1
00:00:00,001 --> 00:00:08,280
Hoi, welkom bij AIToday Live, de Nederlandse podcast waar we praten over de nieuwste ontwikkelingen
2
00:00:08,280 --> 00:00:13,440
in kunstmatige intelligentie en hoe jij ze kunt toepassen in je werk.
3
00:00:13,440 --> 00:00:19,160
En vandaag gaan we het hebben over een onderwerp dat steeds belangrijker wordt naarmate AI-modellen
4
00:00:19,160 --> 00:00:24,400
zoals Claude en ChatGPT steeds vaker worden ingezet, namelijk promptengineering.
5
00:00:24,400 --> 00:00:30,320
Recent hebben prompt-experts van Anthropic, de makers van Claude, in een gesprek van anderhalf
6
00:00:30,320 --> 00:00:36,120
uur hun beste tips gedeeld over hoe je de perfecte prompts kunt schrijven om taalmodellen beter
7
00:00:36,120 --> 00:00:37,120
te laten werken.
8
00:00:37,120 --> 00:00:42,800
Vandaag neem ik je mee door deze tips, met extra uitleg en natuurlijk praktische voorbeelden.
9
00:00:42,800 --> 00:00:48,600
Omdat ik de oorspronkelijke video behoorlijk taai en niet voor iedereen toegankelijk vind,
10
00:00:48,600 --> 00:00:57,880
geef ik je een samenvatting van de 15 meest waardevolle tips zoals zij die hebben aangegeven
11
00:00:57,880 --> 00:01:01,720
en dan vul ik ze aan met praktische voorbeelden uit de werkomgeving.
12
00:01:01,720 --> 00:01:08,200
Het mooie is dat deze tips namelijk niet alleen voor Claude gelden, maar net zo goed toepasbaar
13
00:01:08,200 --> 00:01:09,200
zijn voor ChatGPT.
14
00:01:09,200 --> 00:01:13,360
Laten we meteen beginnen met de eerste tip.
15
00:01:13,360 --> 00:01:14,360
1.
16
00:01:14,360 --> 00:01:17,840
Communiceer duidelijk en precies bij het schrijven van prompts.
17
00:01:17,840 --> 00:01:22,160
Een goed geschreven prompt begint met helder en precies taalgebruik.
18
00:01:22,160 --> 00:01:26,080
Dit klinkt misschien logisch, maar het kan moeilijker zijn dan je denkt.
19
00:01:26,080 --> 00:01:32,240
Als je bijvoorbeeld vraagt, schrijf een samenvatting van dit document, kan het taalmodel wel een
20
00:01:32,240 --> 00:01:37,480
samenvatting maken, maar als je niet specificeert hoe lang die moet zijn of welke informatie
21
00:01:37,480 --> 00:01:40,920
belangrijk is, kan het resultaat behoorlijk teleurstellend zijn.
22
00:01:40,920 --> 00:01:46,120
Als een beter geformuleerde prompt zou zijn, schrijf een samenvatting van maximaal 200
23
00:01:46,120 --> 00:01:50,920
woorden met een nadruk op de financiële impact van de verandering in de regelgeving.
24
00:01:50,920 --> 00:01:57,080
Je geeft duidelijk meer context en stuur het taalmodel in een specifieke richting.
25
00:01:57,080 --> 00:01:58,080
2.
26
00:01:58,080 --> 00:02:05,080
Wees bereid om snel te itereren en veel prompts te versturen.
27
00:02:05,080 --> 00:02:12,360
Deze tip heb ik in aflevering 80 van dit seizoen al wat extra toegelicht, maar omdat deze zo
28
00:02:12,360 --> 00:02:14,080
belangrijk is nogmaals.
29
00:02:14,080 --> 00:02:16,040
Prompten is een proces.
30
00:02:16,040 --> 00:02:18,040
Denk daar niet te licht over.
31
00:02:18,040 --> 00:02:22,680
Goede prompt engineers weten dat je vaak en veel moet itereren.
32
00:02:22,680 --> 00:02:27,640
Dat betekent veel kleine aanpassingen maken om uiteindelijk het gewenste resultaat te
33
00:02:27,640 --> 00:02:28,640
krijgen.
34
00:02:28,640 --> 00:02:31,960
Zie het als een dialoog met de AI, met het taalmodel.
35
00:02:31,960 --> 00:02:37,000
Je stelt een vraag, kijk naar het antwoord en stelt de vraag opnieuw, maar dan beter.
36
00:02:37,000 --> 00:02:43,640
Een voorbeeld is dat je het taalmodel vraagt om een marketingtekst te schrijven.
37
00:02:43,640 --> 00:02:48,920
Misschien is de eerste versie te formeel en dan pas je de prompt aan naar 'schrijf
38
00:02:48,920 --> 00:02:51,960
een informele marketingtekst voor een jong publiek'.
39
00:02:51,960 --> 00:02:57,160
Vervolgens herhaal je het proces totdat de tekst precies goed is en dat je deze kunt
40
00:02:57,160 --> 00:02:58,480
opslaan voor hergebruik.
41
00:02:58,480 --> 00:02:59,480
3.
42
00:02:59,480 --> 00:03:06,480
Denk na over randgevallen en ongebruikelijke scenario's.
43
00:03:06,480 --> 00:03:11,600
Prompten gaat niet alleen over de meest voor de hand liggende gevallen, maar juist ook
44
00:03:11,600 --> 00:03:12,920
over de uitzonderingen.
45
00:03:12,920 --> 00:03:17,720
Overweeg hoe je je prompt kan falen in ongewone situaties.
46
00:03:17,720 --> 00:03:23,960
Door rekening te houden met randgevallen maak je je prompts robuuster en veelzijdiger, ook
47
00:03:23,960 --> 00:03:24,960
weer voor hergebruik.
48
00:03:24,960 --> 00:03:30,760
Voor onze podcast heb ik een prompt die interessante, genoemde bronnen uit de aflevering haalt.
49
00:03:30,760 --> 00:03:34,720
Gasten geven tips over boeken, evenementen of websites.
50
00:03:34,720 --> 00:03:37,480
En die willen we in de show notes delen.
51
00:03:37,480 --> 00:03:41,640
Een randgeval is wanneer dit helemaal niet voorkomt in de aflevering.
52
00:03:41,640 --> 00:03:47,560
Daarmee moet de prompt om kunnen gaan en consistent antwoord geven, zodat het geautomatiseerde
53
00:03:47,560 --> 00:03:51,480
productieproces van onze podcast daar niet stuk gaat.
54
00:03:51,480 --> 00:03:56,760
Belangrijk is daarom om de randgevallen te bewaren als testcases, waardoor je ze steeds
55
00:03:56,760 --> 00:04:00,240
kan gebruiken bij wijzigingen van je prompts.
56
00:04:00,240 --> 00:04:08,560
En dat leidt eigenlijk ook tot tip nummer 4, test je prompts met onvolledige of onrealistische
57
00:04:08,560 --> 00:04:09,560
gebruiksgebruikersinvoer.
58
00:04:09,560 --> 00:04:17,360
Gebruikers zijn niet altijd even precies in aangeven van wat ze willen.
59
00:04:17,360 --> 00:04:24,320
Test je prompts met imperfecte, realistische invoer om te zien hoe ze presteren onder
60
00:04:24,320 --> 00:04:26,120
alle dagelijke omstandigheden.
61
00:04:26,120 --> 00:04:34,240
Stel je hebt agents gemaakt voor vragen te kunnen stellen aan interne kennis uit je organisatie.
62
00:04:34,240 --> 00:04:39,680
Test deze agents door vragen te stellen met bijvoorbeeld afkortingen en informele taal
63
00:04:39,680 --> 00:04:42,680
zoals "waar vind ik de HR-info?"
64
00:04:42,680 --> 00:04:46,360
of "waar vind ik die doc over vakantieaanvraag?"
65
00:04:46,360 --> 00:04:51,760
Dit weerspiegelt hoe medewerkers hun vragen in de praktijk kunnen formuleren en helpt om
66
00:04:51,760 --> 00:04:57,880
de effectiviteit van de resultaten te analyseren, wat ons ook weer leidt naar tip 5.
67
00:04:57,880 --> 00:05:01,120
Analyseer de output van de AI zorgvuldig.
68
00:05:01,120 --> 00:05:05,080
Je kunt pas echt verbeteren als je de resultaten goed analyseert.
69
00:05:05,080 --> 00:05:09,200
Soms lijkt een antwoord correct, maar mist het belangrijke nuances.
70
00:05:09,200 --> 00:05:14,280
Stel je vraagt het taalmodel om een analyse te maken van een financiële situatie.
71
00:05:14,280 --> 00:05:19,440
Als het taalmodel geen rekening houdt met belastingtarieven, krijg je misschien een
72
00:05:19,440 --> 00:05:24,360
antwoord dat op het eerste gezicht logisch lijkt, maar in de praktijk onbruikbaar is.
73
00:05:24,360 --> 00:05:32,040
Lees de output dus altijd grondig na en stel jezelf de vraag "heeft het taalmodel precies
74
00:05:32,040 --> 00:05:34,160
gedaan wat ik wilde?"
75
00:05:34,160 --> 00:05:36,400
Tip nummer 6.
76
00:05:36,400 --> 00:05:42,000
Verwijder veronderstellingen en communiceer de volledige set aan benodigde informatie.
77
00:05:42,000 --> 00:05:47,920
Het is verleidelijk om ervan uit te gaan dat het taalmodel bepaalde dingen al weet.
78
00:05:47,920 --> 00:05:53,600
Maar hoe minder je aan het taalmodel overlaat, hoe beter het werkt.
79
00:05:53,600 --> 00:05:59,440
Zorg ervoor dat je duidelijk alle relevante details meegeeft.
80
00:05:59,440 --> 00:06:06,040
Een voorbeeld is als je vraagt "plan een marketingcampagne voor onze nieuwe productlancering"
81
00:06:06,040 --> 00:06:09,800
zou de AI wellicht niet weten wanneer die lancering plaatsvindt.
82
00:06:09,800 --> 00:06:15,440
Een betere prompt is dan "plan een marketingcampagne voor onze productlancering op 1 november,
83
00:06:15,440 --> 00:06:18,480
gericht op social media en online advertenties".
84
00:06:18,480 --> 00:06:24,080
Een van de deelnemers aan het gesprek vroeg er ook nog toe dat ze het taalmodel steeds
85
00:06:24,080 --> 00:06:26,040
behandeld als een nieuwe medewerker.
86
00:06:26,040 --> 00:06:35,080
Zou die medewerker zonder achtergrondkennis de instructies kunnen uitvoeren die ik ook
87
00:06:35,080 --> 00:06:36,520
aan het taalmodel geef?
88
00:06:36,520 --> 00:06:42,440
En als het antwoord nee is, hoe groot is dan de kans dat het taalmodel dit dan wel kan?
89
00:06:42,440 --> 00:06:46,680
Dan gaan we naar de laatste tip van vandaag, nummer 7.
90
00:06:46,680 --> 00:06:51,120
En dat is "heb empathie voor het taalmodel".
91
00:06:51,120 --> 00:06:55,440
Deze tip vond ik in eerste instantie heel lastig toen ik die hoorde, want het lijkt
92
00:06:55,440 --> 00:07:01,560
op vermenselijking en empathie en dat klinkt voor mij als inleving in de emoties van het
93
00:07:01,560 --> 00:07:02,560
model.
94
00:07:02,560 --> 00:07:04,720
En het taalmodel heeft geen emoties.
95
00:07:04,720 --> 00:07:08,720
Een AI begrijpt jouw intentie niet zoals een mens dat doet.
96
00:07:08,720 --> 00:07:10,840
Het werkt puur op basis van patronen.
97
00:07:10,840 --> 00:07:21,280
Maar wat eigenlijk aangegeven is, wat deze expert aangaf, is dat je moet je voorstellen
98
00:07:21,280 --> 00:07:23,560
hoe de AI je vraag interpreteert.
99
00:07:23,560 --> 00:07:29,520
Dus dit vraagt om een soort tussen aanhalingstekens empathie voor AI, zoals deze expert noemde.
100
00:07:29,520 --> 00:07:35,880
En het gaat er dan om dat het helpt om echt even in de schoenen van het model te gaan
101
00:07:35,880 --> 00:07:39,240
staan en te bedenken wat zou het hieruit opmaken.
102
00:07:39,240 --> 00:07:45,520
Wat hier de expert bedoelt met empathie is dat jij je inleeft in de werking van het model.
103
00:07:45,520 --> 00:07:51,400
Zo weet ik dat Chachibiti de voorkeur heeft om puntsgewijs met bullet points te antwoorden.
104
00:07:51,400 --> 00:08:00,240
Kan in heel vaak irritant zijn, dus als ik dat niet wil moet ik direct beginnen met aangeven
105
00:08:00,240 --> 00:08:02,600
dat het model in volzinnen moet antwoorden.
106
00:08:02,600 --> 00:08:09,240
Claude daarentegen heeft de voorkeur om te vousvoyeren, dus dat hij in de u-vorm schrijft.
107
00:08:09,240 --> 00:08:15,040
Daarom begin ik daar meteen te vragen om te laten schrijven in de je-vorm, om te tutoyeren.
108
00:08:15,040 --> 00:08:20,640
Dit zijn hele eenvoudige voorbeelden, maar hoe meer kennis je van het taalmodel hebt,
109
00:08:20,640 --> 00:08:24,880
des te beter hoe je met het taalmodel communiceert.
110
00:08:24,880 --> 00:08:33,640
Dit was het eerste deel van de podcast over promptengineering en de tips rechtstreeks
111
00:08:33,640 --> 00:08:35,120
uit het Claude team.
112
00:08:35,120 --> 00:08:39,960
In het volgende deel gaan we verder met nog meer waardevolle tips, waaronder hoe je prompts
113
00:08:39,960 --> 00:08:44,920
als code kunt behandelen, hoe je een balans vindt tussen standaard en randgevallen en
114
00:08:44,920 --> 00:08:48,600
hoe je schrijfvaardigheid kunt combineren met systematisch denken.
115
00:08:48,600 --> 00:08:53,000
Dus abonneer je via je favoriete podcast app.
116
00:08:53,000 --> 00:08:55,920
Dan krijg je de volgende aflevering automatisch te zien.
117
00:08:55,920 --> 00:08:57,920
[Muziek]
