MERDEKA, SALAM PANCASILA

Setiap agama dipastikan, malah harus memiliki basis ciri khas ( كلى خاص ) tersendiri yang tidak dimiliki oleh agama yang lain. Karena dengannya, bisa dilihat jelas ihwal eksistensinya. Dan yang terakhir ini menjadi kebanggaan tersendiri. Maka di situ sikap panatik ( ghirah) menjadi sebuah keniscayaan ( bahkan kemestian), yang logis adanya.

Misal konkretnya, dalam "ucapan selamat". Masing-masing memiliki cara tersendiri. Hanya dengan alasan demi mengusung panji toleransi, tidak otomatis begitu saja secara random boleh mencomot bentuk salam dari semua agama, sesuai dengan rangsangan selera. Dalam satu pertemuan misalnya. Ketika yang hadir mayoritas muslim, saya baca salam versi Islam, ketika yang mayoritas Hindu, saya baca versi Hindu, ketika yang mayoritas Kristen, saya baca versi Kristen, begitu seterusnya.

Sampai di sini saya setuju dengan salah satu poin keputusan Ijtima Ulama Komisi Fatwa se-Indonesia yang dibacakan oleh Ketua SC yang juga Ketua MUI Bidang Fatwa, Asrorun Niam Sholeh, Kamis (30/5/2024), bahwa "pengucapan salam dengan menyertakan salam berbagai agama dengan alasan toleransi dan/atau moderasi beragama, bukanlah makna toleransi yang dibenarkan".

Nah, dalam konteks sebuah pertemuan, dimana semua agama hadir, redaksi salam mana yang mesti diungkapkan, apakah sesuai dengan anutan mayoritas ( Islam umpamanya), atau sesuai selera dan atau menggunakan kompromi ( طريق الجمع ), semua salam agama disatukan?

Versi saya, teori paling bijak, mesti dihadirkan " Salam Kebangsaan" . Ini pilihan yang paling elegan, yang bisa diterima semua pihak. Dan satu catatan paling penting, dengan cara seperti itu, menghindari pemahaman ritualitas ( تعبدية).
Umpamanya : Hadirn yang berbahagia, "Merdeka Salam Pancasila".

Saya pikir, ini sebuah model paling "Holistik" ( kalaupun tidak dikatakan "Holiday"). Gitu aja repot. !!!

 

By-Drs. H. Saepullah S, M.Ag   

Read More

Prompting engineer

 

Rekayasa prompt adalah teknik yang digunakan dalam sistem AI untuk memberikan instruksi secara jelas agar sistem AI dapat menghasilkan output yang optimal. Teknik ini mirip dengan mesin pencari yang menampilkan hasil berdasarkan kata kunci yang dimasukkan.

Pada tahun 2021, para peneliti menyempurnakan model generatif yang dilatih sebelumnya (T0) untuk menyelesaikan 12 tugas NLP menggunakan 62 kumpulan data (karena setiap tugas bisa memiliki banyak kumpulan data). Model ini menunjukkan performa yang sangat baik pada tugas-tugas baru, melebihi model yang dilatih hanya untuk satu tugas tertentu tanpa pelatihan sebelumnya. Untuk menyelesaikan suatu tugas, T0 diberikan instruksi dalam bentuk prompt terstruktur, misalnya "If {{premise}} is true, is it also true that {{hypothesis}}? ||| {{entailed}}".

Prompt rantai pemikiran (Chain of Thought, CoT) adalah teknik yang memungkinkan model bahasa besar (LLM) memecahkan masalah melalui serangkaian langkah-langkah perantara sebelum memberikan jawaban akhir. Teknik ini meningkatkan kemampuan penalaran dengan mendorong model untuk menyelesaikan masalah multi-langkah dengan langkah-langkah penalaran yang menyerupai alur pemikiran manusia. Hal ini memungkinkan model bahasa besar untuk mengatasi tugas-tugas penalaran yang kompleks yang memerlukan pemikiran logis dan beberapa langkah penyelesaian, seperti soal penalaran aritmatika atau akal sehat. Chain of Thought (CoT) prompting adalah inovasi terkini dalam metode prompt yang mendorong Model Bahasa Besar (LLM) untuk menjelaskan alasan di balik jawabannya. Model bahasa besar (LLM) adalah model deep learning yang sangat besar yang telah dilatih sebelumnya pada sejumlah besar data.

Retrieval-Augmented Generation (RAG) adalah proses dua tahap yang melibatkan pengambilan dokumen dan perumusan jawaban menggunakan Model Bahasa Besar (LLM). Tahap pertama menggunakan embedding padat untuk mengambil dokumen. Pengambilan ini dapat menggunakan berbagai format database tergantung pada kasus penggunaannya, seperti database vektor, indeks ringkasan, indeks pohon, atau indeks tabel kata kunci.

Sistem kecerdasan buatan generatif (AI) dirancang untuk menghasilkan output tertentu berdasarkan kualitas instruksi yang diberikan. Rekayasa prompt membantu model AI generatif memahami dan merespons berbagai pertanyaan dengan lebih baik, dari yang sederhana hingga yang sangat teknis.

Prinsip dasarnya adalah bahwa instruksi yang baik menghasilkan output yang baik. AI generatif mengandalkan penyempurnaan berulang dari berbagai teknik rekayasa prompt untuk belajar secara efektif dari beragam data masukan, serta beradaptasi untuk mengurangi bias, kebingungan, dan menghasilkan respons yang lebih akurat.

Prompt engineer memainkan peran penting dalam menyusun instruksi yang membantu model AI generatif memahami tidak hanya bahasanya tetapi juga nuansa dan maksud di balik instruksi tersebut. Instruksi yang berkualitas tinggi, rinci, dan berpengetahuan luas, pada gilirannya, memengaruhi kualitas konten yang dihasilkan AI, baik itu gambar, kode, ringkasan data, atau teks.

Pendekatan yang cermat dalam membuat instruksi diperlukan untuk menjembatani kesenjangan antara pertanyaan mentah dan respons bermakna yang dihasilkan AI. Dengan menyempurnakan instruksi yang efektif, prompt engineer dapat secara signifikan mengoptimalkan kualitas dan relevansi output untuk menyelesaikan masalah baik secara spesifik maupun umum. Proses ini mengurangi kebutuhan akan peninjauan manual dan pengeditan pasca-produksi, sehingga pada akhirnya menghemat waktu dan tenaga dalam mencapai hasil yang diinginkan.

 

Read More