Wat zijn de basisprincipes van vragen?

Een aanwijzing is de invoer of opdracht die wordt gegeven aan een AI-systeem met de instructie om een specifieke taak uit te voeren of een specifiek antwoord te genereren.

Een van de eenvoudigste soorten aanwijzingen is een basisvraag met een enkelvoudig correct antwoord, zoals:

Prompt: Wat is 's werelds grootste bos?

Output: Het grootste bos ter wereld is het Amazone regenwoud.

Een iets complexere prompt zou kunnen zijn om de AI te vragen om:

Prompt: Maak een lijst van de drie grootste bossen, in volgorde van hun oppervlakte.

Uitvoer:

1. Amazon Rainforest - Zuid-Amerika
2. Taiga of Boreal Forest - Noord-Amerika, Europa en Azië
3. Het Congo-regenwoud - Centraal-Afrika

Prompts bepalen de kwaliteit van specifieke uitvoer van generatieve AI-systemen. Het creëren van solide prompts die relevante en bruikbare resultaten opleveren, is de sleutel tot het succesvol gebruiken van generatieve AI. Generatieve AI-systemen vertrouwen op het verfijnen van prompt-engineeringtechnieken om te leren van diverse data, vooroordelen te minimaliseren en verwarring te verminderen en nauwkeurige reacties te produceren.

Prompt engineers maken query's die AI-systemen helpen de taal, nuance en intentie achter een prompt te begrijpen. Een goed vervaardigde, grondige prompt heeft een aanzienlijke invloed op de kwaliteit van AI-gegenereerde inhoud, of het nu gaat om afbeeldingen, code, gegevenssamenvattingen of tekst.

Effectieve prompts overbruggen de kloof tussen onbewerkte query's en zinvolle AI-antwoorden. Prompt engineers verfijnen prompts om de kwaliteit en relevantie van modeloutputs te verbeteren, waarbij zowel specifieke als algemene behoeften worden aangepakt. Dit proces vermindert de behoefte aan handmatige controle en nabewerking, wat tijd en moeite bespaart bij het bereiken van de gewenste resultaten.

Voorbeelden van promptengineering

Gebruikers hebben interactie met modellen met generatieve AI via tekstprompts. De modellen voorspellen de volgende reeks woorden op basis van de vorige tekst. Denk aan de vraag “Wat is het eerste waar je aan denkt als ik <prompt> zeg?” Als u bijvoorbeeld vraagt met de beginwoorden van een bekend citaat of een bekende zin, kan het model de tekst nauwkeurig voortzetten:

Prompt: Het gras is

Output: groen.

Meer betrokken prompts werken op dezelfde manier, omdat het model reageert met zijn idee van het meest waarschijnlijke antwoord. Prompt engineering technieken helpen het AI-systeem om aanvragen en instructies beter te begrijpen, waardoor de kwaliteit van modeluitvoer wordt verbeterd.

Wat zijn enkele eenvoudige aanwijzingsmethoden?

Zero-shot prompting

Dit houdt in dat het model een directe taak moet krijgen zonder voorbeelden of context te geven. Er zijn verschillende manieren om deze methode te gebruiken:

• Vraag: Dit vraagt om een specifiek antwoord en is nuttig voor het verkrijgen van eenvoudige, feitelijke antwoorden. Voorbeeld: Wat zijn de belangrijkste oorzaken van klimaatverandering?
• Instructie: dit geeft AI de opdracht om een bepaalde taak uit te voeren of informatie in een specifieke indeling te verstrekken. Het is effectief voor het genereren van gestructureerde antwoorden of het voltooien van gedefinieerde taken. Voorbeeld: vermeld de vijf belangrijkste effecten van klimaatverandering op het milieu en geef een korte toelichting voor elk ervan.

Het succes van zero-shot prompting hangt af van de specifieke taken die het model heeft getraind om goed uit te voeren, naast de complexiteit van de gegeven taak.

Beschouw dit voorbeeld: Leg uit hoe ontbossing bijdraagt aan klimaatverandering.

Het is mogelijk dat de gegenereerde reactie ongeveer 2.000 woorden zal zijn, te lang en te breed om nuttig te zijn als u maar één zin nodig hebt. Als dat het geval is, is het tijd om de aanpak te verfijnen met een- of few-shot vragen:

Enkelvoudige aanwijzing

Dit is een enkel voorbeeld om de gewenste responsindeling of -stijl te illustreren, waardoor het model efficiënter wordt begeleid dan het vragen om een nulopname. Voorbeeld:

Voorbeeld: Door het verbranden van fossiele brandstoffen komt koolstofdioxide vrij, waardoor warmte in de atmosfeer wordt gevangen, wat leidt tot opwarming van de aarde.

Leg nu uit hoe industriële landbouw bijdraagt aan klimaatverandering.

Few-shot vragen

Deze aanpak biedt meerdere voorbeelden van het model, waardoor het beter inzicht krijgt in de taak en verwachte output. Dit is vooral handig voor complexere query's of het genereren van genuanceerde antwoorden. Voorbeeld:

Voorbeelden:

• Door de verbranding van fossiele brandstoffen in voertuigen komen broeikasgassen vrij, waardoor de atmosferische temperaturen toenemen.
• Ontbossing vermindert het aantal bomen dat koolstofdioxide kan absorberen, waardoor de opwarming van de aarde wordt geïntensiveerd.
• Industriële landbouw produceert methaan uit vee, wat bijdraagt aan het broeikaseffect.

Beschrijf nu hoe verstedelijking de klimaatverandering beïnvloedt.

Prompt engineering technieken

Geavanceerde prompttechnieken helpen generatieve AI-tools om complexe taken succesvoller aan te pakken. Prompt engineers gebruiken de volgende technieken voor snelheid en efficiëntie:

• Contextualisatie: achtergrondinformatie binnen de prompt bieden om het model te helpen het onderwerp beter te begrijpen. Voorbeeld: aangezien de wereldwijde temperatuur sinds de pre-industriële tijd met 1,2 graden Celsius is gestegen, kunt u de potentiële effecten op poolijskappen bespreken.
• Roltoewijzing: het model instrueren om te reageren als een specifiek type expert of in een bepaalde stijl. Voorbeeld: leg als milieuwetenschapper de relatie tussen broeikasgasemissies en klimaatverandering uit.
• Promptinjectie: het invoegen van specifieke instructies die het model beïnvloeden om de gewenste uitgangen te produceren vanuit een specifiek oogpunt, met behoud van relevantie en nauwkeurigheid. Voorbeeld: licht de oorzaken van klimaatverandering toe. Herinner de lezer er ook aan om zijn CO2-voetafdruk te verkleinen door gebruik te maken van hernieuwbare energiebronnen.
• Sequentiële aanwijzingen: breek complexe query's op in kleinere, beheersbare onderdelen om duidelijkheid en diepte te garanderen. Voorbeeld: beschrijf eerst de belangrijkste bronnen van methaanemissies. Leg vervolgens uit hoe deze bronnen bijdragen aan klimaatverandering.
• Vergelijkende prompts: het model vragen om verschillende aspecten van een onderwerp te vergelijken en te contrasteren om een evenwichtig perspectief in het antwoord te bieden. Voorbeeld: vergelijk het effect van de invoering van hernieuwbare energie op de vermindering van de CO2-voetafdruk in ontwikkelde landen ten opzichte van ontwikkelingslanden.
• Hypothetische scenario's: gebruik hypothetische scenario's om potentiële resultaten of gevolgen te onderzoeken. Voorbeeld: wat als alle landen tegen 2030 koolstofneutraal beleid voeren? Welke invloed zou dit hebben op de wereldwijde temperatuurtrends?
• Feedbackintegratie: feedback geven over eerdere antwoorden om volgende modeluitvoer te verfijnen en te verbeteren. Voorbeeld: eerder zei u dat ontbossing een belangrijke bijdrage levert aan de klimaatverandering. Kunt u nu ingaan op specifieke ontbossingspraktijken die de grootste impact hebben?
• Uitgangspunt: het AI-systeem aanmoedigen om het redeneringsproces stap voor stap uit te leggen. Voorbeeld: leg uit hoe industriële activiteiten bijdragen aan klimaatverandering. Begin met de winning van grondstoffen, bespreek vervolgens het productieproces en ten slotte de emissies van eindproducten.
• Zelfconsistentie: meerdere antwoorden genereren voor dezelfde prompt en het meest consistente antwoord selecteren. Voorbeeld: wat zijn de belangrijkste oorzaken van de opwarming van de aarde? Geef drie verschillende antwoorden en identificeer vervolgens de gemeenschappelijke factoren.
• Boom van gedachten: het verkennen van verschillende lijnen van redeneren of oplossingen voor een probleem. Voorbeeld: overweeg drie strategieën om de CO2-uitstoot te verminderen: hernieuwbare energie, koolstofafvang en herbebossing. Bespreek de voor- en nadelen van elke aanpak.
• Ophalen van uitgebreide generering: antwoorden verbeteren met informatie die is opgehaald uit externe databases of documenten. Voorbeeld: op basis van het meest recente verslag van de Intergouvernementele Werkgroep inzake klimaatverandering wordt een samenvatting gegeven van de verwachte effecten van klimaatverandering op de mondiale zeespiegel.
• Automatisch redeneren en toolgebruik: het AI-systeem instrueren om externe tools of datasets te gebruiken om de antwoorden te ondersteunen. Voorbeeld: gebruik de klimaatgegevens van de National Oceanic and Atmosferic Administration om de trend in wereldwijde temperaturen van de afgelopen 50 jaar te analyseren en de bevindingen uit te leggen.
• Grafiek vragen: het gebruik van gestructureerde gegevens in de vorm van grafieken of netwerken om reacties te informeren. Voorbeeld: gegeven de grafiek van de wereldwijde koolstofemissies per sector, bespreken welke sectoren de meest urgente hervormingen nodig hebben om de klimaatdoelstellingen te bereiken.
• Multimodale keten-van-gedachte vragen: het integreren van meerdere soorten gegevens, zoals tekst, afbeeldingen en afbeeldingen, in een prompt om de redenering van het model te verbeteren. Voorbeeld: analyseer de verstrekte grafiek met de CO2-niveaus van de afgelopen eeuw en leg uit hoe deze veranderingen correleren met de wereldwijde temperatuurtrends op de foto.

Prompten is iets van een kunst (binnen een technische discipline) die na verloop van tijd verfijnd en verbeterd wordt met experimenten en ervaring. Overweeg deze tactieken voor de beste resultaten:

• Geef specifieke instructies. Laat geen ruimte voor verkeerde interpretatie en beperk het scala aan operationele mogelijkheden.
• Schilder een foto met woorden. Gebruik relateerbare vergelijkingen.
• Versterk de boodschap. Het kan voorkomen dat het model herhalingsinstructies nodig heeft. Geef richting op aan het begin en einde van een aanwijzing.
• De aanwijzing logisch ordenen. De volgorde van de informatie beïnvloedt de resultaten. Het plaatsen van instructies aan het begin van een aanwijzing, zoals het instrueren van het model aan "samenvatten van de volgende" kan andere resultaten opleveren dan het plaatsen van de instructie aan het einde en het aanvragen van het model “het bovenstaande samenvatten”. De volgorde van invoervoorbeelden kan ook van invloed zijn op de resultaten, aangezien er in de modellen sprake is van recentievooroordelen.
• Geef een fallbackoptie voor het model op. Als het moeite kost om een toegewezen taak te bereiken, stel dan een alternatieve route voor. Bijvoorbeeld bij het opstellen van een query via tekst, inclusief een instructie zoals "antwoord met 'niet gevonden' als er geen antwoord &quot bestaat; kan voorkomen dat het model onjuiste antwoorden genereert.

Voordelen van prompt engineering

Een van de belangrijkste voordelen van prompt engineering is de minimale revisie en inspanning die nodig zijn na het genereren van outputs. Resultaten op basis van AI kunnen variëren in kwaliteit, vaak moeten ze door experts worden beoordeeld en nabewerkt. Goed geschreven prompts zorgen er echter voor dat de AI-output de oorspronkelijke intentie weerspiegelt, waardoor er minder uitgebreide nabewerkingswerkzaamheden plaatsvinden.

Andere opmerkelijke voordelen van prompt engineering zijn:

• Efficiëntie in AI-interacties op lange termijn, naarmate AI evolueert door continu gebruik
• Innovatief gebruik van AI dat verder gaat dan het oorspronkelijke ontwerp en doel
• Toekomstbestendig maken naarmate AI-systemen groter en complexer worden

Zakelijke voordelen van prompt engineering

Prompt engineering biedt ook voordelen voor de dagelijkse bedrijfsvoering, zoals:

• Verbeterde besluitvorming dankzij inzichten op basis van AI die strategische bedrijfsgroei stimuleren
• Gepersonaliseerde klantervaringen via reacties op maat en naadloze interacties
• Geoptimaliseerde resourcetoewijzing die rekenresources bespaart en kosten verlaagt
• Verbeterd aanpassingsvermogen aan branchespecifieke vereisten, waardoor de waarde van een AI-implementatie wordt gemaximaliseerd
• Ethische AI-praktijken die vooroordelen aanpakken en zorgen voor eerlijkheid binnen generatieve AI-systemen, waarbij inclusiviteit en rechtvaardigere resultaten in het bedrijfsleven en de samenleving worden bevorderd

Hoe verbetert prompt engineering generatieve AI-systemen?

Effectieve prompt engineering maakt generatieve AI-systemen slimmer door technische kennis te combineren met een diep begrip van natuurlijke taal, woordenschat en context om bruikbare outputs te genereren die minimale herzieningen vereisen.

De basismodellen die generatieve AI mogelijk maken, zijn grote taalmodellen (LLM's) gebouwd op transformatorarchitecturen, deep learning-modellen die invoergegevens allemaal in één keer verwerken in plaats van in een reeks. Dit maakt ze vooral handig voor taken als vertaling en tekstgenerering. LLM's bevatten alle informatie die het AI-systeem nodig heeft.

Generatieve AI-modellen gebruiken transformatorarchitecturen om taalingewikkeldheden te begrijpen en grote hoeveelheden data te verwerken via neurale netwerken. AI prompt engineering vormt de output van het model, zodat het AI-systeem zinvol en coherent reageert.

Er zijn verschillende tactieken die de modellen gebruiken om effectieve antwoorden te genereren:

• Tokenisatie: tekst opsplitsen in kleinere delen voor eenvoudigere analyse, waardoor machines de menselijke taal beter kunnen begrijpen
• Modelparameterafstemming: de parameters van een vooraf getraind model hetzelfde houden om de berekeningsbelasting te verminderen
• Top-k bemonstering: de keuze van het volgende woord van de output beperken tot alleen de meest waarschijnlijke opties op basis van voorspelde waarschijnlijkheid, helpt responscontext en samenhang te behouden

Generatieve AI-modellen kunnen complexe reacties opleveren dankzij Natural Language Processing (NLP). NLP is een gebied van AI gericht op de interactie tussen computers en mensen door middel van natuurlijke taal die machines in staat stelt menselijke taal te begrijpen, interpreteren en genereren.

Voorbereidingen voor data science, transformatorarchitecturen en machine learning-algoritmen stellen deze modellen in staat om taal te begrijpen en enorme datasets te gebruiken om tekst of afbeeldingen te maken. Text-to-image modellen gebruiken een LLM samen met stabiele diffusie, die afbeeldingen creëert uit tekstbeschrijvingen.

Prompt engineering-use cases

De toegenomen toegankelijkheid van generatieve AI stelt bedrijven in staat om problemen in de praktijk op te lossen door snelle engineering:

Gezondheidszorg

Prompt engineers spelen een cruciale rol bij het instrueren van AI-systemen om medische gegevens samen te vatten en behandelplannen te ontwikkelen. Met effectieve prompts kunnen AI-modellen patiëntgegevens nauwkeurig verwerken, wat leidt tot inzichtelijke en nauwkeurige klinische aanbevelingen.

Marketing

Snelle engineering helpt bij het maken van content, het besparen van kosten en tijd tot productie. Het helpt ook bij het genereren, personaliseren en opstellen van alle soorten deliverables.

Softwarecodering

Copilots maken gebruik van de kracht van prompt engineering om code sneller te schrijven door on-point suggesties te geven voor latere coderingslijnen, waardoor de dynamiek van softwareontwikkeling wordt gestroomlijnd.

Cybersecurity

Datawetenschappers en veldexperts gebruiken AI om cyberaanvallen na te bootsen en sterkere defensieve plannen te maken. Het maken van prompts voor AI-modellen kan helpen zwakke punten in software te vinden.

Softwaretechniek

Prompt engineers kunnen efficiënt codefragmenten genereren en andere ingewikkelde taken vereenvoudigen met generatieve AI-systemen die worden getraind in meerdere programmeertalen. Met specifieke prompts automatiseren ontwikkelaars codering en foutopsporing, ontwerpen API-integraties om handmatige taken te verminderen en op API gebaseerde workflows te maken om datapijplijnen te beheren en resources beter toe te wijzen.

Chatbots

Chatbotontwikkelaars maken effectieve prompts om ervoor te zorgen dat AI-systemen gebruikersvragen begrijpen en in realtime betekenisvolle, contextueel relevante antwoorden geven.

Welke vaardigheden heeft een prompt engineer nodig?

Bij grote technologiebedrijven zijn er momenteel snelle ingenieurs die het volgende willen:

• Nieuwe content creëren
• Complexe query's aanpakken
• Zorg ervoor dat aanwijzingen relevante informatie vastleggen
• Aanwijzingen afstellen voor meer nauwkeurigheid
• Verbeter machinevertaling en natuurlijke taalverwerkingstaken
• De kwaliteit van gegenereerde uitvoer beoordelen en aanwijzingen dienovereenkomstig verfijnen

De vaardigheden die technici nodig hebben om succesvol te zijn, zijn onder meer:

• Inzicht in hoe LLM's werken
• Sterke communicatie om technische concepten effectief uit te leggen
• Vaardigheid in programmeren, vooral Python
• Solide greep van datastructuren en -algoritmen

Een kerncompetentie is het commando over de Engelse taal, de primaire taal voor het trainen van generatieve AI-modellen. Prompt engineers verdiepen zich diep in vocabulaire, nuances, frasering, context en taalkunde om prompts te ontwerpen die AI-antwoorden nauwkeurig sturen. Of het nu gaat om de instructie van het model om code te genereren, de kunstgeschiedenis voor beeldcreatie te begrijpen, of om zich aan te passen aan verschillende vertelstijlen voor taaltaken, de ingenieurs vragen hun aanwijzingen nauwgezet aan te passen om de gewenste resultaten te bereiken.

Veelgestelde vragen

Wat zijn neurale netwerken?

Neurale netwerken zijn computationele modellen met samen geclusterde knooppunten zoals de neuronen in een biologisch brein. Ze maken snelle, parallelle signaalverwerking mogelijk die patroonherkenning en deep learning verbetert.

Wat is primaire inhoud?

Primaire inhoud vormt de basis voor interacties, communicatie of acties die het model voor generatieve AI onderneemt of voorstelt. Prompt engineers leveren deze onbewerkte gegevens, en het model verzamelt, analyseert en verwerkt deze voor verschillende toepassingen.