ChatGPT saat ini merupakan salah satu alat paling populer dalam artificial intelligence atau kecerdasan buatan, karena kemampuannya dalam meniru interaksi manusia dengan menghasilkan teks asli. Dalam bidang Sumber Daya Manusia (SDM), penggunaan ChatGPT atau Large Language Models (LLM) untuk People Analytics merupakan pilihan menarik saat ini, terutama dalam membantu membuat solusi baru. Namun, agar bisa memanfaatkan LLM secara maksimal, penting untuk memahami beberapa konsep dasar dalam ChatGPT.

Apa itu ChatGPT?
ChatGPT adalah gabungan antara "Chat" (obrolan) dan "GPT" (Generative Pre-trained Transformer), yaitu model bahasa yang dikembangkan oleh OpenAI. ChatGPT adalah jenis chatbot kecerdasan buatan yang dapat berinteraksi seperti manusia. Chatbot ini memudahkan komunikasi antara manusia dan komputer. ChatGPT dibangun di atas Large Language Models (LLMs) yang mampu "memahami" dan "belajar" bahasa dan interaksi manusia yang kompleks.

Apa itu LLM (Large Language Models)?
LLM merupakan model komputasi yang dilatih untuk memahami dan menghasilkan teks. LLM dibuat dengan melatih model prediksi kata berikutnya pada dataset teks yang sangat besar dan beragam. Model ini belajar bagaimana kata-kata digunakan dalam kalimat, aturan tata bahasa dan sintaks, serta informasi faktual dan kontekstual lainnya. Dengan kata lain, LLM mempelajari cara menulis teks yang terdengar seperti teks manusia.

Contoh LLM termasuk model seperti GPT-3 dan BERT, yang telah digunakan dalam berbagai aplikasi, mulai dari pembuatan teks otomatis hingga sistem tanya-jawab dan pembuatan puisi dan cerita pendek.

4 Konsep Kunci yang Harus Anda Ketahui dalam ChatGPT

1. Prompting (Isian Teks)
Prompting adalah cara berinteraksi dengan LLM. Memberikan penjelasan tentang apa yang Anda ingin tahu dari ChatGPT dan apa yang tidak ingin Anda lakukan.

Misalnya, jika kita ingin mengetahui dampak proses rekrutmen setelah terjadinya covid-19 dan kita tidak ingin tulisan tersebut terlalu teknis, maka prompt yang di tulis adalah: "Apa dampak proses rekrutmen setelah terjadinya covid-19 dalam dunia HR dalam 500 kata dalam bahasa yang dapat dimengerti oleh pembaca awam". 

Dalam hal ini, prompt memberi tahu model bahwa kita menginginkan uraian tertulis sekitar 500 kata, dengan topiknya adalah dampak proses rekrutmen setelah terjadinya covid-19, dan dengan teks yang tidak terlalu teknis atau penuh dengan jargon-jargon ilmiah.

‍
2. Context Windows (Jendela Konteks)

Context Windows adalah upaya kita untuk menempatkan pertanyaan yang hanya menjawab sesuai dengan konteks yang diinginkan. Dalam People Analytics, seringkali kita perlu menggabungkan data dari dataset perusahaan yang dimiliki kedalam prompt yang Anda berikan kepada LLM. 

Misalkan Anda memiliki dataset umpan balik karyawan dan Anda ingin menggunakan LLM untuk menganalisis sentimen dalam umpan balik tersebut. Prompt mungkin akan terlihat seperti ini:

"Analisis sentimen untuk komentar berikut: [komentar karyawan]".

"[komentar karyawan]" adalah bagian dari prompt yang akan diganti dengan komentar aktual dari dataset yang ada pada perusahaan Anda.

Sebagai contoh, jika komentar karyawannya adalah: "Saya sangat menikmati bekerja di sini tetapi merasa stres dengan beban kerja", maka prompt akan menjadi: 

"Analisis sentimen untuk komentar berikut: Saya sangat menikmati bekerja di sini tetapi merasa stres dengan beban kerja".

‍

3. Fine Tuning (Penyempurnaan)

Fine tuning adalah proses penyesuaian model Artificial Iintelligence pra-latih (pre-trained language model) agar lebih baik dalam tugas spesifik. Ini biasanya melibatkan pelatihan ulang model pada dataset yang telah berisi contoh dari tugas yang kita ingin model melakukannya.

Misalnya, kita meminta LLM "Membuat laporan hasil pemeriksaan hasil tes psikotes dan hasil asesmen." Tanpa fine tuning, model ini akan menghasilkan laporan, tetapi mungkin tidak memenuhi struktur dan gaya bahasa yang Anda inginkan.

Dengan fine tuning: Anda melatih LLM pada dataset laporan asesmen dengan gaya yang Anda sukai. Model tersebut menghasilkan laporan yang lebih mungkin sejalan dengan struktur dan gaya Bahasa yang Anda sukai.

‍‍

4. Embeddings (Penyisipan).

Embedding dalam konteks Natural Language Processing (NLP) dan machine learning, adalah metode yang digunakan untuk mengubah data teks menjadi bentuk numerik sehingga dapat diproses oleh model-model ini. 

Dengan adanya Embedding, LLM mampu mempertimbangkan konteks yang lebih banyak dan lebih panjang. LLM tidak hanya dapat mempertimbangkan kata-kata individu tetapi juga seluruh kalimat atau bahkan paragraf, yang mengarah ke pemahaman yang lebih mendalam tentang teks.

Perhatikan contoh visualisasi di bawah ini:

‍

Jika kita mengambil arah vektor dari 'negara' ke 'merdeka'. Tidak ada hubungan langsung antara kata negara dan merdeka. Namun keduanya memiliki hubungan makna kedekatan dengan kata 'indonesia'. Hal inii karena NLP menangkap hubungan semantik yaitu indonesia-merdeka dan negara-indonesia. Embeddings dapat menangkap hubungan kata berdasarkan tingkat kekuatan antar kata yang paling sering digunakan. (Semakin tebal warna biru menunjukkan semakin kuat tingkat hubungannya).

Kesimpulan

ChatGPT yang didalamnya terdapat LLM menyediakan cara yang nyaman dan mudah diakses untuk membangun solusi dengan cepat untuk penanganan tugas People Analytics. Dengan memahami dan bereksperimen dengan 4 konsep dasar yang telah dibahas dalam artikel ini (prompting, context windows, fine tuning, embeddings) Anda dapat merancang solusi untuk berbagai permasalahan dalam People Analytics secara efisien, efektif dan komprehensif.