Saya baru-baru ini menemukan saluran TikTok yang menarik yang menampilkan kucing animasi yang menggunakan AI untuk membuat video. Kucing itu akan memberikan instruksi kepada AI, seperti “seorang pria berjalan di pantai dan menemukan cangkang kerang.” AI akan salah menafsirkan instruksi atau memperkenalkan elemen tak terduga, mungkin mengubah cangkang kerang menjadi monster raksasa. Kucing itu akan menjadi frustrasi, mengoreksi AI, dan mengulang prosesnya hingga akhirnya melemparkan keyboard ke monitor karena frustrasi.
Sekonyol apa pun itu, skenario tersebut menggambarkan tantangan nyata yang dialami banyak dari kita saat menggunakan AI. Ketika instruksi kurang detail, AI mungkin mengisi kekosongan dengan interpretasinya sendiri. Hasilnya bisa tidak akurat, tidak konsisten, atau tidak sesuai dengan yang kita inginkan.
Dalam sebuah video, itu mungkin menghibur. Namun, dalam aplikasi perusahaan, inkonsistensi dapat memengaruhi data bisnis, pengambilan keputusan, dan efisiensi operasional.
Apa Itu ‘Keterampilan’?
Cara termudah untuk memikirkan Keterampilan adalah sebagai serangkaian instruksi yang dapat digunakan kembali yang memberi tahu AI cara mendekati tugas tertentu. Kembali ke kucing animasi kita, bayangkan jika ia memberikan instruksi terperinci tentang apa yang harus ada dalam video, apa yang harus dihindari, dan bagaimana hasil akhirnya harus terlihat, mungkin kita tidak akan pernah melihat monster cangkang kerang raksasa itu.
Tetapi tidak ada yang ingin menulis serangkaian instruksi 1.000 kata setiap kali mereka meminta AI untuk melakukan tugas. Hal yang sama berlaku untuk penggunaan AI kita sehari-hari.
Di sinilah Keterampilan berperan. Sebuah Keterampilan menangkap instruksi, batasan, proses, logika penanganan kesalahan, dan keluaran yang diharapkan untuk tugas tertentu. Alih-alih memulai dari awal setiap kali, Keterampilan yang sama dapat digunakan kembali, diuji, dan disempurnakan.
Hasilnya adalah pendekatan yang lebih terstruktur untuk membuat AI melakukan tugas, dengan potensi konsistensi yang lebih besar di seluruh eksekusi berulang.
Dan bagian terbaiknya? Anda dapat meminta AI untuk membantu membuat dan menyempurnakan Keterampilan itu sendiri.
Contoh Penghitungan Rak Toko
Dalam FMCG, salah satu tugas umum bagi perwakilan penjualan toko adalah mengambil foto rak produk, menghitung tingkat stok, dan mencatat informasi pesaing. Ini mungkin aktivitas yang membosankan, tetapi setelah data ditangkap di CRM, ini memberikan informasi berharga untuk membantu merek membuat keputusan penjualan dan penempatan produk yang lebih baik.
Secara tradisional, informasi ini dicatat secara manual melalui aplikasi seluler. AI tampaknya sangat cocok: mengambil foto, mengenali produk, dan secara otomatis menangkap data terstruktur di CRM.
Namun, pengenalan gambar AI tujuan umum dan sistem pengenalan gambar khusus tidak selalu berkinerja sama baiknya pada setiap tugas. Menghitung secara tepat objek yang tersusun rapat atau sebagian terhalang bisa menjadi tantangan.
Dapatkah Keterampilan yang dirancang dengan baik membuat AI tujuan umum lebih akurat dalam tugas ini? Mari kita cari tahu.
Pengaturan
Untuk eksperimen ini, saya menggunakan gambar rak produk (logo dipikselkan di sini untuk dibagikan). Gambar tersebut berisi total 36 botol, termasuk satu botol Coke yang dihasilkan AI.
Percobaan Pertama
Tanpa Keterampilan yang terperinci, saya meminta AI untuk menghitung botol.
Rak tengah relatif mudah ditafsirkan. Namun, rak atas memiliki botol yang tersusun sangat rapat, sementara hanya bagian atas beberapa botol yang terlihat di rak bawah.
Rak Atas – cukup sulit dibedakan bahkan dengan mata manusia
Rak Bawah – lebih mudah bagi manusia, tetapi tidak langsung jelas bagi AI
Membangun Keterampilan
Seperti yang disebutkan sebelumnya, Keterampilan pada dasarnya adalah serangkaian instruksi yang dapat digunakan kembali yang memandu AI melalui suatu tugas. Saya memberikan umpan balik tentang perbedaan dalam hasil awal, menjelaskan di mana saya pikir masalah terjadi, dan meminta AI untuk membantu membuat dan menyempurnakan Keterampilan. Ini bukan proses satu langkah. Setelah beberapa putaran pengujian dan penyempurnaan, saya akhirnya memiliki Keterampilan “Penghitung Rak Botol” yang dirancang khusus untuk tugas ini.
Pengujian Ulang dengan Keterampilan Diaktifkan
Saya kemudian memulai sesi baru dan meminta AI untuk menghitung botol lagi, kali ini dengan Keterampilan diaktifkan. Dengan menerapkan instruksi yang ditentukan dalam Keterampilan, AI menghasilkan hasil yang benar: 36 botol.
Dalam contoh ini, tugas yang awalnya menghasilkan hasil yang salah berhasil diselesaikan setelah Keterampilan diterapkan.
Dari Akurasi ke Konsistensi
Agar jelas, eksperimen ini tidak membuktikan bahwa Keterampilan dapat menggantikan perangkat lunak pengenalan gambar khusus. Keterampilan ini dikembangkan dan diuji selama beberapa jam, tidak divalidasi terhadap ribuan gambar dalam berbagai kondisi. Solusi khusus mungkin masih lebih cocok di mana akurasi tinggi yang konsisten sangat penting.
Namun, itu bukan tujuan dari eksperimen ini.
Yang ditunjukkannya adalah bagaimana Keterampilan digunakan untuk membuat AI lebih sistematis, dapat diprediksi, dan akurat untuk tugas tertentu. Daripada mengandalkan instruksi yang luas dan berharap yang terbaik, kita dapat menentukan pendekatan, menguji hasilnya, mengidentifikasi kelemahan, dan menyempurnakan instruksi untuk digunakan kembali.
Seiring AI terus meningkat dan menjadi lebih cepat serta lebih murah untuk diterapkan, pendekatan ini dapat membuka kemungkinan baru untuk aplikasi perusahaan.
Pertimbangkan skenario lain untuk manajemen prospek CRM. Jika tingkat akurasi awal prospek yang bersumber dari AI adalah 60%, meningkatkan akurasi sebesar 20% sangat berharga bagi tim penjualan. Lebih banyak pipeline = lebih banyak penjualan. Sebuah Keterampilan dapat mendefinisikan bagaimana AI harus mengevaluasi prospek, kriteria apa yang harus digunakan saat menilai peluang, atau bagaimana mengubah observasi lapangan menjadi catatan CRM yang terstruktur.
Peluang yang lebih luas adalah untuk bergerak melampaui AI yang hanya menanggapi permintaan individu dan menuju AI yang dapat melaksanakan tugas bisnis dengan lebih efektif melalui proses yang lebih terstruktur dan dapat diulang.
Kesimpulan
Nilai sebenarnya dari Keterampilan bukan hanya tentang membuat AI lebih akurat, tetapi secara fundamental mengubah cara kita bekerja dengan AI.
Alih-alih memberi tahu AI cara melakukan segalanya langkah demi langkah, kita memberi tahu AI hasil apa yang ingin kita capai, dan meminta AI membantu kita menentukan proses untuk mencapainya. Melalui pengujian, umpan balik, dan penyempurnaan, proses itu menjadi Keterampilan yang dapat digunakan kembali yang dapat diterapkan secara konsisten.
Kita mendefinisikan hasilnya. AI membantu membangun prosesnya. Keterampilan membuatnya dapat diulang.
Ini sangat kuat dalam AI perusahaan, di mana tujuannya bukan hanya untuk mendapatkan jawaban yang baik sekali, tetapi untuk mengubah kemampuan AI menjadi proses bisnis yang dapat diulang yang dapat dibagikan, disempurnakan, dan diterapkan di seluruh organisasi.
