Gå til hovedinnhold

Prompt engineering

Prompt Engineering betyr kort sagt å stille gode spørsmål til AI-en. En prompt er din input med spørsmålet eller forespørselen din.

Prompt engineering innebærer at vi tenker ut målrettede spørsmål og instrukser for å hjelpe AI-modeller med å gi riktige svar under samtalene. Med bedre prompts får du bedre resultater.

Sammen med spesifikasjonene til den valgte modellen er dette avgjørende for kvaliteten på svaret.

Elementer av en prompt (spørsmål)​

For å få bedre resultater bør du tenke på følgende punkter:

  • Mål: Hva vil du nøyaktig ha fra språkmodellen?
  • Rolle: hvilken rolle har språkmodellen? (F.eks. 'Markedsanalyse', 'Juridisk rådgiver', 'Prosjektleder')
  • Kontekst: bakgrunnsinformasjon om forespørselen (F.eks. forretningsmål, prosjektdetaljer, markedsinformasjon)
  • Stil: hvilken stil vil du bruke? (F.eks. formell, overbevisende, kortfattet)
  • Output: hvilket format vil du ha? (F.eks. en rapport, e-post, presentasjonsoversikt, kodebilde)

Målet​

Å presist beskrive målet med forespørselen din er essensielt og ikke noe som kan utelates.

Hva vil du vite?

  • Faktaspørsmål kan brukes, men vær oppmerksom på begrensningene (for eksempel oppdatert kunnskap mangler)
  • Akkurat som i Google får du ikke nøyaktig samme svar hver gang du stiller spørsmålet
  • Fordelen er chat-funksjonen slik at du kan stille oppfølgingsspørsmål

Eksempel prompt med klart mål:

Prompt med kun mål

Gi en beskrivelse av de viktigste utfordringene ved implementering av en ny AI-plattform i et mellomstort selskap.

Å implementere en ny AI-plattform i et mellomstort selskap bringer med seg ulike utfordringer. Noen viktige utfordringer er:

  1. Motstand mot endring: Ansatte er vant til eksisterende prosesser og systemer. En ny AI-plattform krever tilpasning og kan møte motstand, spesielt dersom påvirkningen på arbeidsflyt ikke er tydelig.
  2. Datakvalitet og tilgjengelighet: AI-plattformene er sterkt avhengige av data. Innsamling, rensing og strukturering av data for den nye plattformen kan være komplekst og tidkrevende.
  3. Integrasjon med eksisterende systemer: AI-plattformen må ofte integreres med andre forretningsapplikasjoner (ERP, datakilder, BI-verktøy). Dette kan medføre tekniske utfordringer.
  4. Kostnader: I tillegg til lisensutgifter kommer kostnader for implementering, opplæring, datainfrastruktur og eventuelt spesialisert personale.
  5. Opplæring og adopsjon: Ansatte må trenes i bruken av den nye plattformen og i å tolke output. Uten god opplæring og kontinuerlig støtte kan adopsjonsgraden være lav.
  6. Valg av riktig plattform og brukstilfeller: Det finnes mange AI-plattformer og -teknologier. Å velge en plattform og definere relevante brukstilfeller som passer bedriftens behov og strategiske mål er avgjørende.
  7. Etiske vurderinger og samsvar: Avhengig av bruken av AI-plattformen kan det være etiske spørsmål og samsvarskrav (f.eks. GDPR) som må håndteres nøye.
  8. Prosjektledelse: En vellykket implementering krever solid prosjektledelse, klare målsetninger og involvering av interessenter fra ulike avdelinger.

Rolle og kontekst legges til​

Å legge til en rolle og kontekst gir bedre og mer spesifikke svar.

Eksempel på samme spørsmål men med rolle og kontekst:

Prompt med mål, 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 mitigationsstrategier.

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 mitigationsstrategier:

  1. Motstand mot endring & brukeradopsjon:
    • Utfordring: Ansatte, spesielt de hvis oppgaver blir direkte påvirket, kan være motvillige til å slippe sine velkjente arbeidsmønstre og omfavne AI-drevne innsikter.
    • Mitigasjon: Involver nøkkelbrukere tidlig. Kommuniser tydelig fordelene (effektivitet, bedre beslutninger, nye innsikter). Sørg for omfattende, rollebasert opplæring og kontinuerlig støtte. Utpek AI-champions i avdelinger.
  2. Datakvalitet, -styring og -migrasjon:
    • Utfordring: Effektiviteten til AI-plattformen avhenger av god kvalitetsdata. Data fra eksisterende systemer er ofte inkonsistente, ufullstendige eller feilaktige.
    • Mitigasjon: Start med en grundig datarevisjon, definer et data-styringsrammeverk og utfør datarensing før integrasjon/migrasjon. Definer klare datamodeller og datastrømmer. Gjennomfør tester og valider data nøye.
  3. Integrasjon med eksisterende IT-infrastruktur:
    • Utfordring: Koblinger til databaser, ERP, CRM og andre forretningssystemer må fungere sømløst og sikkert.
    • Mitigasjon: Identifiser alle nødvendige integrasjoner tidlig. Velg en AI-plattform med robuste API-muligheter eller standardkonnektorer. Test integrasjoner grundig.
  4. Omfangskryp og budsjettoverskridelser:
    • Utfordring: Under prosjektet kan nye ønsker for AI-brukeroppgaver oppstå som utvider omfanget og øker kostnadene.
    • Mitigasjon: Definer et klart, avgrenset omfang med tydelige brukstilfeller (MVP - Minimum Viable Product) for første fase. Følg en streng endringsstyringsprosess. Hold realistiske prosjektplaner og budsjetter, inkludert en buffer.
  5. Valg av riktig teknologi og implementeringspartner:
    • Utfordring: AI-markedet er komplekst. Feil teknologivalg eller en uerfaren partner kan føre prosjektet til mislykkelse.
    • Mitigasjon: Gjennomfør grundig forskning på relevante AI-teknologier for definerte brukstilfeller. Velg en partner med dokumentert erfaring i din bransje og med de valgte teknologiene. Innhent referanser.
  6. Mangel på AI-kunnskap og -ferdigheter i organisasjonen:
    • Utfordring: Det kan være utilstrekkelig intern kompetanse til å bruke, vedlikeholde eller videreutvikle AI-plattformen.
    • Mitigasjon: Investér i opplæring og utdanning. Vurder å ansette spesialisert personale eller arbeid tett sammen med implementeringspartneren for kunnskapsdeling. Skap en kultur for kontinuerlig læring.
  7. Etiske vurderinger og forklarbarhet (Explainable AI):
    • Utfordring: Beslutninger tatt eller støttet av AI må være transparente og forklarbare, spesielt hvis de påvirker kunder eller ansatte. Skjevhet i data kan føre til urettferdige utfall.
    • Mitigasjon: Etabler etiske retningslinjer for bruk av AI. Velg der det er mulig modeller som er tolkbare. Implementer prosesser for å oppdage og mitigere skjevhet. Sørg for menneskelig tilsyn ved kritiske AI-beslutninger.

Ved å møte disse utfordringene proaktivt, øker vi sannsynligheten for en vellykket implementering av AI-plattformen som virkelig bidrar til virksomhetens mål.

Teknikk​

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”

Teknikk 1 - gi eksempler

Skriv et konseptbrev til kunder om en forestående planlagt systemoppdatering. Bruk vår interne retningslinje for kundekommunikasjon (legg relevante punkter fra policyen til). Bruk som stilveileder dette nyhetsbrevet nylig, men ta ikke noe innhold fra det: (legg inn innhold fra nyhetsbrev)

Den fullstendige prompten er som følger:

Interne policyer for kundekommunikasjon:

  • Vær alltid profesjonell og høflig.
  • Gi oppdateringer i tide om viktige endringer eller feil.
  • Tilby tydelig og kortfattet informasjon.
  • Sørg for en løsning eller kompensasjon hvis aktuelt.

Bruk denne stilen for nyhetsbrevet, men bruk ikke informasjon fra dette nyhetsbrevet. Kjære kunde,

Vi ønsker å informere deg om en forestående systemoppdatering som kan påvirke vår tjeneste.

Dato og klokkeslett for oppdateringen: [dato og klokkeslett] Forventet varighet av nedetid: [varighet] Berørte tjenester: [tjenester]

I løpet av denne perioden kan tjenesten vår være midlertidig utilgjengelig. Vi gjør vårt beste for å begrense ulempene og gjenopprette tjenestene så raskt som mulig.

Teknikk 1 - svaret

Nedenfor står svaret fra språkmodellen på den utvidede prompten med eksempler

Kjære kunde,

Vi ønsker å informere deg om en forestående systemoppdatering som kan påvirke vår tjeneste.

Dato og klokkeslett for oppdateringen: [dato og klokkeslett] Forventet varighet av nedetiden: [varighet] Berørte tjenester: [tjenester]

I løpet av denne perioden kan tjenesten vår være midlertidig utilgjengelig. Vi gjør vårt beste for å begrense ulempene og gjenopprette tjenestene så raskt som mulig.

Hvis du har spørsmål, ta gjerne kontakt med oss.

Med vennlig hilsen, [Ditt navn] [Din rolle] [Firmanavn] [Kontaktinformasjon]

Teknikk 2 - gi mal​

For å sikre at språkmodellen bruker et bestemt format, gi en mal og et eksempel. Dette sikrer at modellen formgir eller strukturerer svaret sitt på en bestemt måte. Du kan tenke på svært ulike formater som er nyttige i situasjoner som:

  • csv-utdata for import til Excel eller dataanalyseverktøy
  • json-utdata for API-integrasjoner eller konfigurasjonsfiler
  • Akselsplanlegg for et prosjektmøte

Eksempel prompt: Generer en liste på tre potensielle markedsføringskanaler for et nytt SaaS-produkt rettet mot SMB-er. Formater svaret slik: Kanal: Målgruppeomfang: Potensiell ROI: Påkrevde ressurser:

For eksempel: Kanal: LinkedIn Advertising Målgruppeomfang: Spesifikke stillingskoder, bransjer, bedriftsstørrelse Potensiell ROI: Høy, forutsatt målretting Påkrevde ressurser: Annonsebudsjett, innholdsproduksjon, kampanjestyring

Metoden kalles “output templates”

Teknikk 2 - gi mal

Nedenfor står svaret fra språkmodellen på prompten med en output template

Kanal: Content Marketing (Blogg & SEO) Målgruppeomfang: Bedrifter som aktivt søker etter løsninger på sine problemer, organisk trafikk Potensiell ROI: Høy på lang sikt, bygger autoritet Påkrevde ressurser: Innholdsskapere, SEO-ekspert, tid til nøkkelordforskning og innholdsmarkedsføring

Kanal: Google Ads (Søk) Målgruppeomfang: Bedrifter som aktivt søker etter spesifikke nøkkelord relatert til SaaS-produktet Potensiell ROI: Medium til høy, avhengig av konkurranse og CPC Påkrevde ressurser: Annonsebudsjett, nøkkelordforskning, landingssideoptimalisering, kampanjestyring

Kanal: E-postmarkedsføring (Lead Nurturing) Målgruppeomfang: Leads samlet via nettside, webinarer eller andre kanaler Potensiell ROI: Høy, effektiv for konvertering av leads til kunder Påkrevde ressurser: E-postmarkedsføringsplattform, innhold for e-postsekvenser, segmenteringsferdigheter

Teknikk 3 - hint​

For å sikre at språkmodellen starter og skriver på en bestemt måte, gi et hint. Her skriver vi hintet på slutten av prompten.

Eksempel prompt: Kan du oppsummere denne markedsundersøkningsrapporten for meg? (lim inn relevante deler av rapporten). Begynn svaret med: De viktigste funnene fra denne markedsundersøkelsen er:

  • LIM INN TEKSTEN FRA RAPPORTEN

Metoden kalles “ cues og hints” Dette eksempelet bruker en fiktiv rapport.

Teknikk 3 - hint

Nedenfor står svaret fra språkmodellen på prompten med et hint

De viktigste funnene fra denne markedsundersøkelsen er:

  • Etterspørselen etter skybasert prosjektstyringsprogramvare blant SMB-er har økt med 35 % de siste to årene.
  • Viktigste beslutningsfaktorer for SMB-er 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 retter seg mot spesifikke nisjer eller som tilbyr en overlegen brukeropplevelse.
  • De største utfordringene for SMB-er ved innføring av ny programvare er den initiale investeringen og tiden som kreves for opplæring av ansatte.
  • Det forventes at markedet vil fortsette å vokse årlig med 15 % de neste fem årene.

Teknikk 4 - splitt innholdet av instruksjoner​

Noen ganger er prompten veldig lang på grunn av ekstra innhold og modellen tolker kanskje ikke nøyaktig hva du vil. Splitt da innholdet med tre anførselstegn i starten og slutten av teksten til resten av prompten.

Eksempel prompt: Kan du oppsummere denne artikkelen for meg? “”” (plasser artikkeltekst her). “”” Begynn svaret med: De viktigste punktene i denne artikkelen er:

Metoden kalles “content splitsing” Dette eksempelet bruker igjen en artikkel fra nettet: https://www.leraar24.nl/2619420/onderwijs-op-afstand-wat-hebben-we-geleerd/

Teknikk 4 - content splitsing

Nedenfor står svaret fra språkmodellen på prompten med delt innhold. Vi bruker tre anførselstegn eller tre stjerner for å skille konteksten av forespørselen.

De viktigste punktene i denne artikkelen er:

  • Under koronautbruddet måtte lærere finne strategier og teknikker for å gjøre fjernundervisning så effektiv som mulig, mens foreldre fikk en større rolle i å støtte barna.
  • Viktige faktorer for vellykket fjernundervisning var å organisere en strukturert dagsplan, opprettholde åpen kommunikasjon mellom lærer og elev, og gjøre veloverveide valg om hvilke deler av undervisningen som kunne gjøres online eller på papir.
  • Utfordringer gjelder å finne måter å støtte sårbare elever på og den ekstra belastningen som er lagt på foreldre, spesielt de som også jobber hjemme.
  • Det var en rask økning i digitalisering i skoler, med tillegg av nye digitale verktøy og metoder. Artikkelen nevner eksempelet på lærer Mandy de Vries, som til tross for sin korte erfaring i undervisningen, kunne hjelpe kollegaer gjennom sine digitale ferdigheter.
  • Artikkelen fremhever også viktigheten av varig kontakt og oppmerksomhet mot elever, spesielt de i spesialundervisning, og gir praktiske tips for å oppnå dette, både for lærere og foreldre.
  • Til slutt håper man at foreldrenes engasjement i elevenes fjernundervisning også etter pandemien vil fortsette.

Teknikk 5 - be om mer informasjon først​

Du kan gi instruksjoner om å stille yderligere spørsmål før svaret genereres. Dette hjelper modellen å avklare og spesifisere forespørselen.

Eksempel prompt: “Jeg vil utarbeide et prosjektforslag for utviklingen av en ny mobilapp for intern kommunikasjon. Appen skal inneholde nyhetsoppdateringer, et ansiktsregister og direktemeldinger. Før du skriver prosjektforslaget, kan du stille meg noen ytterligere spørsmål for å forbedre forslaget?”

Metoden kalles “ask before answer prompting”

Techniek 5 - vraag eerst aanvullende informatie

Nedenfor står svaret fra språkmodellen på prompten med spørsmålet om tilleggsinformasjon

Selvfølgelig! Her er noen spørsmål jeg kan stille for å forbedre prosjektforslaget: Hva er hovedmålet med den interne kommunikasjonsappen? (f.eks. øke deltakelse, forbedre informasjonsdeling, lette samarbeid) Hvem er den spesifikke målgruppen i bedriften? (f.eks. alle ansatte, bestemte avdelinger, feltarbeidere) Er det eksisterende systemer eller plattformer som appen må integrere med? (f.eks. intranett, HR-system, Active Directory) Hva er budsjettet og ønsket tidslinje for utvikling og implementering? Er det spesifikke sikkerhets- eller samsvarskrav som appen må oppfylle? (f.eks. GDPR, dataprosesspolicy) Hvilke nøkkelytelsesindikatorer (KPI-er) vil bli brukt til å måle suksess? Er det ideer om design eller merkevare for appen? Bør den samsvare med organisasjonens identitet? Er det en preferanse for utviklingsplattform (iOS, Android, kryssplattform)?

Med disse tilleggsopplysningene får vi et bedre bilde av omfanget og kravene, og kan dermed utforme et sterkere prosjektforslag.

Teknikk 6 - emosjonell prompt​

Du kan gi instruksjoner om tonen i teksten tilpasses etter følelsene som ligger til grunn, eller for å fremkalle en spesifikk følelsesmessig 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 en nylig tjenesteavbrudd. Kunden har skrevet følgende: “”” … ””” (lim inn kundens tekst) Jeg vil at e-posten skal være empatisk, erkjenne kundens frustrasjon og tilby en konstruktiv løsning.”

Metoden kalles “emotional prompting” Dette eksempelet bruker en fiktiv klage.

Den fullstendige prompten blir 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 den uforutsette tjenesteavbruddet i går ettermiddag. Dette har forstyrret vår virksomhet alvorlig og resultert i produktivitets-tap. Vi stoler på deres tjenester, og slike hendelser er uakseptable. Jeg forventer en tydelig forklaring og en passende kompensasjon."""

Jeg vil at e-posten skal være empatisk, erkjenne kundens frustrasjon, og tilby en konstruktiv løsning.

Teknikk 6 - emosjonell prompt

Nedenfor står svaret vi fikk fra språkmodellen

Kjære [Kundens navn],

Takk for din henvendelse og våre oppriktige unnskyldninger for tjenesteavbruddet som du opplevde i går ettermiddag. Jeg forstår din frustrasjon fullt ut og den påvirkningen dette har hatt på driften din. Vi beklager dypt at vi ikke oppfylte dine forventninger og våre tjenestestandarder.

Nedetid var forårsaket av [kort, tydelig forklaring på årsak, f.eks. en uforutsett teknisk feil i vårt datasenter]. Vi har umiddelbart iverksatt tiltak, og teknikerne våre har jobbet hardt for å gjenopprette tjenesten så raskt som mulig. Tjenesten er helt oppe igjen siden [tidspunkt].

Vi tar denne hendelsen svært seriøst og vurderer årsaken for å forhindre gjentakelse i fremtiden.

For å dempe ulempene litt, tilbyr vi gjerne [konkret forslag, f.eks. rabatt på neste faktura / gratis oppgradering i en måned / en tjenestekreditt]. En av våre kontoadministratorer vil ta kontakt med deg innen 24 timer for å diskutere dette personlig og svare på eventuelle ytterligere spørsmål.

Igjen vår beklagelse for ulempene. Vi setter pris på kundene dine og streber etter å levere pålitelig tjeneste i fremtiden som du kan forvente.

Med vennlig hilsen,

[Ditt navn/Firmanavn]

Teknikk 7 - be om flere versjoner​

Du kan be om flere versjoner av et svar, slik at du har valgmuligheter. Du kan for eksempel be modellen generere flere markedsføringsutsagn for et nytt produkt. Det finnes mange ulike vinkler, så det lønner seg å få flere alternativer. Dette kan kombineres effektivt med å sette modellen i en bestemt rolle og en systemprompt for å styre modellen videre.

Du kan lese mer om roller i det relevante artikkelen. Dette eksempelet med flere versjoner ligger helt nederst i artikkelen. Det gjentas ikke i sin helhet her.

Teknikk 8 - Kombinasjon med en systemprompt​

Med en systemprompt kan du gi instruksjoner til AI-modellen. Det er en instruksjon du kan gi modellen for å spesifisere oppgaven eller atferden til modellen. Den angir hva slags output du forventer av AI-modellen. Dette er en måte å styre modellen på og å forhindre irrelevante eller uønskede svar.

Noen eksempler på enkle og generelle systemprompter:

"Jeg vil at du skal være en vennlig og hjelpsom assistent."

"Hold alltid et profesjonelt og respektfullt språk."

"Fokuser på å gi konkrete, rett-på-saken svar uten unødvendige detaljer."

Systemprompten setter med andre ord tonen og forventningene for den spesifikke samtalen eller oppgaven du ønsker å få AI-modellen til å utføre.

Du kan også lage mer avanserte systemprompter for spesifikke oppgaver, for eksempel å oppsummere en tekst: "Analyser den gitte teksten nøye og gi en kort, men informativ oppsummering av hovedpoengene. Identifiser kjernen budskapet og viktige detaljer."

Systemprompter har ikke samme innflytelse på alle AI-modeller. Hos chatGPT fungerer det veldig sterkt, også hos Claude; hos andre modeller kan påvirkningen være mindre. Dette er derfor interessant å prøve og se hvilken modell som fungerer best for din input.

Du kan sette en generell systemprompt i innstillinger, men det beste er å lage disse systempromptene per oppgave du vil automatisere. Vi kaller dette roller.

Du kan lese mer om roller i det relevante artikkelen.