1
00:00:00,001 --> 00:00:08,600
Hi, leuk dat je weer luistert naar een nieuwe aflevering van AIToday Live, de korte aflevering.
2
00:00:08,600 --> 00:00:11,600
Mijn naam is Joop Snijder, CTO bij Aigency.
3
00:00:11,600 --> 00:00:14,880
Ik moest een keuze maken voor deze aflevering.
4
00:00:14,880 --> 00:00:24,000
Want aan de ene kant heeft het team van Anthropic, Claude, hele goede tips gedeeld in een YouTube
5
00:00:24,000 --> 00:00:25,800
film over promptengineering.
6
00:00:25,800 --> 00:00:33,400
Maar aan de andere kant hebben we op dit moment toegang bij OpenAI tot wat genoemd wordt Advanced
7
00:00:33,400 --> 00:00:34,400
Voice.
8
00:00:34,400 --> 00:00:40,360
Ik heb gekozen voor, laten we zeggen, een combinatie van beide.
9
00:00:40,360 --> 00:00:49,160
Een van de belangrijkste tips namelijk, uit dat Claude team, was dat je om goed promptengineering
10
00:00:49,160 --> 00:00:53,000
te doen, dat je iteratief je prompt gaat verbeteren.
11
00:00:53,000 --> 00:00:55,560
En wat betekent dat nou?
12
00:00:55,560 --> 00:00:57,280
Dat hoor je in deze aflevering.
13
00:00:57,280 --> 00:01:06,080
En ik heb bedacht, hoe leuk zou het nou zijn als je de stem hoort van Advanced Voice, van
14
00:01:06,080 --> 00:01:07,080
OpenAI.
15
00:01:07,080 --> 00:01:14,680
Dus je kan nu in de app, op het website, mits je een betaald account hebt, kan je daadwerkelijk
16
00:01:14,680 --> 00:01:18,400
een conversatie voeren in natuurlijke taal.
17
00:01:18,400 --> 00:01:19,920
Krijg je het ook gesproken terug.
18
00:01:19,920 --> 00:01:23,120
En hoe dat dan klinkt, dat ga ik je laten horen.
19
00:01:23,120 --> 00:01:32,680
Dus ik doe een interview met de Advanced Voice van OpenAI over het belang van iteratief
20
00:01:32,680 --> 00:01:35,040
ontwikkelen van je prompts.
21
00:01:35,040 --> 00:01:40,320
En dit gesprek heeft in real-time plaatsgevonden voor deze opname.
22
00:01:40,320 --> 00:01:45,520
Het leuke is, je kan zelf stemmen kiezen.
23
00:01:45,520 --> 00:01:48,800
Ik heb een van de Nederlandse stemmen gekozen.
24
00:01:48,800 --> 00:01:53,800
Maar er zijn mannenstemmen, vrouwenstemmen, kijk wat het beste bij je past.
25
00:01:53,800 --> 00:02:00,840
Je gaat nu horen het gesprek wat ik heb gevoerd over iteratief promptengineering.
26
00:02:00,840 --> 00:02:08,040
Kun je mij vertellen wat promptengineering is en hoe belangrijk het is dat je dit iteratief
27
00:02:08,040 --> 00:02:09,040
aanpakt?
28
00:02:09,040 --> 00:02:10,040
Natuurlijk.
29
00:02:10,040 --> 00:02:16,920
Promptengineering is het proces van het ontwerpen en aanpassen van invoeropdrachten om de uitvoer
30
00:02:16,920 --> 00:02:19,920
van taalmodellen, zoals GPT, te sturen.
31
00:02:19,920 --> 00:02:25,480
Denk hierbij aan het formuleren van vragen of opdrachten op een manier die het model aanspoort
32
00:02:25,480 --> 00:02:28,200
om nuttige en relevante antwoorden te geven.
33
00:02:28,200 --> 00:02:34,440
Het iteratief aanpakken van promptengineering is belangrijk omdat het helpt om de reacties
34
00:02:34,440 --> 00:02:35,880
van het model te verfijnen.
35
00:02:35,880 --> 00:02:42,080
Door steeds opnieuw de prompt aan te passen en de resultaten te evalueren, kun je de prestaties
36
00:02:42,080 --> 00:02:47,640
van het model optimaliseren en de meest effectieve, den bruikbare antwoorden verkrijgen.
37
00:02:47,640 --> 00:02:53,120
Is er een manier dat het taalmodel je erbij kan helpen in dit iteratieve proces?
38
00:02:53,120 --> 00:02:54,120
Zeker.
39
00:02:54,120 --> 00:02:59,080
Het taalmodel kan een waardevolle partner zijn in het iteratieve proces van promptengineering.
40
00:02:59,080 --> 00:03:01,760
Hier zijn een paar manieren waarop het kan helpen.
41
00:03:01,760 --> 00:03:02,760
1.
42
00:03:02,760 --> 00:03:04,760
Feedback op prompts.
43
00:03:04,760 --> 00:03:10,680
Je kunt het model vragen om feedback te geven op je prompts en suggesties voor verbeteringen.
44
00:03:10,680 --> 00:03:13,520
Dit kan je helpen om effectievere prompts te maken.
45
00:03:13,520 --> 00:03:14,520
2.
46
00:03:14,520 --> 00:03:16,640
Verschillende formuleringen testen.
47
00:03:16,640 --> 00:03:21,720
Door verschillende versies van een prompt aan het model voor te leggen, kun je zien
48
00:03:21,720 --> 00:03:24,480
welke formuleringen de beste resultaten opleveren.
49
00:03:24,480 --> 00:03:25,480
3.
50
00:03:25,480 --> 00:03:27,600
Amaliseren van output.
51
00:03:27,600 --> 00:03:33,960
Het model kan helpen om de gegenereerde output te analiseren en te verklaren waarom bepaalde
52
00:03:33,960 --> 00:03:36,000
prompts beter werken dan andere.
53
00:03:36,000 --> 00:03:37,000
4.
54
00:03:37,000 --> 00:03:38,600
Voorbeelden geven.
55
00:03:38,600 --> 00:03:44,800
Het model kan voorbeelden genereren van hoe een prompt kan worden verbeterd of aangepast
56
00:03:44,800 --> 00:03:47,040
om betere resultaten te krijgen.
57
00:03:47,040 --> 00:03:53,120
Door deze interactie met het model kun je je prompts steeds verder verfijnen en optimaliseren.
58
00:03:53,120 --> 00:04:00,360
Als ik de API gebruik, de programmeerinterface, kan ik natuurlijk ook settings aangeven bij
59
00:04:00,360 --> 00:04:02,320
het aansturen van het taalmodel.
60
00:04:02,320 --> 00:04:04,400
Iets als bijvoorbeeld de temperatuur.
61
00:04:04,400 --> 00:04:06,400
Helpt dat?
62
00:04:06,400 --> 00:04:08,160
Ja, dat klopt.
63
00:04:08,160 --> 00:04:13,840
Bij het werken met de API kun je verschillende instellingen aanpassen, waaronder de temperatuur.
64
00:04:13,840 --> 00:04:19,480
De temperatuurinstelling bepaalt hoe creatief of conservatief het model reageert.
65
00:04:19,480 --> 00:04:21,600
Hier zijn een paar details.
66
00:04:21,600 --> 00:04:25,000
Lage temperatuur, bijvoorbeeld 0,2.
67
00:04:25,000 --> 00:04:29,520
Het model zou voorspelbaardere en consistentere antwoorden geven.
68
00:04:29,520 --> 00:04:32,040
Het kiest meer voor de zekere woorden.
69
00:04:32,040 --> 00:04:36,600
Dit is handig als je nauwkeurigheid boven creativiteit waardeert.
70
00:04:36,600 --> 00:04:38,600
Ja, precies.
71
00:04:38,600 --> 00:04:42,600
Dat hebben we al eens een keer in een eerdere aflevering behandeld.
72
00:04:42,600 --> 00:04:45,280
Dus ik heb eigenlijk een andere vraag.
73
00:04:45,280 --> 00:04:50,880
Want bij dat iteratief hiermee bezig gaan, kan je dus ook deze instellingen klein beetje
74
00:04:50,880 --> 00:04:53,040
gaan aanpassen, toch?
75
00:04:53,040 --> 00:04:54,040
Exact.
76
00:04:54,040 --> 00:04:59,920
Tijdens het iteratieve proces kun je experimenteren met verschillende instellingen, zoals de temperatuur,
77
00:04:59,920 --> 00:05:02,120
om te zien hoe ze de output beïnvloeden.
78
00:05:02,120 --> 00:05:08,040
Door kleine aanpassingen te maken kun je ontdekken welke instellingen de meest gewenste resultaten
79
00:05:08,040 --> 00:05:10,720
opleveren voor jouw specifieke toepassing.
80
00:05:10,720 --> 00:05:16,400
Dit helpt je om een balans te vinden tussen voorspelbaarheid en creativiteit in de antwoorden
81
00:05:16,400 --> 00:05:17,400
van het model.
82
00:05:17,400 --> 00:05:18,920
Dat is best een goede tip.
83
00:05:18,920 --> 00:05:24,440
Maar wat zijn nou eigenlijk de drie belangrijkste tips voor het automatiseren van processen
84
00:05:24,440 --> 00:05:25,440
met prompt?
85
00:05:25,440 --> 00:05:29,520
Dus ik wil dit eigenlijk gebruiken in een geautomatiseerd proces voor het optimaliseren
86
00:05:29,520 --> 00:05:30,680
van mijn businessproces.
87
00:05:30,680 --> 00:05:37,000
Bij het automatiseren van processen met prompts zijn er drie belangrijke tips om in gedachten
88
00:05:37,000 --> 00:05:38,000
te houden.
89
00:05:38,000 --> 00:05:39,000
1.
90
00:05:39,000 --> 00:05:41,520
Duidelijke en specifieke prompts.
91
00:05:41,520 --> 00:05:45,280
Zorg dat je prompts helder en specifiek zijn.
92
00:05:45,280 --> 00:05:49,400
Vaagheid kan leiden tot inconsistente of ongewenste resultaten.
93
00:05:49,400 --> 00:05:53,920
Het is belangrijk om duidelijk te communiceren wat je van het model verwacht.
94
00:05:53,920 --> 00:05:54,920
2.
95
00:05:54,920 --> 00:05:57,160
Iteratief verbeteren.
96
00:05:57,160 --> 00:06:00,720
Automatisering met taalmodellen is een leerproces.
97
00:06:00,720 --> 00:06:04,080
Test je prompts en analyseer de output.
98
00:06:04,080 --> 00:06:10,760
Gebruik deze inzichten om je prompts te verfijnen en te verbeteren voor nauwkeurigere en betrouwbaardere
99
00:06:10,760 --> 00:06:11,760
resultaten.
100
00:06:11,760 --> 00:06:12,760
3.
101
00:06:12,760 --> 00:06:13,760
Gebruik van variabelen.
102
00:06:13,760 --> 00:06:20,400
Maak gebruik van variabelen in je prompts om hergebruik en aanpasbaarheid te vergemakkelijken.
103
00:06:20,400 --> 00:06:26,200
Dit stelt je in staat om dezelfde prompt te gebruiken voor verschillende situaties, wat
104
00:06:26,200 --> 00:06:30,680
tijd bespaart en consistentie in je geautomatiseerde proces bevordert.
105
00:06:30,680 --> 00:06:37,840
Het verschil tussen goed gespecificeerde en vaag gespecificeerde prompts is een ding.
106
00:06:37,840 --> 00:06:47,120
Kan je een voorbeeld geven van eerst een prompt die blijkbaar te vaag is en dan een verbeterde
107
00:06:47,120 --> 00:06:50,880
slag van hoe het er dan wel uit zou kunnen zien?
108
00:06:50,880 --> 00:06:51,880
Natuurlijk.
109
00:06:51,880 --> 00:06:54,000
Laten we eens kijken naar een voorbeeld.
110
00:06:54,000 --> 00:06:56,280
Te vage prompt.
111
00:06:56,280 --> 00:06:58,760
Vertel me iets over bomen.
112
00:06:58,760 --> 00:07:03,480
Deze prompt is vrij breed en laat veel ruimte voor interpretatie.
113
00:07:03,480 --> 00:07:11,080
Het model zou kunnen praten over soorten bomen, hun biologie, symboliek of andere aspecten,
114
00:07:11,080 --> 00:07:13,840
maar het is onduidelijk wat je precies wilt meten.
115
00:07:13,840 --> 00:07:19,960
Kun je me vertellen over de rol van bomen in het ecosysteem, met de focus op hoe ze zuurstof
116
00:07:19,960 --> 00:07:20,960
produceren?
117
00:07:20,960 --> 00:07:26,360
Deze versie is veel specifieker en geeft het model een duidelijkere richting.
118
00:07:26,360 --> 00:07:32,000
Het weet nu dat het zich moet richten op de ecologische rol van bomen en specifiek op
119
00:07:32,000 --> 00:07:33,080
zuurstofproductie.
120
00:07:33,080 --> 00:07:39,160
Duidelijk, maar ik heb toch nog wat vragen over de prompt engineering.
121
00:07:39,160 --> 00:07:45,080
Wat zijn nou de drie belangrijkste dingen die je juist niet moet doen bij prompt engineering?
122
00:07:45,080 --> 00:07:46,440
Goeie vraag.
123
00:07:46,440 --> 00:07:50,440
Bij prompt engineering zijn er ook valkuilen die je wilt vermijden.
124
00:07:50,440 --> 00:07:54,480
Hier zijn drie belangrijke dingen die je niet moet doen.
125
00:07:54,480 --> 00:07:56,040
Te vage prompts.
126
00:07:56,040 --> 00:08:02,360
Het geven van algemene of onduidelijke prompts dan leidt tot inconsistente of irrelevante
127
00:08:02,360 --> 00:08:03,360
antwoorden.
128
00:08:03,360 --> 00:08:07,080
Ja, die heb je net al genoemd bij de tips om het wel te doen.
129
00:08:07,080 --> 00:08:12,760
Maar wat zijn nou echt dingen die je absoluut niet moet doen?
130
00:08:12,760 --> 00:08:13,760
A.
131
00:08:13,760 --> 00:08:14,760
Begrepen.
132
00:08:14,760 --> 00:08:18,480
Hier zijn drie specifieke don'ts bij prompt engineering.
133
00:08:18,480 --> 00:08:19,480
2.
134
00:08:19,480 --> 00:08:21,000
Dubbelzinnigheid introduceren.
135
00:08:21,000 --> 00:08:27,560
Vermijd het gebruik van dubbelzinnige taal of vragen die op verschillende manieren geïnterpreteerd
136
00:08:27,560 --> 00:08:28,560
kunnen worden.
137
00:08:28,560 --> 00:08:32,720
Dit kan verwarring veroorzaken en tot ongewenste antwoorden leiden.
138
00:08:32,720 --> 00:08:33,720
3.
139
00:08:33,720 --> 00:08:36,440
Overladen met informatie.
140
00:08:36,440 --> 00:08:43,320
Het geven van te veel informatie of te lange prompts kan het model overweldigen en de relevantie
141
00:08:43,320 --> 00:08:44,840
van de antwoorden verminderen.
142
00:08:44,840 --> 00:08:48,320
Laten we even op dat laatste punt even doorgaan.
143
00:08:48,320 --> 00:08:51,480
Want uiteindelijk willen we veel informatie geven.
144
00:08:51,480 --> 00:08:55,960
Waarom kun je een taalmodel dan overweldigen met te veel context?
145
00:08:55,960 --> 00:09:02,040
Een te grote hoeveelheid context kan het taalmodel overweldigen om een paar redenen.
146
00:09:02,040 --> 00:09:03,040
1.
147
00:09:03,040 --> 00:09:04,360
Verlies van focus.
148
00:09:04,360 --> 00:09:10,000
Als er te veel informatie in de prompt staat, kan het model moeite hebben om te bepalen wat
149
00:09:10,000 --> 00:09:11,440
het belangrijkste is.
150
00:09:11,440 --> 00:09:17,520
Hierdoor kan het afdwalen van het hoofdonderwerp en minder relevante of off-topic antwoorden
151
00:09:17,520 --> 00:09:18,520
geven.
152
00:09:18,520 --> 00:09:19,520
2.
153
00:09:19,520 --> 00:09:20,520
Beperkte geheugenruimte.
154
00:09:20,520 --> 00:09:25,640
Het model heeft een gelimiteerde contextlengte die het in één keer kan verwerken.
155
00:09:25,640 --> 00:09:31,680
Als je prompt te lang is, wordt een deel van de informatie mogelijk afgeknipt, wat invloed
156
00:09:31,680 --> 00:09:33,880
kan hebben op de kwaliteit van de output.
157
00:09:33,880 --> 00:09:34,880
3.
158
00:09:34,880 --> 00:09:37,080
Verhoogde complexiteit.
159
00:09:37,080 --> 00:09:43,200
Te veel context kan de taak complexer maken voor het model, waardoor het moeilijker wordt
160
00:09:43,200 --> 00:09:46,560
om een coherent en accuraat antwoord te genereren.
161
00:09:46,560 --> 00:09:51,680
Het is daarom belangrijk om de juiste balans te vinden tussen het geven van voldoende
162
00:09:51,680 --> 00:09:56,080
context en het vermijden van overbelasting van het model.
163
00:09:56,080 --> 00:10:00,880
Ik kan me voorstellen dat het best wel een hele lastige vaardigheid is om die balans
164
00:10:00,880 --> 00:10:01,880
te vinden.
165
00:10:01,880 --> 00:10:04,480
Wat zouden we daarin kunnen doen?
166
00:10:04,480 --> 00:10:08,520
Ja, het vinden van de juiste balans kan een uitdaging zijn.
167
00:10:08,520 --> 00:10:13,040
Maar er zijn strategieën die je kunt gebruiken om deze vaardigheid te ontwikkelen.
168
00:10:13,040 --> 00:10:14,040
1.
169
00:10:14,040 --> 00:10:15,040
Experimenteren.
170
00:10:15,040 --> 00:10:21,480
Probeer verschillende hoeveelheden context in je prompts en analyseer hoe het model reageert.
171
00:10:21,480 --> 00:10:26,800
Door trial and error leer je wat voor jouw specifieke toepassing het beste werkt.
172
00:10:26,800 --> 00:10:27,800
2.
173
00:10:27,800 --> 00:10:28,800
Iteratieve aanpak.
174
00:10:28,800 --> 00:10:36,720
Begin met een basisprompt en voeg geleidelijk meer context toe, waarbij je telkens de reacties
175
00:10:36,720 --> 00:10:38,160
van het model evalueert.
176
00:10:38,160 --> 00:10:44,000
Zo kun je de impact van elke extra hoeveelheid informatie beter inschatten.
177
00:10:44,000 --> 00:10:45,000
3.
178
00:10:45,000 --> 00:10:47,000
Feedback van anderen.
179
00:10:47,000 --> 00:10:52,040
Vraag collega's of andere experts op je prompts en de output.
180
00:10:52,040 --> 00:10:56,320
Zij kunnen je nieuwe inzichten geven en je helpen om je aanpak te verbeteren.
181
00:10:56,320 --> 00:10:57,320
4.
182
00:10:57,320 --> 00:10:59,320
Gebruik van richtlijnen.
183
00:10:59,320 --> 00:11:05,120
Er zijn richtlijnen en best practices voor promptengineering beschikbaar die je kunt
184
00:11:05,120 --> 00:11:10,040
raadplegen om beter inzicht te krijgen in hoe je effectieve prompts opstelt.
185
00:11:10,040 --> 00:11:16,520
Door te oefenen en deze strategieën toe te passen, kun je je vaardigheden in promptengineering
186
00:11:16,520 --> 00:11:17,960
geleidelijk verbeteren.
187
00:11:17,960 --> 00:11:18,960
Oh mooi!
188
00:11:18,960 --> 00:11:24,040
Zou je nog iets willen toevoegen wat belangrijk is wat we besproken hebben vandaag?
189
00:11:24,040 --> 00:11:27,440
We hebben veel besproken over promptengineering vandaag.
190
00:11:27,440 --> 00:11:32,080
Om het samen te vatten, wees duidelijk en specifiek in je prompts.
191
00:11:32,080 --> 00:11:35,440
Experimenteer en iterateer om te leren wat werkt.
192
00:11:35,440 --> 00:11:39,440
En vermijd het over belasten van het model met te veel informatie.
193
00:11:39,440 --> 00:11:44,760
Promptengineering is een vaardigheid die je kunt verbeteren met oefening en geduld.
194
00:11:44,760 --> 00:11:47,960
Blijf nieuwsgierig en sta open voor leren.
195
00:11:47,960 --> 00:11:52,120
En je zult zien dat je steeds beter wordt in het sturen van taalmodellen.
196
00:11:52,120 --> 00:11:53,120
Super!
197
00:11:53,120 --> 00:11:58,840
Ik denk dat we best wel een heel goed beeld hebben gekregen van hoe er gesproken wordt.
198
00:11:58,840 --> 00:12:02,320
Je ziet ook dat je antwoorden kan interrumperen.
199
00:12:02,320 --> 00:12:06,040
Dat je het model kan vragen om specifieker te zijn.
200
00:12:06,040 --> 00:12:14,240
Ik vond het ontzettend leuk en leerzaam om zo met Advanced Voice even dingen uit te proberen.
201
00:12:14,240 --> 00:12:16,440
Ik zou zeggen, ga het ook uitproberen.
202
00:12:16,440 --> 00:12:21,520
Bedenk wel, de antwoorden die gegeven zijn heb ik uiteraard wel gecontroleerd en het
203
00:12:21,520 --> 00:12:24,000
klopt wat gezegd is.
204
00:12:24,000 --> 00:12:31,000
En blijf luisteren want in een volgende aflevering ga ik het hebben over alle tips die het Claw
205
00:12:31,000 --> 00:12:32,800
Team uiteindelijk gegeven heeft.
206
00:12:32,800 --> 00:12:35,480
Dank je wel weer voor het luisteren.
207
00:12:35,480 --> 00:12:40,360
Vergeet je niet te abonneren voor je je favoriete podcast te hebben, want dan mis je ook geen
208
00:12:40,360 --> 00:12:40,860
aflevering.
209
00:12:40,860 --> 00:12:42,860
Tot de volgende!
210
00:12:42,860 --> 00:12:44,860
[Muziek]
