Gå till huvudinnehållet

Prompt engineering

Prompt Engineering betyder enkelt sagt att ställa bra frågor till AI. En prompt är din input med din fråga eller begäran.

Prompt engineering innebär att vi tänker ut målmedvetna frågor och ledtrådar för att hjälpa AI-modeller att ge rätt svar under samtal. Med bättre prompts får du bättre resultat.

Tillsammans med specifikationerna för den valda modellen är detta avgörande för kvaliteten på svaret.

Elementen i en prompt (fråga)​

För att få bättre resultat bör du tänka på följande punkter:

  • Mål: vad vill du exakt ha från språkmodellen?
  • Roll: vilken roll har språkmodellen? (t.ex. 'Marknadsanalytiker', 'Juridisk rådgivare', 'Projektledare')
  • Kontext: bakgrundsinformation om begäran (t.ex. företagsmål, projektdetaljer, marknadsinformation)
  • Stil: vilken stil vill du använda? (t.ex. formell, övertygande, kortfattet)
  • Output: vilket format vill du ha? (t.ex. en rapport, e-post, presentationsöversikt, kodsnutt)

Målet​

Att exakt beskriva målet med din fråga är viktigt och får inte utelämnas.

Vad vill du veta?

  • Faktafrågor kan förekomma, men var medveten om begränsningarna (t.ex. uppdaterad kunskap saknas)
  • Precis som i Google får du inte exakt samma svar om du frågar igen och igen
  • Fördelen är chat-funktionen så att du kan ställa följdfrågor

Exempelprompt med ett tydligt mål:

Prompt med endast mål

Ge en beskrivning av de viktigaste utmaningarna vid implementeringen av en ny AI-plattform i ett medelstort företag.

Att implementera en ny AI-plattform i ett medelstort företag innebär olika utmaningar. Några viktiga utmaningar är:

  1. Motstånd mot förändringar: Anställda är vana vid befintliga processer och system. En ny AI-plattform kräver anpassning och kan framkalla motstånd, särskilt om påverkan på arbetsflöden inte är tydlig.
  2. Datakvalitet och -tillgänglighet: AI-plattformar är starkt beroende av data. Att samla in, rengöra och strukturera data för den nya plattformen kan vara komplext och tidskrävande.
  3. Integration med befintliga system: AI-plattformen måste ofta integreras med andra företagsapplikationer (ERP, datakällor, BI-verktyg). Detta kan ge tekniska utmaningar.
  4. Kostnader: Förutom licenskostnaderna till plattformen finns det kostnader för implementering, utbildning, datainfrastruktur och eventuellt specialpersonal.
  5. Utbildning och adoption: Anställda måste utbildas i hur man använder den nya plattformen och tolkar output. Utan bra utbildning och kontinuerligt stöd kan adoptionsgraden vara låg.
  6. Val av rätt plattform och användningsfall: Det finns många AI-plattformar och teknologier. Att välja en plattform och definiera relevanta use cases som passar företagets behov och strategiska mål är viktigt.
  7. Etiska överväganden och efterlevnad: Beroende på tillämpningen kan etiska frågor och efterlevnad (t.ex. AVG/GDPR) krävas som behöver hanteras noggrant.
  8. Projektledning: En framgångsrik implementering kräver gedigen projektledning, tydliga mål och involvering av intressenter från olika avdelningar.

Roll och kontext lägga till​

Att lägga till en roll och kontext ger bättre och mer specifika svar.

Exempel på samma fråga men med roll och kontext:

Prompt med mål, roll och kontext

Som projektledare ansvarig för implementering av en ny AI-plattform för dataanalys och processoptimering hos en B2B-tjänsteleverantör med 150 anställda, ge en beskrivning av de viktigaste utmaningarna och möjliga mitigationsstrategier.

Som projektledare för implementering av en ny AI-plattform för dataanalys och processoptimering hos en B2B-tjänsteleverantör med 150 anställda, ser jag följande viktiga utmaningar och möjliga mitigationsstrategier:

  1. Motstånd mot förändring & användaracceptans:
    • Utmaning: Anställda, särskilt de vars uppgifter direkt påverkas, kan motvilligt släppa sina välkända arbetsmetoder och anamma de nya AI-drivna insikterna.
    • Mitigation: Inkludera nyckelanvändare tidigt. Kommunicera tydligt fördelarna (effektivitet, bättre beslutsfattande, nya insikter). Säkerställ omfattande, rollbaserad utbildning och kontinuerligt stöd. Utse AI-champions inom avdelningar.
  2. Datakvalitet, -styrning och - migration:
    • Utmaning: AI-plattformens effektivitet beror på högkvalitativt, välskött data. Data från befintliga system är ofta inkonsekvent, ofullständig eller felaktig.
    • Mitigation: Starta med en grundlig datarevision, definiera ett data-styrningsramverk och utför data-rensning före integration/migration. Definiera tydliga datamodeller och flöden. Utför tester och validera data noggrant.
  3. Integration med befintlig IT-infrastruktur:
    • Utmaning: Kopplingar till befintliga datakällor, ERP, CRM och andra system måste fungera sömlöst och säkert.
    • Mitigation: Identifiera alla nödvändiga integrationer tidigt. Välj en AI-plattform med robusta API-möjligheter eller standardförbindelser. Testa integrationer noggrant.
  4. Scope Creep & budgetöverskridningar:
    • Utmaning: Under projektet kan nya önskemål uppstå som gör omfattningen bredare och kostnaderna högre.
    • Mitigation: Definiera en tydlig, avgränsad scope med klara användningsfall (MVP - Minimum Viable Product) för första fasen. Håll strikt förändringshanteringsprocess. Ha realistisk projektplanering och budget, inklusive en buffert.
  5. Val av rätt teknik och implementeringspartner:
    • Utmaning: AI-marknaden är komplex. Fel teknikval eller en oerfaren partner kan få projektet att misslyckas.
    • Mitigation: Gör grundlig utvärdering av lämpliga AI-teknologier för de definierade användningsfallen. Välj en partner med dokumenterad erfarenhet i din bransch och med de valda teknologierna. Begär referenser.
  6. Brist på AI-kunskap och -färdigheter inom organisationen:
    • Utmaning: Det finns eventuellt otillräcklig intern expertis att använda, underhålla eller vidareutveckla AI-plattformen.
    • Mitigation: Investera i träning och utbildning. Överväg att anlita specialiserad personal eller arbeta nära implementeringspartnern för kunskapsöverföring. Skapa en kultur av kontinuerligt lärande.
  7. Etiska överväganden och förklarbarhet (Explainable AI):
    • Utmaning: Beslut som fattas eller stödjs av AI måste vara transparenta och förklarbara, särskilt om de påverkar kunder eller medarbetare. Bias i data kan leda till orättvisa utfall.
    • Mitigation: Sätt upp etiska riktlinjer för användning av AI. Välj där det går modeller som är tolkbara. Inför processer för att upptäcka och mitigera bias. Säkerställ mänsklig övervakning av kritiska AI-beslut.

Genom att proaktivt tackla dessa utmaningar ökar vi sannolikheten för en framgångsrik implementering av AI-plattformen som faktiskt bidrar till företagets mål.

Tekniker​

Vi beskriver nedan några tekniker du kan använda vid mer avancerade prompts.

Teknik 1 - ge exempel​

För att säkerställa att språkmodellen använder samma stil som du vill, ge ett eller två exempel.

Metoden kallas “one & few-shot prompting”

Teknik 1 - ge exempel

Skriv ett utkast till e-post till kunder om en kommande planerad systemuppdatering. Använd vår interna policy för kundkommunikation (lägg till relevanta punkter ur policyn). Använd som stilriktlinje denna senaste nyhetsbrev, men ta inte någon innehåll från nyhetsbrevet. Bästa kund,

Vi vill informera dig om en kommande systemuppdatering som kan påverka vår tjänst.

Datum och tid för uppdateringen: [datum och tid] Förväntad varaktighet på avbrottet: [varaktighet] Berörda tjänster: [tjänster]

Under denna period kan vår tjänst vara tillfälligt avbruten. Vi gör vårt bästa för att minimera störningen och återställa tjänsterna så snart som möjligt.

Teknik 1 - svaret

Nedan finns svaret från språkmodellen på den detaljerade prompten med exempel

Beste kund,

Vi vill informera dig om en kommande systemuppdatering som kan påverka vår tjänst.

Datum och tid för uppdateringen: [datum och tid] Förväntad varaktighet på avbrottet: [varaktighet] Berörda tjänster: [tjänster]

Under denna period kan vår tjänst vara tillfälligt avbruten. Vi gör vårt bästa för att minimera störningen och återställa tjänsterna så snart som möjligt.

Om du har frågor, vänligen kontakta oss.

Med vänlig hälsning, [Ditt namn] [Din befattning] [Företagsnamn] [Kontaktinformation]

Teknik 2 - ge mall​

För att säkerställa att språkmodellen använder ett visst format, ge en mall och ett exempel. Detta ser till att modellen formar sitt svar på ett specifikt sätt. Du kan tänka på mycket olika format som är användbara i situationer som:

  • csv-utdata för import till Excel eller dataanalysverktyg
  • json-utdata för API-integrationer eller konfigurationsfiler
  • Projektmötesschema

Exempelprompt: Generera en lista på tre potentiella marknadsföringskanaler för en ny SaaS-produkt riktad till små och medelstora företag. Formatera ditt svar enligt följande: Kanal: Målgruppsbredd: Potentiell ROI: Nödvändiga resurser:

Till exempel: Kanal: LinkedIn Advertising Målgruppsbredd: Specifika jobbtitlar, industrier, företagets storlek Potentiell ROI: Hög, om väl riktat Nödvändiga resurser: Annonsbudget, innehållsskapande, kampanjhantering

Metoden kallas “output templates”

Teknik 2 - ge mall

Nedan finns svaret från språkmodellen på prompten med en output-template

Kanal: Content Marketing (Blogg & SEO) Målgruppsbredd: Företag som aktivt söker lösningar på sina problem, organiskt trafik Potentiell ROI: Hög på lång sikt, bygger auktoritet Nödvändiga resurser: Innehållsskrivare, SEO-specialist, tid för nyckelordsforskning och innehållsförsäljning

Kanal: Google Ads (Sök) Målgruppsbredd: Företag som aktivt söker efter specifika nyckelord relaterade till SaaS-produkten Potentiell ROI: Medelhög till hög, beroende på konkurrens och CPC Nödvändiga resurser: Annonsbudget, nyckelordsforskning, landningssidesoptimering, kampanjhantering

Kanal: E-postmarknadsföring (Lead Nurturing) Målgruppsbredd: Leads samlade via webbplats, webbinarier eller andra kanaler Potentiell ROI: Hög, effektiv för konvertering av leads till kunder Nödvändiga resurser: E-postmarknadsplattform, innehåll för e-postsekvenser, segmentering

Teknik 3 - ge en hint​

För att säkerställa att språkmodellen börjar och skriver på ett visst sätt, ge en ledtråd i slutet av prompten.

Exempelprompt: Kan du sammanfatta denna marknadsundersökningsrapport för mig? (klistra in relevanta avsnitt av rapporten). Börja ditt svar med: De viktigaste resultaten från denna marknadsundersökning är:

  • KLISKA IN TEXTEN FRÅN RAPPORTEN

Metoden kallas “ cues och hints” Detta exempel använder en fiktiv rapport.

Teknik 3 - ge en hint

Nedan finns svaret från språkmodellen på prompten med en hint

De viktigaste resultaten från denna marknadsundersökning är:

  • Efterfrågan på molnbaserad projektledningsprogramvara för små och medelstora företag har ökat med 35% de senaste två åren.
  • Viktiga beslutsfaktorer för SMB-företag är användarvänlighet, integrationsmöjligheter med befintliga verktyg och prissättning.
  • Konkurrent A har en marknadsandel på 25%, följt av Konkurrent B med 18%. Det finns utrymme för nya aktörer som fokuserar på specifika nischer eller erbjuder en överlägsen användarupplevelse.
  • De största utmaningarna för SMB-företag vid adoption av ny programvara är initial investering och den tid som krävs för utbildning av medarbetare.
  • Förväntningen är att marknaden kommer att fortsätta växa med cirka 15% årligen under de kommande fem åren.

Teknik 4 - dela upp innehåll av instruktioner​

Ibland är prompten väldigt lång på grund av extra innehåll och språkmodellen tolkar inte exakt vad du vill. Dela upp innehållet med tre citattecken i början och slutet av texten som utgör resten av prompten.

Exempelprompt: Kan du sammanfatta den här artikeln åt mig? “”” (lägg din artikeltext här). “”” Börja ditt svar med: De viktigaste punkterna i den här artikeln är:

Metoden kallas “innehållsdela upp” Detta exempel använder återigen en artikel från nätet: https://www.leraar24.nl/2619420/onderwijs-op-afstand-wat-hebben-we-geleerd/

Teknik 4 - innehållsdela upp

Nedan finns svaret från språkmodellen på prompten med uppdelat innehåll. Vi använder tre citattecken eller tre asterisker för att separera sammanhanget av frågan.

De viktigaste punkterna i den här artikeln är:

  • Under COVID-19-pandemin var lärare tvungna att komma på strategier och tekniker för att göra distansundervisning så effektiv som möjligt, samtidigt som föräldrar tog en större roll i att stödja sina barn.
  • Viktiga faktorer för framgångsrik distansundervisning var att organisera en strukturerad dagens rutin, upprätthålla en öppen kommunikation mellan lärare och elev, och göra genomtänkta val om vilka delar av lektionerna som kunde göras online eller på papper.
  • Utmaningar innefattade att hitta sätt att stödja sårbara elever och den extra bördan på föräldrar, särskilt de som även arbetar hemma.
  • Det skedde en snabb digitalisering i skolor, med tillägg av nya digitala verktyg och metoder. Artikeln nämner exempelvis läraren Mandy de Vries, som trots kort erfarenhet i undervisningen kunde hjälpa sina kollegor med sina digitala färdigheter.
  • Artikeln betonar också vikten av kontinuerlig kontakt och uppmärksamhet för elever, särskilt de i särskolan, och erbjuder praktiska tips för detta, både för lärare och föräldrar.
  • Slutligen hoppas man att engagemanget hos föräldrar i deras barns utbildning på distans fortsätter även efter pandemin.

Teknik 5 - först begär extra information​

Du kan ge instruktioner att först ställa kompletterande frågor innan svaret genereras. På så sätt hjälper du språkmodellen att förfina och specificera din begäran.

Exempelprompt: “Jag vill skriva ett projektförslag för utvecklingen av en ny mobilapplikation för intern kommunikation. Appen ska innehålla nyhetsuppdateringar, ett kontaktkatalog och direktmeddelanden. Innan du skriver projektförslaget, kan du ställa mig några kompletterande frågor för att förbättra förslaget?”

Metoden kallas “ask before answer prompting”

Teknik 5 - ask before answer prompting

Nedan finns svaret från språkmodellen på prompten med frågan om kompletterande information

Självklart! Här är några frågor jag kan ställa för att förbättra projektförslaget:

  • Vad är det primära målet med den interna kommunikations-appen? (t.ex. öka engagemang, förbättra informationsspridning, underlätta samarbete)
  • Vilken är den specifika målgruppen inom företaget? (t.ex. alla medarbetare, specifika avdelningar, fältmedarbetare)
  • Finns det befintliga system eller plattformar som appen måste integrera med? (t.ex. intranät, HR-system, Active Directory)
  • Vilken budget och vilken tidsram är för utveckling och implementering?
  • Finns det specifika säkerhets- eller efterlevnadskrav som appen måste uppfylla? (t.ex. GDPR, dataretention)
  • Vilka KPI:er kommer att användas för att mäta appens framgång?
  • Finns det redan idéer om design eller varumärke för appen? Ska den följa organisationens identitet?
  • Finns det en preferens för utvecklingsplattform (iOS, Android, cross-platform)?

Med denna extra information kan vi få en bättre bild av omfattningen och kraven och därmed skapa ett starkare projektförslag.

Teknik 6 - känslomässig prompt​

Du kan instruera att tonen i texten anpassas till underliggande känslor eller att ett speciellt känslomässigt svar väcks. Detta är användbart för kundtjänst, intern kommunikation eller marknadsföring.

Exempelprompt: “Jag behöver skriva ett e-postmeddelande till en kund som är missnöjd med en nyligen genomförd serviceavbrott. Kunden har skrivit följande: ””” … ””” (klistra in kundens text) Jag vill att e-posten är empatisk, erkänner kundens frustration och erbjuder en konstruktiv lösning.”

Metoden kallas “emotional prompting” Detta exempel använder ett fiktivt klagomål.

Den fullständiga prompten blir då:

Jag behöver skriva ett e-postmeddelande till en kund som är missnöjd med en nyligen genomfört serviceavbrott. Kunden har följande skrivit: """Bästa, jag är mycket missnöjd med det oväntade serviceavbrottet igår eftermiddag. Det har stör företagsverksamheten allvarligt och lett till förlorad produktivitet. Vi litar på era tjänster och denna typ av incidenter är oacceptabla. Jag förväntar mig en tydlig förklaring och en lämplig kompensation."""

Jag vill att e-posten är empatisk, erkänner kundens frustration och erbjuder en konstruktiv lösning.

Teknik 6 - känslomässig prompt

Nedan finns svaret som vi fick från språkmodellen

Geachte [Kundens namn],

Tack för ditt meddelande och våra uppriktiga ursäkter för serviceavbrottet som du upplevde igår eftermiddag. Jag förstår fullt ut din frustration och den påverkan detta har haft på din verksamhet. Vi beklagar verkligen att vi inte uppfyllde dina förväntningar och våra servicenivåer.

Avbrottet orsakades av [kort, tydlig förklaring av orsak, t.ex. en oförutsedd teknisk störning i vårt datacenter]. Vi har vidtagit omedelbara åtgärder och våra tekniker har arbetat hårt för att återställa tjänsten så snabbt som möjligt. Tjänsten är helt återställd sedan [tidpunkt].

Vi tar incidenten mycket allvarligt och pågår redan en utvärdering av orsaken för att förhindra att det upprepas i framtiden.

För att kompensera dig för besväret kan vi gärna erbjuda [konkret förslag, t.ex. rabatt på din nästa faktura / gratis uppgradering i en månad / en serviscredit]. En av våra kontoansvariga kommer att kontakta dig inom 24 timmar för att diskutera detta personligen och besvara eventuella ytterligare frågor.

Återigen våra ursäkter för besväret. Vi värdesätter din kundrelation och strävar efter att i framtiden erbjuda den pålitliga tjänsten du förväntar dig av oss.

Med vänliga hälsningar,

[Ditt namn/Företagsnamn]

Teknik 7 - flera versioner​

Din fråga här kan föreslå flera versioner av ett svar så att du har valmöjligheter. Till exempel kan du vilja att modellen hjälper dig att generera olika slogans för ett nytt produkt. Det finns många olika infallsvinklar, så du vill gärna ha flera alternativ. Detta kan kombineras effektivt med att sätta en viss roll för modellen och en systemprompt.

Du kan läsa mer om roller i det relevanta artikeln. Detta exempel med flera versioner står längst ner i artikeln. Det upprepas inte här helt.

Teknik 8 - Kombinera med en systemprompt​

Med en systemprompt kan du ge uppgifter till AI-modellen. Det är en instruktion som du kan ge modellen för att formulera uppgiften eller modellens beteende på ett specifikt sätt. Du kan ange vilken typ av output du förväntar dig, och det är ett sätt att styra modellen och förhindra att den ger irrelevanta eller oönskade svar.

Några exempel på enkla och allmänna systemprompter:

"Jag vill att du är en vänlig och hjälpsam assistent."

"Fortsätt alltid vara professionell och respektfull i ditt språkbruk."

"Fokusera på att ge konkreta, kärnfulla svar utan onödiga detaljer."

Systemprompten sätter i princip tonen och förväntningarna för den specifika konversationen eller uppgiften du vill att AI-modellen ska utföra.

Du kan också skapa mer avancerade systemprompter för specifika uppgifter, som sammanfattning av en text: "Analysera den givna texten noggrant och ge en kort men informativ sammanfattning av de viktigaste poängerna. Identifiera kärnbudskapet och huvuddetaljerna."

Systemprompter har inte samma påverkan på varje AI-modell. Hos chatGPT fungerar det mycket starkt, hos Claude också; hos andra modeller är effekten av en systemprompt mindre stor. Spännande att prova och se vilken modell som fungerar bäst för din input.

Du kan ställa in en allmän systemprompt i preferenser, men det bästa är att du tänker ut dessa systemprompter per uppgift som du vill automatisera. Vi kallar detta roller.

Du kan läsa mer om roller i det relevanta artikeln.