Wat is Prompt Engineering? (Fundamentals & Best Practices)

In een tijdperk waarin kunstmatige intelligentie naadloos in onze dagelijkse taken wordt geïntegreerd, is de efficiëntie van onze interacties met deze geavanceerde systemen van het grootste belang geworden. De brug tussen menselijke bedoelingen en machinebegrip wordt geslagen door middel van een proces dat zowel subtiel als cruciaal is - dit is waar we de wereld van prompt engineering in AI betreden. Het is een vakgebied dat linguïstische vaardigheden combineert met technische kennis om effectievere communicatie met AI te bereiken. Laten we dit concept verder onderzoeken en de betekenis ervan in het moderne technologische landschap begrijpen.

TL;DR

• AI-integratie in dagelijkse taken benadrukt de behoefte aan efficiënte interacties met geavanceerde systemen.
• Prompt engineering in AI combineert taalvaardigheid met technische kennis voor effectieve AI-communicatie.
• Een prompt in AI is een op tekst gebaseerde instructie die helpt om specifieke uitkomsten van taalmodellen te produceren.
• Prompt engineering houdt in dat input wordt bewerkt om de reacties van de AI te optimaliseren.
• De evolutie van uitgebreide taalmodellen zoals GPT-3 en GPT-4 heeft het belang van prompt engineering onderstreept.
• Prompt engineering heeft geleid tot de opkomst van 'Prompt Engineers' of 'AI-fluisteraars'.
• Essentiële prompttechnieken zijn zero-shot, few-shot, chain-of-thought, generated knowledge prompting en retrieval-augmented generation.
• De toepassingen van Prompt Engineering variëren van eenvoudige aanwijzingen tot complexe instructieve aanwijzingen en creatieve aanwijzingen.
• Prompt engineering omvat ook contextuele prompts die zorgen voor continuïteit in het uitbreiden van tekst.
• Afbeeldingen in AI zetten gedetailleerde tekstuele beschrijvingen om in beelden.
• Verschillende soorten afbeeldingen zijn bedoeld voor landschapsvisualisatie, concept art voor personages, mockups voor productontwerp en concept art voor fictie.
• Je kunt beginnen met het leren van prompt engineering via ons YouTube-kanaal.

Wat is prompt engineering in AI?

Het concept van prompt engineering ontstaat binnen het domein van AI, waar tekstgebaseerde invoer die via commandoregels wordt gegeven, zorgvuldig wordt bewerkt en zo wordt afgestemd dat de AI de meest vaardige resultaten oplevert. Het heeft een speciale toepassing in generatieve AI-platforms die tekstuele input nodig hebben, zoals uitgebreide taalmodellen, boeiende chatbots en fantasierijke tekst-naar-beeld modellen. Vandaar dat de rol van prompt engineer is ontstaan uit de behoefte aan competente prompt engineering.

Wat is een AI-prompt?

Een AI-prompt creëert een communicatiekanaal tussen een gebruiker en een geavanceerd taalmodel, waarbij het model een bepaald type output produceert. Deze interface kan zich manifesteren als zoekopdrachten, tekstuele invoer, codeerfragmenten of illustratieve cases.

Hoe werkt prompt engineering?

Prompt engineering richt zich op het ontwikkelen en aanscherpen van de richtlijnen die aan een AI worden gegeven in de vorm van tekst en context, zodat de output van de AI optimaal is. De terminologie 'prompt' verwijst vooral naar de op tekst gebaseerde instructies die worden ingevoerd in generatieve AI-systemen zoals uitgebreide taalmodellen (LLM's), interactieve chatbots of creatieve tekst-naar-beeldmodellen zoals Midjourney.

In het licht van de introductie van uitgebreide taalmodellen zoals GPT-3 of GPT-4, en de creatie van chatbotsystemen zoals ChatGPT die daarop zijn gebaseerd, samen met robuuste tekst-naar-beeld modellen zoals DALL-E, Stable Diffusion of Midjourney, is het belang van prompt engineering steeds belangrijker geworden. Bijgevolg is er een nieuwe professionele nomenclatuur ontstaan in de vorm van 'Prompt Engineer', soms op een meer ontspannen toon aangeduid als 'AI-fluisteraar' of 'AI-tolk'.

Prompt engineering is in een stroomversnelling geraakt omdat de essentie van de uitvoer die door AI wordt gegenereerd nauw verbonden is met de tekstuele taakrichtlijnen en richtlijnen die via opdrachtregelinterfaces worden aangeleverd. Om ervoor te zorgen dat AI de opdracht goed begrijpt en voldoende informatie en context biedt om de taak uit te voeren, is het noodzakelijk dat het aansluit bij de verwachtingen van de gebruiker en echt bruikbaar is. Prompt engineering ontwikkelt zich snel binnen dit dynamische en ontluikende veld.

Hoe leer je prompt engineering?

Vaardigheden of ervaring in machine learning kunnen je werk als prompt engineer ten goede komen. Machine learning kan bijvoorbeeld worden gebruikt om gebruikersgedrag te voorspellen op basis van hoe gebruikers in het verleden met een systeem hebben omgegaan. Prompt engineers kunnen dan verfijnen hoe ze een LLM aansturen om materiaal voor gebruikerservaringen te genereren.

Je kunt ook beginnen met het leren van prompt engineering via ons YouTube-kanaal. We hebben verschillende video's die je leren hoe je efficiënte prompts maakt voor LLM's.

Best Practices van Prompt Engineering

Directe en begrijpelijke instructies maken

Zorg ervoor dat je begeleiding nauwkeurig en begrijpelijk is. Hoe duidelijker je je behoeften verwoordt, hoe beter het model je van dienst kan zijn. Vraag om beknopte antwoorden. Voor meer gevorderde verhandelingen, specificeer de vereiste voor inhoud op expertniveau. Als je het formaat ongeschikt vindt, geef dan een voorbeeld dat het model kan nabootsen. Directe instructies vergroten de kans dat je het gewenste resultaat krijgt.

Voldoende referenties leveren

Wees je ervan bewust dat AI-taalmodellen onnauwkeurige informatie kunnen produceren, vooral bij onduidelijke onderwerpen of wanneer er om bronnen wordt gevraagd. Net zoals aantekeningen de examenprestaties van een student kunnen verbeteren, kan het uitrusten van het model met referentieteksten, URL's of documenten de kans op onjuiste informatie aanzienlijk verkleinen.

Complexe taken opsplitsen

Benader complexe vragen strategisch door ze op te splitsen in kleinere, beter beheersbare delen. Dit weerspiegelt de best practices in software engineering, waar systemen modulair worden opgebouwd. Het vereenvoudigen van de taak verhoogt de nauwkeurigheid van het model en maakt het mogelijk om een stapsgewijze workflow te creëren, waarbij elke fase voortbouwt op de vorige.

Test je aanwijzingen systematisch

Voor een consistente verbetering van de prestaties is het noodzakelijk om aanwijzingen systematisch te testen. Soms kan een wijziging een enkel geval verbeteren, maar nadelig zijn als deze breed wordt toegepast. Het is aan te raden om prompts voortdurend te evalueren in verschillende scenario's en templates vast te stellen voor de prompts die consistent de meest nauwkeurige en bruikbare antwoorden opleveren.

Voorbeeld van een kwaliteitsprompt: 

Maak een beknopte samenvatting op professionele toon over het onderwerp duurzame energieoplossingen. De samenvatting mag niet langer zijn dan 300 woorden. Vermeld de laatste trends in zonne- en windenergie en zorg ervoor dat je recente statistieken uit het IEA (International Energy Agency) 2023 rapport citeert. Het outputformaat moet een lijst met opsommingstekens zijn.

Analyse van deze vraag:

Maak een beknopte samenvatting op professionele toon over het onderwerp duurzame energieoplossingen (Duidelijke instructies voor de toon en het onderwerp). De samenvatting mag niet langer zijn dan 300 woorden (Stelt een specifieke lengte-eis). Vermeld de laatste trends op het gebied van zonne- en windenergie en zorg ervoor dat je recente statistieken uit het IEA-rapport (International Energy Agency) 2023 aanhaalt. (Leidt het model om specifieke inhoud op te nemen en feitelijke verwijzingen te gebruiken om de nauwkeurigheid te vergroten). Het uitvoerformaat moet een lijst met opsommingstekens zijn (Geeft duidelijk de voorkeursindeling aan)

Snelle engineeringtechnieken

Nu je een goed begrip hebt van prompt engineering en het praktische project waarmee je gaat werken, is het tijd om je te verdiepen in een aantal veelgebruikte prompt engineering technieken. In dit gedeelte leer je hoe je de volgende technieken kunt toepassen op je prompts om de gewenste uitvoer uit het taalmodel te krijgen.

Nul-schots Prompting

Het taalmodel een normale vraag stellen zonder extra context. Merk op dat we in de prompt hierboven het model geen tekstvoorbeelden hebben gegeven naast hun classificaties, de LLM begrijpt "sentiment" al -- dat zijn de zero-shot mogelijkheden aan het werk. Als zero-shot niet werkt, is het aan te raden om demonstraties of voorbeelden te geven in de prompt, wat leidt tot few-shot prompting. In de volgende paragraaf demonstreren we het geven van een paar shots prompt.

Voorbeeld Input: "Wat is het sentiment van de volgende tekst: 'I feel like dancing whenever I hear this song!'"

Voorbeeld output: "Het sentiment van de tekst is positief."

Prompting met een paar schoten

Het model conditioneren op een paar voorbeelden om de prestaties te verbeteren. Hoewel modellen voor grote talen opmerkelijke zero-shot capaciteiten laten zien, schieten ze nog steeds tekort bij complexere taken wanneer de zero-shot instelling wordt gebruikt. Few-shot prompting kan worden gebruikt als een techniek om in-context leren mogelijk te maken, waarbij we demonstraties geven in de prompt om het model naar betere prestaties te sturen. De demonstraties dienen als conditionering voor volgende voorbeelden waarbij we willen dat het model een antwoord genereert.

Voorbeeldinvoer: "Genereer een productreview voor deze nieuwe telefoon op basis van deze positieve en negatieve voorbeelden: Positief: Ik vond de camera van de telefoon erg goed, hij maakte geweldige foto's! Negatief: De batterijduur van deze telefoon is verschrikkelijk, hij gaat niet lang genoeg mee."

Voorbeeld output:"De camera van deze telefoon is fantastisch! De foto's zijn altijd kristalhelder en hebben levendige kleuren. De batterijduur is echter niet geweldig en gaat maar een paar uur mee."

Gedachtenketting

Chain-of-thought (CoT) prompting, geïntroduceerd in Wei et al. (2022), maakt complexe redeneermogelijkheden mogelijk door middel van tussenliggende redeneerstappen. Je kunt het combineren met 'few-shot prompting' om betere resultaten te krijgen bij complexere taken waarbij je eerst moet redeneren voordat je reageert.

Gegenereerde kennis Prompting

Bij prompts met gegenereerde kennis wordt gebruik gemaakt van externe kennisbanken of gegenereerde inhoud om de antwoorden van het model te verbeteren. Door relevante informatie op te nemen in aanwijzingen kunnen modellen gedetailleerde en nauwkeurige antwoorden geven of inhoud genereren op basis van verworven kennis.

Laten we eens kijken hoe het in de praktijk werkt binnen de volgende context:

Context:
De onderwijspsychologie onderzoekt al lange tijd de invloed van geheugensteunen op leren en geheugen. De vraag rijst: Kan het gebruik van geheugensteunen het vasthouden van informatie bij leerlingen verbeteren?

Startopdracht:
Helpt het gebruik van geheugensteunen in het onderwijs leerlingen om informatie beter te onthouden?

Gegenereerde Kennis Prompts:

Input: Mnemonische hulpmiddelen zijn hulpmiddelen die mensen helpen om informatie te onthouden.

Kennis: Ezelsbruggetjes maken gebruik van patronen van letters, ideeën of associaties die helpen bij het geheugenproces. Effectieve geheugenstrategieën zijn onder andere het maken van acrostieken, het bundelen van informatie en de methode van loci. Deze technieken gebruiken zowel taalkundige als ruimtelijke geheugensystemen, wat kan leiden tot het beter vasthouden van informatie.

Input: Onderwijspsychologie bestudeert hoe mensen leren.‍

Kennis: Onderwijspsychologie is een interdisciplinair vakgebied dat theorieën en methodologieën uit de psychologie, sociologie en filosofie combineert om de cognitieve en affectieve processen die betrokken zijn bij leren te begrijpen. Het past dit begrip toe op instructieontwerp, curriculumontwikkeling en klassenmanagement, met als doel de leerresultaten te optimaliseren.

Nu kunnen we deze gegenereerde kennis combineren om de eerste vraag met meer kennis van zaken te beantwoorden.

Geïntegreerde op kennis gebaseerde prompt:

"Vraag: Helpt het gebruik van geheugensteunen in het onderwijs leerlingen om informatie beter vast te houden?

Kennis 1: Ezelsbruggetjes gebruiken patronen van letters, ideeën of associaties om het geheugen te helpen. Technieken zoals acrostics, chunking en de methode van loci betrekken meerdere geheugensystemen.

Kennis 2: Onderwijspsychologie probeert leerresultaten te optimaliseren door cognitieve en affectieve leerprocessen te begrijpen en deze toe te passen op pedagogische strategieën.

Leg uit en geef antwoord."

Antwoord:

"Ja, het gebruik van geheugensteunen in het onderwijs ondersteunt het beter vasthouden van informatie. Deze hulpmiddelen maken gebruik van zowel linguïstische als ruimtelijke geheugensystemen, die in de onderwijspsychologie worden geïdentificeerd als belangrijke cognitieve processen bij het leren. Door methoden als acrostics of de methode van loci te gebruiken, kunnen opvoeders leerlingen strategieën bieden om informatie effectiever te onthouden, wat leidt tot hogere leerresultaten zoals onderzocht en ondersteund binnen het veld van de onderwijspsychologie."

Dit voorbeeld laat zien hoe het genereren van kennis op basis van relevante informatie een uitgebreid en genuanceerd antwoord kan geven op complexe onderwijsvragen.

Retrieval Augmented Generation (RAG)

Standaard taalmodellen zijn aanpasbaar en kunnen worden verfijnd voor een reeks typische taken zoals sentimentanalyse of de identificatie van benoemde entiteiten. Voor deze taken is het meestal niet nodig om extra feitelijke informatie op te nemen.

Voor taken die ingewikkelder zijn en uitgebreide kennis vereisen, kun je echter een systeem bouwen dat gebruik maakt van taalmodellen die putten uit aanvullende, externe informatiebronnen. Deze aanpak verbetert de feitelijke nauwkeurigheid, versterkt de betrouwbaarheid van de antwoorden die door het model worden gegeven en vermindert het aantal gevallen van "hallucinatie" in de output. Hier is een klein voorbeeld van een RAG implementatie op ZenoChat die werkt met een extern CSV bestand:

Voorbeelden van prompte engineering

Prompt engineering wordt in verschillende scenario's toegepast om AI-prestaties te sturen. Hier bespreken we een aantal concrete voorbeelden die de kunst en wetenschap van het effectief structureren van prompts belichten.

Eenvoudige richtlijnaanwijzingen

Voor eenvoudige taken, zoals het model vragen om een lijst te genereren of te reageren op een directe vraag, zijn eenvoudige richtlijnen voldoende. Deze aanwijzingen zijn duidelijk, beknopt en to the point.

Input: "Noem de zeven wonderen van de moderne wereld."

Output: "De zeven wonderen van de moderne wereld omvatten: 1. Chichén Itzá in Mexico, 2. Het standbeeld van Christus de Verlosser in Brazilië, 3. De Chinese Muur in China, 4. Machu Picchu in Peru, 5. Petra in Jordanië, 6. Het Romeinse Colosseum in Italië en 7. De Taj Mahal in India. De Taj Mahal in India."

Complexe instructieaanwijzingen

Bij ingewikkelder verzoeken, zoals het opstellen van een uitgebreid essay of het bedenken van een algoritme dat uit meerdere stappen bestaat, komen complexe instructieprompts om de hoek kijken. Deze aanwijzingen geven gedetailleerde informatie en stellen verwachtingen op die de AI moet volgen.

Input: "Schrijf een uitgebreid essay over de invloed van klimaatverandering op de mariene biodiversiteit, inclusief ten minste drie belangrijke effecten, mogelijke oplossingen en een conclusie."

Output: "Klimaatverandering heeft een diepgaande invloed gehad op de mariene biodiversiteit, met stijgende temperaturen, verzuring van de oceaan en zeespiegelstijging die de gezondheid en verspreiding van mariene soorten verandert. De belangrijkste effecten zijn het verbleken van koralen, verschuivingen in de verspreiding van soorten en veranderingen in de broedtijd..."

Creatieve conceptualisatie-instructies

Soms is het doel om de AI aan te zetten tot het creëren van originele inhoud, zoals verhalen, gedichten of visuele kunstwerken. Aanwijzingen voor creatieve conceptualisatie zijn gebaseerd op suggestieve taal en levendige beschrijvingen om de vindingrijkheid van het model aan te wakkeren.

Input: "Maak een verhaal over een detective die kan communiceren met dieren om mysteries op te lossen. Begin met de detective die een cryptische boodschap krijgt van een papegaai over een vermist gewaardeerd renpaard."

Output: "De ochtend van rechercheur Eliza Thornberry werd onderbroken door het uitzinnige gekras van haar informant, een scharlaken papegaai genaamd Pascal. 'Het snelle ros is al voor zonsopgang verdwenen,' krijste hij. Eliza stond bekend om haar unieke vermogen om te communiceren met het dierenrijk en wist dat deze boodschap maar één ding kon betekenen: het beroemde renpaard, Lightning Hoof, was gestolen..."

Contextuele vervolgstappen

Om een stuk tekst in dezelfde stijl voort te zetten of om een onderwerp met continuïteit uit te breiden, worden contextuele vervolgprompts gebruikt. Ze zorgen ervoor dat de AI de voorafgaande inhoud herkent en de rode draad in volgende bijdragen behoudt.

Input: "Vervolg de volgende tekst in de stijl van een suspense roman: 'Toen de klok middernacht sloeg, gleed er een schaduw door het gebarsten raam. De kluis, waarvan gedacht werd dat hij het eeuwenoude geheim van de familie veilig zou stellen, stond nu wagenwijd open.""

Output: "De eens zo stille kamer trilde van de spanning van de pas ontdekte inbraak. De ogen van de indringer scanden het zwak verlichte interieur, het maanlicht glinsterend op de metalen kluisinhoud. Met de verboden geschiedenis van de familie binnen handbereik stond het mysterie op het punt onthuld te worden. Ze wisten niet dat een ander paar ogen vanuit de duisternis toekeek, getuige van de zich ontvouwende samenzwering."

Dit zijn slechts een paar illustraties van hoe prompt engineering de dialoog tussen mensen en AI vormgeeft en uiteindelijk de effectiviteit van de output van het algoritme beïnvloedt.

Als prompt engineer kun je de interactiviteit en bruikbaarheid van AI-gegenereerde content aanzienlijk verbeteren als je deze technieken beheerst en weet wanneer je ze moet toepassen.

Prompts voor het genereren van afbeeldingen

Aanwijzingen voor het genereren van afbeeldingen leiden de AI naar het omzetten van tekstuele beschrijvingen in overtuigende beelden. De sleutel is om genoeg details te geven zodat het model het concept nauwkeurig kan visualiseren en weergeven.

Illustratieve visualisatieaanwijzingen

Input: "Ontwerp een afbeelding van een sereen landschap met een klein huisje aan een meer, met op de achtergrond bergen gehuld in mist, tijdens het gouden uur van de zonsondergang."

Concepttekeningen voor personages Prompts

Input: "Maak een afbeelding van een karakterconcept voor een steampunk-uitvinder, compleet met Victoriaanse kleding versierd met koperen gadgets, met een op maat gemaakte moersleutel in de hand en een bril rustend op hun hoed."

Product Ontwerp Mockup Tips

Input: "Genereer een beeld van een strak, modern smartphone-ontwerp met een gebogen glazen display, scherm zonder rand en een interactieve AI-assistent op het display."

Concept Art voor Fictie Prompts

Input: "Maak een afbeelding van een levendige buitenaardse markt op een ruimtestation, met verschillende intergalactische soorten die exotische goederen verhandelen onder neonreclames in een reeks buitenaardse schriften."