Promptingmetoder
Målet med effektiv prompting er at anvende ChatGPT som sparringspartner. Ved velovervejet brug vil du opleve, hvordan du kan udtrække præcise analyser, få nye perspektiver og konkrete forslag til dine opgaver.
Når man prompter er det en god idé, at lave en grundig og præcis superprompt. ChatGPT vil nemlig altid stille dig uddybende spørgsmål. Jo grundigere prompt du laver, jo færre forslag til forbedringer og jo højere kvalitet af forslag til forbedringer vil der være.
En god løsning er at kombinere typer af prompts ved at starte med en superprompt og bagefter anvende prompt-chaining, hvor du deler opgaven op i kortere spørgsmål. På den måde styrer du processen.
Afhængig af opgavetype og formål kan du bruge forskellige promptchaining tilgange. (Se skemaet 'Forskellige promptingmetoder' længere nede på siden.)
I min guide bruger jeg iterativ promptchaining, hvor jeg løbende bygger på og forbedre indholdet.
Inden du går igang for alvor vil jeg minde dig om altid at arbejde i ChatGPT projekter - så gemmer du al historik og du kan genbesøge hele dialogen og processen (se nedenfor)
Hvad (og IKKE hvem) er prompting?
Et af de vigtigste værktøjer til værdifuld brug af sprogmodeller er prompting.
Husk, at ChatGPT ikke er et menneske. Brug din kritiske sans, når du får svar på dine spørgsmål.
ChatGPT ved faktisk intet. Det er en sprogmodel, som du skal instruere i at finde relevant informationer og sparring til lige netop dit behov.
Læs om hallucinationer nedenfor.
Der findes mange prompting metoder. Få overblik over nogle af dem nederst på denne side.
Under fanerne Artikler og Kilder, Problemformulering, Idégenerering, Idékvalificering og Survey har jeg udvalgt egnede promptmodeller.
ChatGPT hallucinerer
ChatGPT er enestående til at udvikle tekster, afdække muligheder, brainstorme o.a., men sommetider er den lidt for opfindsom og producerer data, som der ikke er belæg for. Man siger, at den hallucinerer.
Hallucinationer er en uundgåelig konsekvens af at sprogmodeller er designet til at gætte det næste mest sandsynlige ord fremfor at kende faktuel sandhed.
Man kan minimere risikoen for hallucinationer på forskellige måder fx.:
JSON: man tvinger modellen til at svare i et JSON format med regler om at felter skal forblive tommer ('' ''), hvis informationen ikke findes i kilden, hvilket fjerner modellen trang til at gætte
Sproglig temperaturstyring: Selvom man ikke altid kan sætte temperaturen teknisk, kan man styre den via sproget ved at bruge ord som ''nøgtern'', ''præcis'', ''undgå spekulation''
Datadisciplin: man bør uploade ren og struktureret viden og følge princippet: 'Et dokument = et emne' for at undgå at modellen modtager modstridende information, der kan føre til fejl.
Habermas' gyldighedskrav: en effektiv evalueringsramme er at tjekke, om svarene lever op til kravene om forståelighed (klart sprog), Sandhed (faktuel korrekthed), oprigtighed (transparens omkring AI-status) og Normativ korrekthed (passende kontekst)
Human-in-the-Loop: Menneskelig kontrol er afgørende, da AI typisk kun retter 8 ud af 10 fejl og selv kan introducere nye unøjagtigheder undervejs
Phronesis (visdom): Mens AI er stærk til analyse (Episteme) og rutiner (Techne) er mennesket uundværligt til fortolkning, etik og udøvelse af dømmekraft
Promptchaining: Ved at dele komplekse opgavere op i mindre trin (kæder) bliver sandsynlighedsvalgene for modellen snævrere, hvilket gør outputtet mindre 'sjusket'' og mere præcist
I denne guide arbejder vi primært med promptchaining (den iterative metode) og husker på de 4 vigtige hallucinationsdræbere, som du kan se til højre.
Læs også lidt uddybende information om promptchaining metoder nedenfor - og kast især dit blik på den Iterative metode
Forskellige promptingmetoder
