Prompt engineering
Prompt Engineering betyr enkelt sagt å stille gode spørsmål til AI-en. En prompt er din input med ditt spørsmål eller forespørsel.
Prompt engineering innebærer at vi utformer målrettede spørsmål og instruksjoner for å hjelpe AI-modeller med å gi riktige svar under chattene. Med bedre prompts får du bedre resultater.
Sammen med spesifikasjonene til den valgte modellen, er dette avgjørende for kvaliteten på svaret.
Elementer i en prompt (spørsmål)
For å få bedre resultater bør du tenke på følgende punkter:
- Mål: hva ønsker du nøyaktig fra språkmodellen?
- Rolle: hvilken rolle har språkmodellen? (F.eks. 'Markedsanalytiker', 'Juridisk rådgiver', 'Prosjektleder')
- Kontekst: bakgrunnsinformasjon om forespørselen (F.eks. forretningsmål, prosjektdetaljer, markedsinformasjon)
- Stil: hvilken stil ønsker du å bruke? (F.eks. formell, overbevisende, kortfattet)
- Output: hvilket format ønsker du? (F.eks. en rapport, e-post, presentasjonsoversikt, kodebit)
Målet
Å beskrive målet med spørsmålet ditt presist er essensielt og kan ikke utelates.
Hva ønsker du å vite?
- Faktaspørsmål er mulig, men vær oppmerksom på begrensningene (for eksempel manglende oppdatert kunnskap)
- Som i Google får du ikke nøyaktig samme svar om du stiller spørsmålet flere ganger
- Fordelen er “chat”-funksjonen slik at du kan følge opp med flere spørsmål
Eksempel på prompt med et klart mål:
Gi en beskrivelse av de viktigste utfordringene ved implementering av en ny AI-plattform i en mellomstor bedrift.
Implementering av en ny AI-plattform i en mellomstor bedrift medfører flere utfordringer. Noen viktige utfordringer er:
- Motstand mot endring: Ansatte er vant til eksisterende prosesser og systemer. En ny AI-plattform krever tilpasning og kan møte motstand, spesielt hvis påvirkningen på arbeidsflyter ikke er tydelig.
- Datakvalitet og tilgjengelighet: AI-plattformer er sterkt avhengige av data. Innsamling, rensing og strukturering av data for den nye plattformen kan være komplekst og tidkrevende.
- Integrasjon med eksisterende systemer: AI-plattformen må ofte integreres med andre forretningsapplikasjoner (ERP, datakilder, BI-verktøy). Dette kan gi tekniske utfordringer.
- Kostnader: I tillegg til lisenskostnader for plattformen kommer kostnader til implementering, opplæring, datainfrastruktur og eventuelt spesialisert personell.
- Opplæring og adopsjon: Ansatte må trenes i bruk av den nye plattformen og i å tolke output. Uten god opplæring og kontinuerlig støtte kan adopsjonsgraden forbli lav.
- Valg av riktig plattform og brukstilfeller: Det finnes mange AI-plattformer og teknologier. Å velge en plattform og definere relevante brukstilfeller som passer bedriftens spesifikke behov og strategiske mål er avgjørende.
- Etiske vurderinger og compliance: Avhengig av bruken av AI-plattformen kan det være etiske problemstillinger og compliance-krav (f.eks. GDPR) som må håndteres nøye.
- Prosjektledelse: En vellykket implementering krever solid prosjektledelse, klare målsettinger og involvering av interessenter fra ulike avdelinger.
Legge til rolle og kontekst
Å legge til en rolle og kontekst gir bedre og mer spesifikke svar.
Eksempel på samme spørsmål, men med rolle og kontekst:
Som prosjektleder ansvarlig for implementering av en ny AI-plattform for dataanalyse og prosessoptimalisering hos en B2B-tjenesteleverandør med 150 ansatte, gi en beskrivelse av de viktigste utfordringene og mulige avbøtende strategier.
Som prosjektleder for implementering av en ny AI-plattform for dataanalyse og prosessoptimalisering hos en B2B-tjenesteleverandør med 150 ansatte, ser jeg følgende viktige utfordringer og mulige avbøtende strategier:
- Motstand mot endring & Brukeradopsjon:
- Utfordring: Ansatte, spesielt de hvis oppgaver påvirkes direkte, kan være tilbakeholdne med å gi slipp på kjente arbeidsmetoder og omfavne nye AI-drevne innsikter.
- Avbøtning: Involver nøkkelbrukere tidlig. Kommuniser tydelig fordelene (effektivitet, bedre beslutningstaking, nye innsikter). Sørg for omfattende, rollebasert opplæring og kontinuerlig støtte. Utpek 'AI-champions' i avdelingene.
- Datakvalitet, -styring og -migrasjon:
- Utfordring: Effektiviteten til AI-plattformen avhenger av høy kvalitet og godt styrte data. Data fra eksisterende systemer er ofte inkonsistente, ufullstendige eller feilaktige.
- Avbøtning: Start med en grundig datarevisjon, definer et data governance-rammeverk og gjennomfør datarensing før integrasjon/migrasjon. Definer klare datamodeller og -flyter. Test og valider data nøye.
- Integrasjon med eksisterende IT-infrastruktur:
- Utfordring: Koblinger til eksisterende datakilder, ERP, CRM og andre forretningssystemer må fungere sømløst og sikkert.
- Avbøtning: Identifiser alle nødvendige integrasjoner tidlig. Velg en AI-plattform med robuste API-muligheter eller standardkoblinger. Test integrasjonene grundig.
- Scope Creep & Budsjettoverskridelser:
- Utfordring: Under prosjektet kan nye ønsker for AI-brukstilfeller oppstå som utvider omfanget og øker kostnadene.
- Avbøtning: Definer et klart, avgrenset omfang med tydelige brukstilfeller (MVP - Minimum Viable Product) for første fase. Bruk streng endringshåndtering. Hold en realistisk prosjektplan og budsjett, inkludert buffer.
- Valg av riktig teknologi og implementeringspartner:
- Utfordring: AI-markedet er komplekst. Feil teknologivalg eller en uerfaren partner kan føre til prosjektfeil.
- Avbøtning: Gjør grundig research på passende AI-teknologier for definerte brukstilfeller. Velg en partner med dokumentert erfaring i din bransje og med valgte teknologier. Be om referanser.
- Manglende AI-kunnskap og -ferdigheter i organisasjonen:
- Utfordring: Det kan mangle intern kompetanse til å bruke, vedlikeholde eller videreutvikle AI-plattformen effektivt.
- Avbøtning: Invester i opplæring og kompetanseheving. Vurder å ansette spesialisert personell eller samarbeid tett med implementeringspartner for kunnskapsoverføring. Skap en kultur for kontinuerlig læring.
- Etiske vurderinger og forklarbarhet (Explainable AI):
- Utfordring: Beslutninger tatt eller støttet av AI må være transparente og forklarbare, spesielt når de påvirker kunder eller ansatte. Skjevheter i data kan føre til urettferdige resultater.
- Avbøtning: Utarbeid etiske retningslinjer for AI-bruk. Velg modeller som er tolkningsbare der det er mulig. Implementer prosesser for å oppdage og redusere skjevheter. Sørg for menneskelig overvåkning av kritiske AI-beslutninger.
Ved å møte disse utfordringene proaktivt øker vi sjansen for en vellykket implementering av AI-plattformen som faktisk bidrar til forretningsmålene.
Teknikker
Nedenfor beskriver vi noen teknikker du kan bruke for mer avanserte prompts.
Teknikk 1 - gi eksempler
For å sikre at språkmodellen bruker samme stil som du ønsker, gi ett eller to eksempler.
Metoden kalles “one & few-shot prompting”
Skriv et utkast til e-post til kunder om en kommende planlagt systemoppdatering. Bruk vår interne policy for kundekommunikasjon (legg inn relevante punkter fra policy). Bruk denne nylige nyhetsbrevet som stilguide, men ikke ta med innholdsinformasjon: (legg inn tekst fra nyhetsbrev)
Hele prompten er som følger:
Intern policy for kundekommunikasjon:
- Vær alltid profesjonell og høflig.
- Gi oppdateringer i tide om viktige endringer eller driftsavbrudd.
- Gi klar og kortfattet informasjon.
- Sørg for løsning eller kompensasjon der det er relevant.
Bruk denne nyhetsbrevet for stil, men ikke bruk informasjon fra nyhetsbrevet. Kjære kunde,
Vi ønsker å informere deg om en kommende systemoppdatering som kan påvirke våre tjenester.
Dato og tid for oppdatering: [dato og tid] Forventet varighet av avbrudd: [varighet] Berørte tjenester: [tjenester]
I denne perioden kan tjenestene våre være midlertidig utilgjengelige. Vi gjør vårt beste for å minimere ulempene og gjenopprette tjenestene så raskt som mulig.
Nedenfor er svaret fra språkmodellen på den utvidede prompten med eksempler
Kjære kunde,
Vi ønsker å informere deg om en kommende systemoppdatering som kan påvirke våre tjenester.
Dato og tid for oppdatering: [dato og tid] Forventet varighet av avbrudd: [varighet] Berørte tjenester: [tjenester]
I denne perioden kan tjenestene våre være midlertidig utilgjengelige. Vi gjør vårt beste for å minimere ulempene og gjenopprette tjenestene så raskt som mulig.
Ta gjerne kontakt med oss dersom du har spørsmål.
Med vennlig hilsen,
[Ditt navn]
[Din stilling]
[Firmanavn]
[Kontaktinformasjon]
Teknikk 2 - gi mal
For å sikre at språkmodellen bruker et bestemt format, gi en mal og et eksempel. Dette sørger for at språkmodellen former eller strukturerer svaret på en bestemt måte. Du kan tenke på svært ulike formater som er nyttige i situasjoner som:
- csv-output for import til Excel-ark eller dataanalyseverktøy
- json-output for API-integrasjoner eller konfigurasjonsfiler
- Agendaoppsett for et prosjektmøte
Eksempel prompt:
Generer en liste over tre potensielle markedsføringskanaler for et nytt SaaS-produkt rettet mot SMB-bedrifter. Formater svaret ditt slik:
Kanal:
Målgruppe:
Potensiell ROI:
Nødvendige ressurser:
For eksempel:
Kanal: LinkedIn Advertising
Målgruppe: Spesifikke stillingstitler, bransjer, bedriftsstørrelse
Potensiell ROI: Høy, hvis godt målrettet
Nødvendige ressurser: Annonsebudsjett, innholdsproduksjon, kampanjestyring
Metoden kalles “output templates”
Nedenfor er svaret fra språkmodellen på prompten med output-mal
Kanal: Content Marketing (Blogg & SEO)
Målgruppe: Bedrifter som aktivt søker løsninger på sine problemer, organisk trafikk
Potensiell ROI: Høy på lang sikt, bygger autoritet
Nødvendige ressurser: Innholdsskribenter, SEO-spesialist, tid til søkeordsanalyse og innholdsmarkedsføring
Kanal: Google Ads (Søk)
Målgruppe: Bedrifter som aktivt søker etter spesifikke søkeord relatert til SaaS-produktet
Potensiell ROI: Middels til høy, avhengig av konkurranse og CPC
Nødvendige ressurser: Annonsebudsjett, søkeordsanalyse, optimalisering av landingsside, kampanjestyring
Kanal: E-postmarkedsføring (Lead Nurturing)
Målgruppe: Leads samlet via nettside, webinarer eller andre kanaler
Potensiell ROI: Høy, effektiv for konvertering av leads til kunder
Nødvendige ressurser: E-postmarkedsføringsplattform, innhold til e-postsekvenser, segmenteringsferdigheter
Teknikk 3 - gi hint
For å sikre at språkmodellen begynner og skriver på en bestemt måte, gi et hint. Her skriver vi hintet på slutten av prompten.
Eksempel prompt:
Kan du oppsummere denne markedsundersøkelsesrapporten for meg? (lim inn relevante seksjoner av rapporten). Start svaret ditt med:
De viktigste funnene fra denne markedsundersøkelsen er:
- LIM INN TEKST FRA RAPPORTEN
Metoden kalles “cues og hints”
Dette eksempelet bruker en fiktiv rapport.
Nedenfor er svaret fra språkmodellen på prompten med hint
De viktigste funnene fra denne markedsundersøkelsen er:
- Etterspørselen etter skybasert prosjektstyringsprogramvare i SMB-segmentet har økt med 35 % de siste to årene.
- Viktigste beslutningsfaktorer for SMB-bedrifter er brukervennlighet, integrasjonsmuligheter med eksisterende verktøy og pris.
- Konkurrent A har en markedsandel på 25 %, fulgt av Konkurrent B med 18 %. Det er rom for nye aktører som fokuserer på spesifikke nisjer eller tilbyr en overlegen brukeropplevelse.
- De største utfordringene for SMB-bedrifter ved adopsjon av ny programvare er den innledende investeringen og tiden som kreves for opplæring av ansatte.
- Markedet forventes å vokse med 15 % årlig de neste fem årene.
Teknikk 4 - dele opp innhold i instruksjoner
Noen ganger blir prompten veldig lang på grunn av ekstra innhold, og språkmodellen tolker ikke nøyaktig hva du ønsker. Dette så du sannsynligvis allerede i forrige eksempel. Del da opp innholdet med tre anførselstegn i starten og slutten av teksten fra resten av prompten.
Eksempel prompt:
Kan du oppsummere denne artikkelen for meg?
"""
(lim inn artikkeltekst).
"""
Start svaret ditt med:
De viktigste punktene i denne artikkelen er:
Metoden kalles “content splitting”
Dette eksempelet bruker igjen en artikkel fra internett: https://www.leraar24.nl/2619420/onderwijs-op-afstand-wat-hebben-we-geleerd/
Nedenfor er svaret fra språkmodellen på prompten med delt innhold. Vi bruker tre anførselstegn eller tre stjerner for å avgrense konteksten i spørsmålet.
De viktigste punktene i denne artikkelen er:
- Under koronakrisen måtte lærere utvikle strategier og teknikker for å gjøre fjernundervisning så effektiv som mulig, mens foreldre tok en større rolle i å støtte barna sine.
- Viktige faktorer for vellykket fjernundervisning var å organisere en strukturert dagsplan, opprettholde åpen kommunikasjon mellom lærer og elev, og gjøre veloverveide valg om hvilke undervisningsdeler som kunne gjøres online eller på papir.
- Utfordringer knyttet seg til å finne måter å støtte sårbare elever på og det ekstra presset som ble lagt på foreldre, spesielt de som også jobbet hjemmefra.
- Det var en rask økning i digitalisering på skolene, med tillegg av nye digitale verktøy og metoder. Artikkelen nevner eksempelet med lærer Mandy de Vries, som til tross for kort erfaring i undervisning, kunne hjelpe kollegaene sine med sine digitale ferdigheter.
- Artikkelen understreker også viktigheten av kontinuerlig kontakt og oppmerksomhet for elever, spesielt de i spesialundervisning, og gir praktiske tips for å oppnå dette, både for lærere og foreldre.
- Til slutt håper artikkelen at foreldrenes engasjement i barnas fjernundervisning vil fortsette også etter pandemien.
Teknikk 5 - spør først om ekstra informasjon
Du kan gi instruksjoner om å først stille oppfølgingsspørsmål før svaret genereres. Dette hjelper språkmodellen med å forbedre og spesifisere forespørselen din.
Eksempel prompt:
“Jeg vil lage et prosjektforslag for utvikling av en ny mobilapp for intern kommunikasjon. Appen må inneholde funksjoner for nyhetsoppdateringer, et ansattregister og direktemeldinger. Før du skriver prosjektforslaget, kan du stille meg noen oppfølgingsspørsmål for å forbedre forslaget?”
Metoden kalles “ask before answer prompting”
Nedenfor er svaret fra språkmodellen på prompten med forespørsel om tilleggsinformasjon
Selvfølgelig! Her er noen spørsmål jeg kan stille for å forbedre prosjektforslaget:
Hva er hovedmålet med den interne kommunikasjonsappen? (F.eks. øke engasjement, forbedre informasjonsflyt, legge til rette for samarbeid)
Hvem er den spesifikke målgruppen i bedriften? (F.eks. alle ansatte, spesifikke avdelinger, feltarbeidere)
Finnes det eksisterende systemer eller plattformer som appen må integreres med? (F.eks. intranett, HR-system, Active Directory)
Hva er det forventede budsjettet og ønsket tidslinje for utvikling og implementering?
Er det spesifikke sikkerhets- eller compliance-krav appen må oppfylle? (F.eks. GDPR, datalagringspolicy)
Hvilke nøkkelindikatorer (KPI-er) skal brukes for å måle appens suksess?
Finnes det allerede ideer om design eller merkevarebygging for appen? Må den samsvare med bedriftens visuelle profil?
Er det en preferanse for utviklingsplattform (iOS, Android, tverrplattform)?
Med denne tilleggsinformasjonen kan vi få et bedre bilde av omfang og krav, og dermed lage et sterkere prosjektforslag.
Teknikk 6 - emosjonell prompt
Du kan gi instruksjoner for å tilpasse tonen i teksten til underliggende følelser, eller for å fremkalle en spesifikk emosjonell respons. Dette er nyttig for kundeservice, intern kommunikasjon eller markedsføring.
Eksempel prompt:
“Jeg må skrive en e-post til en kunde som er misfornøyd med et nylig tjenesteavbrudd. Kunden har skrevet følgende: “”” …. “”” (lim inn kundens tekst) Jeg ønsker at e-posten skal være empatisk, anerkjenne kundens frustrasjon og tilby en konstruktiv løsning.”
Metoden kalles “emotional prompting”
Dette eksempelet bruker en fiktiv klage.
Hele prompten lyder da:
Jeg må skrive en e-post til en kunde som er misfornøyd med et nylig tjenesteavbrudd. Kunden har skrevet følgende:
"""Kjære herr/fru,
Jeg er svært skuffet over det uventede tjenesteavbruddet i går ettermiddag. Dette har alvorlig forstyrret vår drift og ført til produktivitetstap. Vi stoler på deres tjenester, og slike hendelser er uakseptable. Jeg forventer en klar forklaring og passende kompensasjon."""
Jeg ønsker at e-posten skal være empatisk, anerkjenne kundens frustrasjon og tilby en konstruktiv løsning.
Nedenfor er svaret vi fikk fra språkmodellen
Kjære [Kundenavn],
Takk for meldingen din, og vi beklager oppriktig tjenesteavbruddet du opplevde i går ettermiddag. Jeg forstår fullt ut din frustrasjon og hvilken innvirkning dette har hatt på driften deres. Vi er svært lei oss for at vi ikke har møtt dine forventninger og våre servicestandarder.
Avbruddet ble forårsaket av [kort, tydelig forklaring på årsak, f.eks. en uforutsett teknisk feil i vårt datasenter]. Vi har tatt umiddelbare tiltak, og våre teknikere har jobbet hardt for å gjenopprette tjenesten så raskt som mulig. Tjenesten har vært fullt operativ siden [tidspunkt].
Vi tar denne hendelsen svært alvorlig og evaluerer nå årsaken for å forhindre gjentakelse i fremtiden.
For å kompensere for ulempene tilbyr vi gjerne [konkret forslag, f.eks. rabatt på neste faktura / en gratis oppgradering i en måned / en servicekreditt]. En av våre kundekontakter vil ta kontakt med deg innen 24 timer for å diskutere dette personlig og svare på eventuelle spørsmål.
Igjen, våre oppriktige unnskyldninger for ulempene. Vi setter pris på ditt kundeforhold og streber etter å gi deg pålitelig service i fremtiden.
Med vennlig hilsen,
[Ditt navn/Firmanavn]
Teknikk 7 - be om flere versjoner
Her ber du om flere versjoner av et svar, slik at du har flere valgmuligheter. Du ønsker for eksempel at modellen hjelper med å generere ulike markedsføringsslagord for et nytt produkt. Det finnes mange forskjellige vinklinger, så du ønsker flere alternativer. Dette kan effektivt kombineres med å sette en spesifikk rolle for modellen og en systemprompt for å styre modellen videre.
Du kan lese mer om roller i den aktuelle artikkelen. Dette eksempelet med flere versjoner står helt nederst i artikkelen. Det gjentas ikke fullt ut her.
Teknikk 8 - kombinasjon med systemprompt
Med en systemprompt kan du gi oppgaver til AI-modellen. Det er en instruksjon du kan gi modellen for å spesifikt forme oppgaven eller modellens oppførsel. Du kan angi hvilken type output du forventer fra AI-modellen. Det er en måte å styre modellen på og forhindre at den gir irrelevante eller uønskede svar.
Noen eksempler på enkle og generelle systemprompter:
"Jeg vil at du skal være en vennlig og hjelpsom assistent."
"Vær alltid profesjonell og respektfull i språket ditt."
"Fokuser på å gi konkrete, presise svar uten unødvendige detaljer."
Systemprompten setter på en måte tonen og forventningene for den spesifikke samtalen eller oppgaven du ønsker å utføre med AI-modellen.
Du kan også lage mer avanserte systemprompter for spesifikke oppgaver, som å oppsummere en tekst:
"Analyser den gitte teksten nøye og gi en kort, men informativ oppsummering av hovedpunktene. Identifiser kjernebudskapet og viktige detaljer."
Systemprompter har ikke samme effekt på alle AI-modeller. Hos chatGPT fungerer det veldig godt, hos Claude også, mens hos andre modeller er effekten av en systemprompt mindre. Det er interessant å prøve og se hvilken modell som fungerer best for din input.
Du kan sette en generell systemprompt i preferanser, men det beste er å lage disse systempromptene per oppgave du ønsker å automatisere. Vi kaller dette roller.
Du kan lese mer om roller i den aktuelle artikkelen.
Annotere et avsnitt
Marker tekst i en avsluttet chatmelding og velg Annoter. Skriv i vinduet et spørsmål eller instruksjon for endring, for eksempel ‘Gjør bare denne setningen enklere’, og velg Lagre. Du kan annotere flere avsnitt. Send deretter meldingen; en ekstra prompt i inndatafeltet er ikke nødvendig, men kan brukes. Avsnittet beholdes i kommentaren, også om du bytter til et annet vindu. Du kan fjerne en annotasjon før sending. På mobil holder du inne teksten for å markere.