bagi Anda yang ingin memahami cara kerja internal model semacam ini, tutorial Transformers dan Hugging Face kami menyajikan penjelasan mendalam tentang mekanisme di balik LLM populer.

Mengapa prompt engineering penting

Prompt engineering adalah jembatan yang memastikan komunikasi manusia-AI berjalan efektif. Ini bukan sekadar mendapatkan jawaban yang benar; melainkan memastikan AI memahami konteks, nuansa, dan niat di balik setiap pertanyaan.

Evolusi prompt engineering

Prompt engineering, meski merupakan disiplin yang relatif baru, berakar kuat pada sejarah lebih luas Natural Language Processing (NLP) dan pembelajaran mesin. Memahami evolusinya memberi konteks bagi signifikansi saat ini.

Masa awal NLP

Asal-usul NLP dimulai pertengahan abad ke-20, seiring hadirnya komputer digital. Upaya awal NLP berbasis aturan, mengandalkan aturan yang disusun manual dan algoritme sederhana. Sistem ini kaku dan kesulitan menghadapi kompleksitas serta nuansa bahasa manusia.

NLP statistik dan pembelajaran mesin

Seiring meningkatnya daya komputasi dan bertambahnya data, akhir abad ke-20 hingga awal abad ke-21 menyaksikan pergeseran ke metode statistik. Algoritme pembelajaran mesin mulai memainkan peran penting, memungkinkan model bahasa yang lebih fleksibel dan berbasis data. Namun, model-model ini masih terbatas dalam memahami konteks dan menghasilkan teks panjang yang koheren.

Bangkitnya model berbasis transformer

Pengenalan arsitektur transformer dalam makalah "Attention is All You Need" pada 2017 menandai titik balik penting. Transformer, dengan mekanisme self-attention, dapat memproses data dalam jumlah besar dan menangkap pola bahasa yang rumit. Ini mendorong lahirnya model seperti BERT dari Google, yang merevolusi tugas seperti klasifikasi teks dan analisis sentimen.

Dampak GPT dari OpenAI

Seri Generative Pre-trained Transformer (GPT) dari OpenAI, khususnya GPT-2 dan GPT-3, membawa transformer ke level berikutnya. Model-model ini, dengan miliaran parameter, menunjukkan kemampuan luar biasa untuk menghasilkan teks yang koheren, relevan secara konteks, dan sering kali sulit dibedakan dari tulisan manusia. Bangkitnya model GPT menegaskan pentingnya prompt engineering, karena kualitas keluaran sangat bergantung pada ketepatan dan kejelasan prompt.

Prompt engineering saat ini

Dengan adopsi luas model berbasis transformer di industri, riset, dan aplikasi sehari-hari, prompt engineering muncul sebagai disiplin penting. Ia menjadi jembatan agar model yang kuat ini dimanfaatkan secara efektif, menjadikan alat AI lebih mudah diakses dan ramah pengguna. Dengan bangkitnya model penalaran seperti seri o dari OpenAI, extended thinking di Claude dari Anthropic, dan R1 dari DeepSeek, kebutuhan akan prompt yang bernuansa dan efektif ikut bergeser. Model-model ini kini banyak melakukan penalaran langkah demi langkah secara internal.

Pada saat yang sama, sistem agentik seperti computer use milik Claude dan ekosistem Model Context Protocol (MCP) yang lebih luas telah memperluas cakupan otomatisasi end-to-end yang dapat dicapai oleh prompt yang disusun dengan baik.

Seni dan Sains Menyusun Prompt

Menyusun prompt yang efektif adalah seni sekaligus sains. Disebut seni karena membutuhkan kreativitas, intuisi, dan pemahaman mendalam tentang bahasa. Disebut sains karena berlandaskan mekanisme bagaimana model AI memproses dan menghasilkan respons.

Kehalusan dalam melakukan prompting

Setiap kata dalam prompt itu penting. Perubahan kecil dalam perumusan dapat menghasilkan keluaran yang sangat berbeda dari model AI. Misalnya, meminta model "Jelaskan Menara Eiffel" versus "Ceritakan sejarah Menara Eiffel" akan menghasilkan respons yang berbeda. Yang pertama mungkin deskripsi fisik, sementara yang kedua menyoroti signifikansi historisnya.

Memahami nuansa ini sangat penting, terutama saat bekerja dengan LLM. Model-model ini, yang dilatih pada data dalam jumlah besar, dapat menghasilkan beragam respons berdasarkan isyarat yang diterima. Ini bukan hanya tentang bertanya; melainkan merumuskannya dengan cara yang selaras dengan hasil yang Anda inginkan.

Kami melihat hal ini dalam panduan kami tentang cara menggunakan Midjourney untuk membuat visual—perbedaan antara menambahkan bobot pada prompt untuk istilah ‘space ship’ dapat menghasilkan gambar kapal luar angkasa sci-fi atau kapal yang berlayar di luar angkasa.

Sumber gambar

Elemen kunci sebuah prompt

Mari lihat aspek-aspek yang membentuk prompt yang baik:

• Instruksi: Ini adalah arahan inti dari prompt. Menyatakan apa yang Anda ingin model lakukan. Misalnya, "Ringkas teks berikut" memberikan tindakan yang jelas bagi model.
• Konteks: Konteks memberikan informasi tambahan yang membantu model memahami skenario atau latar yang lebih luas. Misalnya, "Dengan mempertimbangkan penurunan ekonomi, berikan saran investasi" memberi latar bagi model untuk membingkai responsnya.
• Data masukan: Ini adalah informasi spesifik yang Anda ingin model proses. Bisa berupa paragraf, sekumpulan angka, atau bahkan satu kata.
• Indikator keluaran: Sangat berguna dalam skenario role-playing, elemen ini membimbing model tentang format atau jenis respons yang diinginkan. Misalnya, "Dengan gaya Shakespeare, tulis ulang kalimat berikut" memberi arahan gaya bagi model.

Dalam panduan khusus kami tentang ChatGPT prompt engineering, kami membahas beberapa contoh khusus prompt yang baik untuk alat tersebut.

ChatGPT prompt engineering saat digunakan

Untuk pendekatan praktis, kursus DataCamp tentang Building Chatbots in Python menawarkan latihan menyusun prompt untuk interaksi chatbot.

Teknik dalam prompt engineering

Menyusun prompt yang sempurna sering kali membutuhkan eksperimen. Berikut beberapa teknik yang dapat membantu:

Teknik dasar

Ini adalah kiat yang dapat digunakan pengguna pada umumnya untuk membuat prompt mereka lebih baik.

• Role-playing: Dengan membuat model berperan sebagai entitas tertentu, seperti sejarawan atau ilmuwan, Anda bisa mendapatkan respons yang lebih spesifik. Misalnya, "Sebagai ahli gizi, evaluasi rencana diet berikut" dapat menghasilkan respons yang berlandaskan ilmu gizi.
• Penyempurnaan iteratif: Mulailah dengan prompt luas dan secara bertahap sempurnakan berdasarkan respons model. Proses iteratif ini membantu memoles prompt hingga matang.
• Umpan balik berulang: Gunakan keluaran model untuk menginformasikan dan menyesuaikan prompt berikutnya. Interaksi dinamis ini memastikan respons model makin selaras dengan ekspektasi pengguna dari waktu ke waktu.

Teknik lanjutan

Di sini, kita melihat strategi yang lebih rumit yang memerlukan pemahaman lebih dalam tentang perilaku model.

• Zero-shot prompting. Teknik ini melibatkan pemberian tugas kepada model yang belum pernah dilihatnya saat pelatihan. Ini menguji kemampuan generalisasi model untuk menghasilkan keluaran relevan tanpa bergantung pada contoh sebelumnya.
• Few-shot prompting/in-context learning. Di sini, model diberi beberapa contoh (shot) untuk membimbing responsnya. Dengan menyediakan konteks atau contoh sebelumnya, model dapat lebih baik memahami dan menghasilkan keluaran yang diinginkan. Misalnya, menunjukkan beberapa contoh kalimat terjemahan sebelum memintanya menerjemahkan kalimat baru.
• Chain-of-Thought (CoT). Teknik lanjutan ini melibatkan membimbing model melalui serangkaian langkah penalaran. Dengan memecah tugas kompleks menjadi langkah-langkah perantara atau "rantai penalaran", model dapat mencapai pemahaman bahasa yang lebih baik dan keluaran yang lebih akurat. Ibarat membimbing seseorang langkah demi langkah melalui soal matematika yang rumit.

Bagi Anda yang ingin menyelami lebih dalam metode di balik teknik-teknik ini, kursus kami tentang NLP tingkat lanjut dengan spaCy menawarkan latihan praktis dan contoh dunia nyata.

Menjaga keseimbangan antara spesifik dan terbuka

Meski spesifisitas dalam prompt dapat menghasilkan respons yang lebih akurat, ada juga nilai dari membiarkan prompt agak terbuka. Ini memungkinkan model memanfaatkan pelatihannya yang luas dan memberikan wawasan atau jawaban yang mungkin tidak langsung terpikirkan. Misalnya, "Ceritakan sesuatu yang menarik tentang tata surya" bersifat terbuka namun dapat memunculkan wawasan yang memikat dari model.

Dengan alat seperti Google Gemini, Anda bisa menjadi se-spesifik atau seterbuka yang Anda butuhkan

Bagaimana Prompt Engineering Bekerja

Menyusun prompt awal hanyalah permulaan. Untuk benar-benar memanfaatkan kekuatan model AI dan memastikan keselarasan dengan niat pengguna, menyempurnakan dan mengoptimalkan prompt itu esensial. Proses iteratif ini adalah perpaduan seni dan sains, membutuhkan intuisi sekaligus wawasan berbasis data.

1. Buat prompt yang memadai

Kami telah membahas beberapa prompt ChatGPT untuk pemasaran dalam artikel terpisah, serta menyusun sebuah lembar contekan ChatGPT yang mencakup banyak hal spesifik untuk alat ini. Namun, ada banyak kerangka kerja (seperti LangChain, LlamaIndex, serta SDK OpenAI dan Anthropic) yang melibatkan penyusunan prompt.

Berikut beberapa aturan umum untuk membuat prompt bagi alat AI:

• Kejelasan adalah kunci: Pastikan prompt jelas dan tidak ambigu. Hindari jargon kecuali diperlukan untuk konteks.
• Cobalah role-playing: Seperti dibahas sebelumnya, membuat model mengasumsikan peran tertentu dapat menghasilkan respons yang lebih terarah.
• Gunakan batasan: Menetapkan batas atau kendala dapat membantu membimbing model menuju keluaran yang diinginkan. Misalnya, "Jelaskan Menara Eiffel dalam tiga kalimat" memberi batasan panjang yang jelas.
• Hindari pertanyaan mengarahkan: Pertanyaan mengarahkan dapat memicu bias pada keluaran model. Penting untuk tetap netral agar mendapatkan respons tanpa bias.

2. Iterasi dan evaluasi

Proses menyempurnakan prompt itu iteratif. Berikut alur kerja tipikal:

• Rancang prompt awal: Berdasarkan tugas yang dihadapi dan keluaran yang diinginkan.
• Uji prompt: Gunakan model AI untuk menghasilkan respons.
• Evaluasi keluaran: Periksa apakah respons selaras dengan niat dan memenuhi kriteria.
• Sempurnakan prompt: Lakukan penyesuaian yang diperlukan berdasarkan evaluasi.
• Ulangi: Lanjutkan proses ini hingga kualitas keluaran yang diinginkan tercapai.

Selama proses ini, penting juga mempertimbangkan beragam masukan dan skenario untuk memastikan efektivitas prompt di berbagai situasi.

3. Kalibrasi dan fine-tuning

Di luar penyempurnaan prompt itu sendiri, ada pula kemungkinan mengalibrasi atau melakukan fine-tuning pada model AI. Ini melibatkan penyesuaian parameter model agar lebih selaras dengan tugas atau himpunan data tertentu. Meski ini teknik yang lebih lanjut, dampaknya bisa sangat meningkatkan performa model untuk aplikasi spesialis.

Untuk pembahasan lebih dalam tentang kalibrasi dan fine-tuning model, kursus kami tentang konsep LLM membahas teknik fine-tuning dan pelatihan.

Peran Seorang Prompt Engineer

Seiring AI terus membentuk industri dan mendefinisikan ulang cara kita berinteraksi dengan teknologi, sebuah peran baru muncul di garis depan: Prompt Engineer. Peran ini krusial dalam menjembatani niat manusia dan pemahaman mesin, memastikan model AI berkomunikasi efektif dan menghasilkan keluaran yang relevan.

Jalur karier baru di AI?

Kemajuan pesat dalam NLP dan adopsi luas LLM menciptakan kebutuhan khusus namun penting untuk para ahli yang bisa menyusun prompt efektif. Individu ini, dikenal sebagai prompt engineer, bukan sekadar teknisi melainkan seniman yang memahami nuansa bahasa, konteks, dan perilaku AI.

Seperti dilaporkan Time Magazine dan lainnya, perusahaan dari raksasa teknologi hingga rintisan menyadari nilai peran khusus prompt engineering. Saat solusi berbasis AI makin terintegrasi dalam produk dan layanan, keahlian Prompt Engineer memastikan solusi tersebut efektif, ramah pengguna, dan relevan secara kontekstual.

Pasar kerja untuk prompt engineering telah matang sejak hype 2023–2024 awal. Jabatan tunggal "prompt engineer" mereda, namun keterampilan ini kini tertanam dalam peran AI yang lebih luas—AI engineer, applied ML engineer, konsultan solusi AI, dan conversational designer kerap mencantumkannya sebagai persyaratan inti. Gaji bervariasi luas, dengan Coursera melaporkan median AS sekitar US$126.000 per tahun dan ZipRecruiter menunjukkan lowongan level pemula sekitar US$63.000.

Lowongan prompt engineer diiklankan di Indeed

Keahlian teknis untuk prompt engineering

Bergantung pada peran persisnya dan seberapa teknis, prompt engineer membutuhkan landasan kuat di beberapa area teknis:

• Pemahaman NLP: Pengetahuan mendalam tentang teknik dan algoritme NLP itu esensial.
• Kefamiliaran dengan LLM: Pengalaman dengan model seperti GPT, Claude, Gemini, Llama, dan arsitektur dasarnya.
• Eksperimen dan iterasi: Kemampuan menguji, menyempurnakan, dan mengoptimalkan prompt berdasarkan keluaran model.
• Analisis data: Menganalisis respons model, mengidentifikasi pola, dan membuat keputusan berbasis data.

Bagi yang ingin mendapatkan atau mengasah keahlian teknisnya, skill track Natural Language Processing in Python kami menawarkan kurikulum komprehensif yang cocok bagi calon prompt engineer.

Keahlian non-teknis untuk prompt engineering

Meski kecakapan teknis vital, prompt engineer juga membutuhkan serangkaian keahlian non-teknis:

• Komunikasi: Kemampuan menyampaikan ide, berkolaborasi dengan tim, dan memahami kebutuhan pengguna.
• Keahlian Subjek Spesifik: Bergantung pada aplikasinya, pengetahuan domain bisa sangat berharga.
• Kemahiran berbahasa: Penguasaan bahasa, tata bahasa, dan semantik untuk menyusun prompt yang efektif.
• Berpikir kritis: Mengevaluasi keluaran model, mengidentifikasi bias, dan memastikan praktik AI yang etis.
• Kreativitas: Berpikir di luar kebiasaan, bereksperimen dengan gaya prompt baru, dan menciptakan solusi inovatif.

Keahlian lunak ini, dipadukan dengan keahlian teknis, membuat peran prompt engineer menantang sekaligus memuaskan, membuka jalan bagi era baru kolaborasi manusia-AI.

Masa Depan Prompt Engineering

Saat kita berada di ambang era yang digerakkan AI, prompt engineering siap memainkan peran penting dalam membentuk masa depan interaksi manusia-AI. Bidang ini, meski relatif baru, menyimpan janji dan potensi pertumbuhan yang besar.

Riset dan pengembangan yang berlangsung

Dunia AI itu dinamis, dengan riset dan inovasi muncul dalam tempo cepat. Dalam konteks prompt engineering:

• Prompting adaptif: Peneliti mengeksplor cara model secara adaptif menghasilkan promptnya sendiri berdasarkan konteks, mengurangi kebutuhan input manual.
• Prompt multimodal: Seiring bangkitnya model AI multimodal yang dapat memproses teks dan gambar, cakupan prompt engineering meluas mencakup isyarat visual.
• Prompting etis: Seiring etika AI makin menonjol, ada fokus pada penyusunan prompt yang memastikan keadilan, transparansi, dan mitigasi bias.

Bagi Anda yang ingin terus mengikuti perkembangan terbaru, artikel kami tentang etika dalam AI generatif membahas beberapa pertanyaan besar yang sedang kita hadapi. Anda juga dapat menjelajahi keahlian AI engineer dan di mana ia tumpang tindih dengan prompt engineering dalam panduan terpisah.

Nilai dan relevansi jangka panjang

Prompt engineering bukan sekadar tren sesaat. Saat model AI makin kompleks dan terintegrasi ke beragam aplikasi—dari kesehatan hingga hiburan—kebutuhan akan komunikasi yang efektif menjadi sangat penting. Prompt engineer akan menjadi penghubung yang memastikan model ini mudah diakses, ramah pengguna, dan relevan secara kontekstual.

Selain itu, seiring AI terdemonkratisasi dan makin banyak orang tanpa keahlian teknis mulai berinteraksi dengan model ini, peran prompt engineer akan berevolusi. Mereka akan bertanggung jawab menciptakan antarmuka yang intuitif, menyusun prompt yang ramah pengguna, dan memastikan AI tetap menjadi alat yang meningkatkan kemampuan manusia.

Tantangan dan peluang

Seperti bidang baru lainnya, prompt engineering hadir dengan sejumlah tantangan:

• Kompleksitas model: Saat model tumbuh dalam ukuran dan kompleksitas, menyusun prompt yang efektif menjadi lebih menantang.
• Bias dan keadilan: Memastikan prompt tidak secara tidak sengaja memperkenalkan atau memperkuat bias dalam keluaran model.
• Kolaborasi lintas disiplin: Prompt engineering berada di persilangan linguistik, psikologi, dan ilmu komputer, sehingga memerlukan kolaborasi lintas disiplin.

Namun, tantangan ini juga menghadirkan peluang. Ia mendorong inovasi, memupuk kolaborasi lintas disiplin, dan membuka jalan bagi generasi berikutnya alat serta solusi AI.

Pertimbangan etis dalam prompt engineering

Seiring AI menjadi andalan di berbagai industri, pertimbangan etis dalam prompt engineering menjadi sorotan. Peran prompt engineer melampaui sekadar menyusun prompt yang efektif—mereka juga harus memastikan model AI berinteraksi dengan pengguna secara adil, tidak bias, dan etis. Berikut area fokus utamanya:

Mitigasi bias

Prompt engineer berperan penting dalam mengurangi bias pada keluaran AI, yang bisa timbul dari data pelatihan atau perumusan prompt itu sendiri. Strateginya meliputi:

• Desain prompt netral: Hindari pertanyaan mengarahkan atau prompt yang dapat membuat model cenderung menghasilkan respons bias.
• Pengujian untuk keadilan: Secara rutin menguji prompt dengan beragam masukan untuk memastikan keluaran yang seimbang di berbagai demografi atau konteks.
• Kesadaran terhadap bias data: Memahami himpunan data yang digunakan untuk melatih LLM dan menyesuaikan prompt untuk mengimbangi bias yang melekat.

Interaksi AI yang adil

Untuk memastikan interaksi yang setara, prompt engineer dapat:

• Gunakan prompt sadar konteks: Membimbing model untuk mempertimbangkan perspektif yang lebih luas dalam responsnya, misalnya menyertakan sudut pandang yang kurang terwakili.
• Pantau standar etis: Memasukkan pedoman etika ke dalam praktik prompt engineering, seperti menghindari prompt yang dapat memunculkan keluaran berbahaya atau diskriminatif.

Transparansi dan keterjelasan

Prompt engineer harus menargetkan transparansi dengan membuat prompt yang memungkinkan interaksi AI yang jelas dan mudah dipahami. Ini termasuk:

• Menyoroti keterbatasan AI dalam respons.
• Merancang prompt yang mendorong model untuk menyertakan sumber atau menjelaskan penalaran.

Penutup

Ranah kecerdasan buatan itu luas, rumit, dan selalu berkembang. Setelah menelusuri seluk-beluk prompt engineering, jelas bahwa bidang ini lebih dari sekadar upaya teknis—ini adalah jembatan antara niat manusia dan pemahaman mesin. Ini adalah seni halus mengajukan pertanyaan yang tepat untuk memantik jawaban yang diinginkan.

Prompt engineering, meski disiplin yang relatif baru, memegang kunci untuk membuka potensi penuh model AI, khususnya Large Language Models. Saat model-model ini makin terintegrasi dalam keseharian kita, pentingnya komunikasi yang efektif tak dapat dilebih-lebihkan. Baik itu asisten suara yang membantu tugas harian, chatbot yang memberi dukungan pelanggan, atau alat AI yang membantu peneliti, kualitas interaksi bergantung pada prompt yang membimbingnya.

Bagi penggemar data, profesional, dan masyarakat umum, memahami prompt engineering bukan hanya tentang komunikasi AI yang lebih baik. Ini tentang membayangkan masa depan di mana AI menyatu mulus dalam hidup kita, meningkatkan kemampuan dan memperkaya pengalaman kita.

Saat kita berada di persimpangan ini, masa depan prompt engineering cerah, dipenuhi tantangan untuk diatasi dan tonggak yang dicapai. Bagi yang tertarik dengan bidang ini, perjalanannya baru dimulai. Pelajari dasar-dasar prompt engineering dengan kursus kami, dan temukan cara belajar AI dalam panduan terpisah kami, atau pelajari cara melatih LLM Anda sendiri dengan PyTorch melalui tutorial kami.