| Istilah | Arti |
|---|---|
| auto research | Konsep dari Andrej Karpathy berupa loop otomatis yang menguji, menilai, lalu memperbaiki dirinya berdasarkan kriteria evaluasi, dipakai di video ini untuk thumbnail. |
| thumbnail | Gambar sampul kecil sebuah video YouTube yang sangat menentukan apakah orang mengklik, dan menjadi objek yang terus diperbaiki di video ini. |
| eval criteria | Daftar ukuran penilaian yang dipakai untuk menilai hasil AI secara otomatis, yang menurut Andy harus berbasis data dan dijawab ya atau tidak. |
| feedback memory | Berkas JSON berisi aturan hasil pembelajaran dari data dan masukan manusia, yang otomatis disisipkan ke setiap prompt pembuatan thumbnail. |
| split tests | Uji perbandingan beberapa versi thumbnail pada video dan penonton yang sama untuk melihat mana yang paling banyak diklik, dianggap sinyal paling tepercaya. |
| winners | Kelompok video dengan click-through rate tertinggi yang ciri judul dan thumbnail-nya dipelajari untuk menyusun kriteria penilaian. |
| losers | Kelompok video dengan click-through rate terendah yang cirinya, misalnya tanda seru atau kata stop, dijadikan pola yang perlu dihindari. |
| iterations | Putaran berulang membuat, menilai, dan memperbaiki thumbnail, yang di video ini menaikkan skor dari rata-rata 8,7 ke 11 dari 12 dalam sepuluh putaran. |
| self improving | Sifat sistem yang bisa memperbaiki kinerjanya sendiri dengan menulis ulang prompt berdasarkan data hasil sebelumnya tanpa harus diarahkan terus oleh manusia. |
| Karpathy | Andrej Karpathy, peneliti AI terkenal yang repositori auto research-nya menjadi dasar loop perbaikan otomatis yang dibangun di video ini. |
| baseline | Titik awal kualitas atau skor sebelum perbaikan, yang menurut Andy terus naik karena setiap thumbnail baru dimulai dari aturan yang lebih baik. |
| binary criteria | Kriteria penilaian yang hanya bisa dijawab ya atau tidak, seperti apakah teks thumbnail cukup tebal, sehingga skornya jelas dan mudah diukur AI. |
AI Andy menunjukkan cara memakai konsep auto research dari Andrej Karpathy untuk membangun mesin pembuat thumbnail YouTube yang terus memperbaiki dirinya. Masalah awalnya adalah click-through rate videonya yang anjlok: video lama bisa mencapai 14 sampai 18 persen, sedangkan video terbaru hanya sekitar 3,4 persen. Ia juga mendapati dari split test A, B, dan C bahwa thumbnail dengan wajahnya justru kalah. Karena itu ia ingin memperbaiki kemasan video, yaitu judul dan thumbnail, berdasarkan data nyata dan bukan perasaan. Video ini penting bagi kreator dan pebisnis karena memperlihatkan cara membangun loop otomatis yang menilai hasil, belajar dari data, lalu menulis ulang prompt-nya sendiri agar makin baik setiap siklus.
Langkah pertama adalah menarik data lebih dari 500 video lewat YouTube Reporting API dan Analytics API yang gratis ke Airtable. Sekitar 180 video dibagi menjadi winners, losers, dan mid; judul pemenang memakai kata how to 50 persen berbanding 23 persen, dan tutorial 44 persen berbanding 13 persen, sedangkan kata seperti stop, tanda seru, dan pertanyaan cenderung kalah. Dari situ disusun 12 binary criteria berbentuk pertanyaan ya atau tidak, misalnya satu titik visual dominan, teks satu sampai empat kata tebal, dan latar sederhana. Setiap hari loop menarik data CTR, menilai thumbnail dengan Gemini Vision, membandingkan skor dengan CTR nyata, lalu menulis aturan baru ke feedback memory JSON. Dalam uji iterasi cepat, tiga thumbnail per putaran, skor rata-rata naik dari 8,7 menjadi 11 dari 12 dalam 10 iterations. Andy juga mempromosikan cohort berbayar dan komunitas gratis berisi berkas Python sekitar 1.000 baris.
Kata kunci
- auto research
- thumbnail
- eval criteria
- feedback memory
- Membangun mesin konten yang memperbaiki diri berbasis auto research Karpathy untuk thumbnail: menilai tiap video terhadap 12 kriteria biner dan menulis ulang prompt setiap hari.
- Menganalisis sekitar 180 video menjadi pemenang, pecundang, dan menengah (judul how to dipakai pemenang 50% berbanding 23%), lalu berulang cepat alih-alih siklus 24 jam.
- Melihat skor rata-rata naik dari 8,7 menjadi 11 dari 12 dalam 10 iterasi tanpa umpan balik manusia karena eval yang bekerja, dengan split test dan feedback memory.
Tulis catatan pribadimu untuk video ini. Catatan tersimpan di akunmu dan bisa dibuka dari perangkat mana pun.