AI i projekter

Her bruger vi modellen til at indgå i en samtaleudveksling for at få mere viden eller ekspertise om et emne. Det er som at føre en samtale med en dygtig kollega, hvor vi stiller spørgsmål eller opstiller et scenarie, så den kan generere et kvalificeret svar.

Her beder vi modellen om hjælp til at generere indhold. Uanset om det drejer sig om at få udarbejdet et udkast til en e-mail eller en projektplan, fungerer modellen som en slags samarbejdspartner til at generere indhold.

Her præsenterer vi modellen for specifikt indhold og udnytter dens analytiske evner. Det kunne fx være en tekst, du kopierer ind for at få den analyseret; mens det i den mere komplekse ende kunne være, at du inddrager data fra IT-systemer. Målet er at opnå en dybere forståelse af eller nye perspektiver på materialet.

Her fodrer vi modellen med indhold, vi gerne vil have ændret eller forbedret. Det kan være alt fra at tilpasse et budskab til en specifik målgruppe til at oversætte en tekst fra et sprog til et andet. Her fungerer modellen som ”designer” med udgangspunkt i det, vi instruerer den i.

Prompt engineering er noget af en videnskab, og jo bedre prompts, desto bedre svar – og desto mere hjælp til dit arbejde. Her er tre vigtige elementer, du bør overveje, hvis du gerne vil forbedre dine prompts:

• Personificering
  Giv modellen en persona. På den måde kan den efterligne en specifik rolle eller ekspertiseområde. Hvis vi for eksempel gerne vil skrive en marketingtekst, kan vi instruere modellen i at antage rollen som en dygtig tekstforfatter.
  
  
• Målgruppefokus
  Prøv at inkludere en beskrivelse af den tiltænkte målgruppe i dit prompt. Det sikrer, at indholdet bliver tilpasset målgruppens forventede forståelsesniveau, og modellen vil svare med udgangspunkt i målgruppens kontekstuelle behov.
  
  
• Rig kontekst
  Sørg for at give modellen detaljeret information om udfordringer, mål og relevant viden i forhold til din opgave. Det skaber et solidt grundlag for mere nuancerede og relevante resultater.

Det kan være en kompleks opgave at arbejde med prompts i forhold til store sprogmodeller, da selv små justeringer kan give relativt store variationer i svarkvaliteten. Her er vores tips til, hvordan du opnår bedre resultater:

• Få modellen til at gribe opgaven an trin for trin. Det resulterer i bedre svar, især hvis det drejer sig om mere komplekse udfordringer, fx med flere dimensioner.
  
  
• Bed modellen om at komme med flere forslag (”Kom med 2 ekstra eksempler på e-mails”), hvis det første svar ikke kan bruges. Her er det en fordel, at modellen ikke har nogen begrænsninger.
  
  
• Brug prompts som fx ”Forklar [en kompleks idé] ved hjælp af analogier eller sammenligninger” for at få hjælp til at forstå komplicerede koncepter eller idéer.
  
  
• Vær konkret i forhold til det ønskede outputformat (fx en tekststruktur med eller uden overskrifter eller en tabel, evt. med angivelse af specifikke kolonner).
  
  
• Opdel større opgaver i mindre bidder (dvs. i separate prompts), og forklar modellen, hvad problemet er, som om det var en samtale.

1. Overvej, hvilken tone og stil du ønsker i din tekst, fx ekspert, letlæselig, samtalestil, formel eller uformel?

2. Begynd med slutningen for øje. Overvej, hvad du gerne vil have hjælp til fra sprogmodellen, og hvilket resultat du ønsker, fx en tabel, en e-mail eller noget helt tredje. Hvad skal der til for at kunne lave det? Hvis du kan forestille dig det, så prøv at beskrive det i din prompt.

3. Inkludér en relevant og nuanceret kontekst. Det kan fx være relevant viden fra dine kolleger, et strategidokument eller noget helt tredje. Har du med andre ord brug for at indhente ekstra viden?

4. Prøv indimellem at omskrive og tilpasse dine prompts for at gøre dem mere virkningsfulde og tydeligt formuleret. Selv små ændringer kan give meget forskellige resultater.

5. Gem de mest vellykkede prompts til senere brug (fx i et Word-dokument eller Excel-ark), og del dem med dine kolleger – de sidder måske med lignende opgaver.

Til dem, der virkelig interesserer sig for emnet: Her er en række artikler, vi har læst vedrørende den seneste forskning på området:

• Large Language Models as Optimizers (Yang et al. – Google Deepmind, 2023): https://arxiv.org/abs/2309.03409
  
  
• Large Language Models are Zero-Shot Reasoners (Kojima et al., 2022): https://arxiv.org/abs/2205.11916
  
  
• Better Zero-Shot Reasoning with Role-Play Prompting (Kong et al., 2023): https://arxiv.org/abs/2308.07702
  
  
• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models (Wei et al. – Google Brain, 2022): https://arxiv.org/abs/2201.11903