Apa Itu ReAct?

ReAct adalah konsep pada sistem AI yang berkaitan dengan cara model menerima input, membentuk representasi, menghasilkan keluaran, atau dievaluasi; penggunaannya perlu mempertimbangkan data, konteks, biaya, dan risiko. Secara operasional, ReAct membantu memberi struktur pada pekerjaan yang berhubungan dengan model AI, data, prompt, evaluasi, dan otomasi berbasis kecerdasan buatan, terutama ketika hasil harus dapat diukur dan diulang.

Hal yang perlu diperhatikan adalah kualitas dataset, prompt dan model. Evaluasi tidak cukup berhenti pada satu angka; accuracy, relevance dan hallucination rate perlu dibaca bersama konteks perubahan dan dampaknya terhadap pengguna atau bisnis.

1. Untuk ReAct, tentukan konteks penggunaan ReAct dan keputusan apa yang perlu dibantu oleh istilah ini.
2. Identifikasi komponen yang terlibat, misalnya dataset, prompt, dan prompt template.
3. Terapkan pada ruang lingkup yang jelas dan dokumentasikan asumsi agar tim memakai definisi yang sama.
4. Evaluasi dampaknya menggunakan indikator seperti accuracy dan relevance.

• Membuat eksperimen dan perbaikan berikutnya lebih cepat karena pembelajaran sebelumnya terdokumentasi.
• Membantu memisahkan masalah data, proses, teknologi, dan keputusan sehingga perbaikannya lebih tepat sasaran.
• Membuat hasil ReAct dapat ditinjau bersama indikator seperti accuracy, relevance, dan hallucination rate.
• Membantu mendeteksi risiko lebih awal sebelum berdampak pada pengguna, biaya, atau stabilitas proses.

Tim biasanya membutuhkan ReAct ketika tim data ingin membandingkan beberapa model berdasarkan kualitas, biaya, dan latency. Gunakan model card untuk menyamakan konteks, data, dan keputusan yang akan diambil. Hasilnya dapat ditinjau melalui accuracy dan relevance.

Sebagai contoh praktis, perusahaan ingin memakai AI untuk merangkum dokumen internal tanpa membocorkan data sensitif. Tim menguji ReAct dengan data atau skenario representatif, mencatat temuan pada guardrail, lalu memverifikasi apakah token cost membaik tanpa merusak hallucination rate. Pembelajaran akhirnya dimasukkan ke evaluation set.

• Menerapkan ReAct tanpa menjelaskan tujuan, baseline, dan keputusan apa yang akan dipengaruhi.
• Tidak menentukan pemilik tindakan sehingga temuan berhenti sebagai laporan tanpa perbaikan.
• Memulai dari tool atau fitur sebelum menjelaskan masalah dan hasil yang ingin dicapai.
• Menganggap korelasi sebagai penyebab tanpa melakukan verifikasi atau pengujian tambahan.