3 promptingtechnieken die je productiviteit verhogen

Hoi, welkom weer bij een nieuwe aflevering van AIToday Live. Vandaag wil ik je drie belangrijke begrippen gaan uitleggen die je helpen om taalmodellen beter te gebruiken. Dat gaan Prompt Chaining, Multistep Prompt en Chain-of-Thought Prompt. En aan het eind van de aflevering vertel ik je welke van deze technieken mijn voorkeur heeft. Misschien herinner je je nog een vraag van een van onze luisteraars, Frits, die we bespraken in aflevering 63 van dit seizoen. Laten we die vraag even terughalen. De vraag van de leek is deze week. Hallo Niels, Joop. Mijn naam is Frits. Ik werk als IT manager bij PostNL en ik heb een vraag voor jullie. Hoe kan ik ChatGPT gebruiken om goede testplannen te schrijven om mijn aannames te testen? Nou, ik hoor heel graag van jullie. Frits vroeg ons om advies voor het maken van een testplan. En wat ik je ga vertellen vandaag geldt niet alleen maar voor het maken van een testplan, maar geldt net zo goed voor het maken van een presentatie, een marketingplan, het schrijven van beleid of zelfs voor het uitvoeren van een huiswerkopdracht. Deze drie technieken helpen je om elk van deze taken beter te organiseren en uit te voeren. Laten we beginnen met de eerste, met multi-step prompts. Een multi-step prompt houdt in dat je een stappenplan opstelt binnen één enkele prompt. Het is heel specifiek en taakgericht. Hoe kleiner de stappen in je stappenplan, des te beter kan het taalmodel deze stappen uitvoeren. Stel je voor dat je een taart gaat bakken. En je schrijft op stap 1 verzamel de ingrediënten. Stap 2 meng ze volgens het recept. Enzovoort enzovoort. Het taalmodel volgt deze instructies stap voor stap op. Multistep. En de multi-step prompt is denk ik de meest intuïtieve vorm van het beschrijven van een stappenplan, omdat we gewend zijn om zo zelf taken voor ons uit te voeren en op te schrijven. Ik pak niet voor niks het voorbeeld van een recept. Chain-of-thought prompting is een techniek waarbij het taalmodel niet alleen wordt gevraagd om het eind antwoord te geven, maar ook om de tussenliggende stappen of gedachten te genereren terwijl het probleem wordt opgelost. Dit geeft meer inzicht in het besluitvormingsproces van het model en is vooral nuttig voor taken die analyse, berekeningen of uitleg vereisen. Je zou dit letterlijk een denkstappenplan kunnen noemen. Hoe ziet zo'n chain-of-thought prompt er dan uit? Ik kan me voorstellen dat het best heel abstract is. Stel we gaan een chain-of-thought prompt maken voor een bedrijfsanalyse. En zo'n prompt zouden we schrijven als zijnde het volgende. Analyseer de mogelijke impact van de invoering van de 4-daagse werkweek op een middelgroot softwarebedrijf. Overweeg de effecten op productiviteit, werknemerstevredenheid, klantenservice en financiële resultaten. Denk hard op na terwijl je deze analyse uitvoert. Overweeg verschillende perspectieven en mogelijke scenario's. Leg uit waarom je bepaalde factoren belangrijk vindt en hoe ze met elkaar samenvatten. Beschrijf je denkproces terwijl je tot je conclusies komt. En vervolgens kun je stap voor stap nog zeggen wat je zou moeten doen. Structureer je analyse als volgt. Initiële gedachten en belangrijkste overwegingen. Analyse per aspect. Mogelijke uitdagingen en oplossingen. Eindconclusies en aanbevelingen. En dan voeg je er dus ook nog toe. Wees grondig in je uitleg en laat zien hoe je afwegingen maakt tussen verschillende factoren. Je ziet dat je vraagt naar het hardop nadenken en het krijgen van uitleg. Er zitten termen in als leg uit waarom, denk hard op, overweeg, analyseer. En dat is toch echt wel anders dan die multi-step prompt. Laten we even teruggaan naar het voorbeeld van Frits met zijn testplan. Net als bij je presentatie bepaal je eerst de hoofdlijnen. Welke onderwerpen moeten er in komen, waar gaat het over en wat wordt de verhaallijn? Hier werk je op een hoger abstractieniveau en verdeel je je werk in stukken. Dit kan lastig zijn want net zoals bij het bouwen van een huis is het moeilijk om tegelijkertijd de fundering te leggen en de details van het interieur te ontwerpen. Hetzelfde geldt voor een taalmodel. Dus als we zowel grote lijnen als details door elkaar heen in 1 keer proberen te vragen aan het model, krijg je vaak slechte resultaten. Dus beter is het om eerst de hoofdlijnen te bepalen en daarna de details in te vullen. En daar komt prompt chaining om de hoek kijken. Promptchaining is letterlijk een keten van prompts waarbij de uitvoer van de ene prompt dient als invoer voor de volgende. Stel je voor dat je een ketting van prompts gebruikt als een stappenplan op hoofdlijnen. Het is eerst een brainstorm met het taalmodel over de hoofdlijnen en zodra je daar tevreden mee bent, werk je de details uit. Je begint bijvoorbeeld met een prompt om de hoofdstukken van een boek te bepalen en gebruikt daarna een tweede prompt om per hoofdstuk de inhoud te schrijven. Zo ga je langzaam van een hoog abstractieniveau naar een concrete invulling. En de prompts die je hier weer voor gebruikt kunnen eenvoudige prompts zijn, maar natuurlijk ook onze multi-step prompts of chain-of-thought prompts. Net wat nodig is. Deze prompts ketenen aan elkaar tot een prompt chain. Het mooie van prompt chaining is dat je die kunt vastleggen maar vooral automatiseren. Stel dat je een proces herhaalderlijk wilt automatiseren, zoals het schrijven van een maandelijkse nieuwsbrief, dan kun je goed geteste prompts zowel voor de hoofdlijnen als de details telkens opnieuw gebruiken. Dan wordt het een beetje alsof je een AI-agent hebt die voor jou werkt. En dan nu mijn voorkeur. Dat had ik beloofd. Mijn voorkeur gaat uit naar prompt chaining. Waarom? Omdat het leidt tot herhaalbare processen die je controleerbaar kunt maken. Luister vooral even naar aflevering 70 voor het belang daarvan. Maar om het goed uit te voeren heb ik wel chain-of-thought prompts of multi-step prompts nodig. Zo zorg je ervoor dat je niet alleen een goede structuur hebt maar ook inzicht krijgt in hoe die structuur tot stand komt. Als je net als Frits vaker testplannen samen met AI wil schrijven zou ik adviseren om een gedegen prompt chain te ontwikkelen. Voor iedere schakel in je keten schrijf je herhaalbare prompts. Door deze aanpak te volgen creëer je een gestructureerd en grondig testplan waarbij elke stap voortbouwt op de vorige. Je kunt deze keten van prompts opslaan en hergebruiken voor toekomstige testplannen wat weer zorgt voor consistentie en efficiëntie in je werkproces. Het gebruik van prompt chaining in combinatie met die multi-step en chain-of-thought prompts stelt je in staat om complexe taken op te delen in hele beheersbare stappen. Dit verbetert niet alleen de kwaliteit van de output maar geeft je ook meer controle over het proces. Onthoud wel dat het perfectioneren van je prompt chains echt tijd en oefening kost. Dus experimenteer met verschillende formuleringen en structuren om te ontdekken wat het beste werkt voor jouw specifieke taken en doelen. En met de tijd zul je merken dat je steeds efficiënter en effectiever wordt in het aansturen van AI modellen voor je werk. Dankjewel voor het luisteren naar deze aflevering van AIToday live. Ik hoop dat deze uitleg over prompt chaining, multi-step prompts en chain-of-thought prompts je helpt om taalmodellen beter in te zetten voor je werk. Vergeet je niet te abonneren voor meer tips en inzichten over AI. Tot de volgende keer! [Muziek]