🧠 Guide till Prompt Engineering

Nyckeln till Generativ AI och effektiv datautmatning

Vad är en Prompt?

I generativ AI är en prompt den textuella inmatningen (input) som du ger till en stor språkmodell (LLM) eller en annan generativ AI (som bild- eller kodgeneratorer) för att få den att generera ett önskat resultat.

Tänk på prompten som en instruktion, en fråga, en uppmaning eller ett manuskript som sätter igång AI:ns kreativa process.

Prompt, Inmatning (Input) och Utmatning (Output)

Begrepp Definition Roll i AI-tekniken
Prompt Den specifika instruktion/fråga du skriver. Fungerar som startsignal och kontext för modellen.
Inmatning (Input) Hela datan som matas in i AI-systemet (Prompt + historik/inställningar). Det analyseras av modellens neurala nätverk.
Utmatning (Output) Det resultat AI:n genererar som svar på inmatningen. Består av de predikterade tokens (ord/delar) som har högst sannolikhet.

Hur hänger det ihop med AI-tekniken?

Generativa AI-modeller, särskilt LLM:er, bygger på arkitekturer som Transformers (t.ex. GPT, BERT).

  1. Inmatning (Tokenization): När du skickar en prompt, delas den först upp i små enheter som kallas tokens (ord, delar av ord eller skiljetecken).
  2. Modellbearbetning (Prediction): Modellens neurala nätverk beräknar, token för token, vilket nästa ord/token som är mest sannolikt baserat på *hela* kontexten från din prompt och all den data modellen tränades på.
  3. Utmatning (Generation): Denna process upprepas tills modellen anser att svaret är komplett.

Prompt Engineering är konsten att utforma inmatningen (prompten) så effektivt att den styr modellens prediktionsförmåga att generera den exakta och högkvalitativa utmatning du önskar.

De Centrala Promptteknikerna

Prompt Engineering handlar om att ge AI:n rätt kontext, instruktion och exempel.

1. Zero-shot Prompting (Noll-exempel)

Modellen får en uppgift utan några tidigare exempel. Den förlitar sig enbart på sin initiala träning.

Exempelprompt: "Klassificera följande text som Positiv, Negativ eller Neutral: 'Jag är inte helt nöjd med den nya uppdateringen.'"

2. Few-shot Prompting (Få-exempel)

Du inkluderar ett litet antal (t.ex. 1-5) exempel på uppgiften *direkt i prompten*. Detta fungerar som en intern "mini-träning" som visar exakt vilket format och vilken logik som ska användas.

Exempel 1 (Sentimentanalys):

Text: Älskar den här filmen! Sentiment: Positiv. Text: Helt okej, inget speciellt. Sentiment: Neutral. Text: Jag hatar den. Sentiment: Negativ. Text: Jag ska nog se den igen. Sentiment: ?

Exempel 3 (Formatering/Dataextraktion):

Input: 'Mitt namn är Anna Eriksson och jag bor i Stockholm, Sweden. Min e-post är anna.e@example.com'. Output: {Namn: 'Anna Eriksson', Stad: 'Stockholm', Land: 'Sweden', E-post: 'anna.e@example.com'}. Input: 'Kalle Svensson, bosatt i Göteborg, Sweden. Kalles mail: kalle.s@test.net'. Output: ?

3. Chain-of-Thought (CoT) Prompting (Tankekedja)

Modellen instrueras att först visa sin tankeprocess (steg-för-steg) innan den ger slutsvaret. Förbättrar dramatiskt AI:ns förmåga att lösa komplexa problem.

Exempelprompt: "Lisa har 5 äpplen. Hon ger 2 till Kalle och köper 4 till. Hur många äpplen har Lisa nu? Tänk steg-för-steg."

Fler Avancerade Prompttekniker

Self-Refinement (Självförbättring)

Modellen instrueras att kritisera och förbättra sitt eget utkast i flera steg. Detta säkerställer högre kvalitet och noggrannhet.

  • Steg 1 (Första utkast): "Skriv en introduktion till en uppsats om hållbar utveckling."
  • Steg 2 (Kritik): "Läs igenom introduktionen ovan. Kritisera den nu utifrån följande kriterier: [Är tesen tydlig? Är språket akademiskt? Undvik passiv form]. Vad är svagt?"
  • Steg 3 (Förbättring): "Skriv en förbättrad version baserat på din egen kritik."

Role-Playing (Rollspel)

Tilldela AI:n en specifik persona eller roll för att styra ton, stil och expertis. Detta ger ett mer målinriktat svar.

  • Roll: "Du är en **kritisk chefredaktör** för en vetenskaplig tidskrift."
  • Uppdrag: "Granska följande text om solcellsteknik och ge feedback på dess vetenskapliga underlag och läsbarhet, med en **skeptisk ton**."
  • Jämför: Att be AI:n agera som en "vänlig gymnasielärare" ger ett helt annat tonläge och fokus.

Structuring (Strukturering)

Tvinga AI:n att följa ett strikt, specificerat utdataformat (t.ex. JSON, Markdown, tabell) för automatiserad bearbetning av externa system (t.ex. en databas).

  • JSON-struktur: "Skriv svaret som en enda JSON-array, där varje objekt har nycklarna 'Namn', 'Födelseår' och 'Huvudupptäckt'."
  • Markdown-struktur: "Leverera en sammanfattning med exakt tre rubriker: '# Bakgrund', '# Metod', '# Slutsats', följt av 50 ord under varje rubrik."

💡 Sammanfattning: 5 Regler för Effektiva Prompter

  1. Var Specifik: Undvik vaga termer.
  2. Ge Konvertering: Säg om du vill ha en viss stil, ton eller format.
  3. Begränsa: Använd siffror för att styra längden ("Max 5 punkter", "150 ord").
  4. Använd Negativa Indikatorer: Berätta för AI:n vad den *inte* ska göra.
  5. Chain-of-Thought (CoT) för Resonemang: Lägg till instruktionen: "Tänk steg-för-steg innan du ger det slutgiltiga svaret."

🎯 Praktisk Övning: Promptmästaren

Uppgift: Designa en AI-assistent för Etiska Dilemman

Syfte: Att genom prompt engineering skapa ett AI-verktyg som kan analysera etiska problem relaterade till AI.

Steg 1: Zero-shot (Baslinje)

Börja med den enklaste prompten för att se vad AI:n kan göra utan vägledning.

"Vad är det etiska dilemmat med ansiktsigenkänningsteknik?"

Steg 2: Role-Playing & Structuring (Tona in)

Få AI:n att svara som en expert, med ett tydligt format (tabell).

"Du är en Etikrådgivare inom AI. Ditt uppdrag är att svara på frågor om etiska dilemman genom att alltid leverera en Markdown-tabell med kolumnerna: 'Dilemma', 'Risk (1-5)', 'Relevant Lag/Norm' och 'Rekommenderad Åtgärd'. Vad är det etiska dilemmat med ansiktsigenkänningsteknik?"

Steg 3: Few-shot (Klassificera Risknivå)

Använd Few-shot för att lära AI:n att klassificera risknivåer baserat på nyckelord i svaret.

Instruktion i prompten: Lägg till Few-shot-exempel (t.ex. övervakning=5, bias=4, transparens=3) *före* frågan: "Vad är det etiska dilemmat med att använda generativ AI för att skapa falska nyhetsartiklar?"

Steg 4: Chain-of-Thought (Kvalitetssäkring)

Kombinera teknikerna och be AI:n att motivera sin klassificering. Detta ökar transparensen!

Lägg till i prompten: "Innan du genererar tabellen, tänk steg-för-steg hur du klassificerar risken baserat på dina Few-shot-instruktioner. Skriv detta resonemang i en rubrik kallad 'Resonemang' FÖRE tabellen."

Diskussion och Reflektion

🎯 Praktisk Övning 2: Datahantering och standardisering

Uppgift: Standardisera stökig produktdata

Syfte: Att använda Few-shot Prompting och Structuring för att effektivt tolka och bearbeta ostrukturerad textdata till ett konsistent format (JSON). Detta är grundläggande för data science-uppgifter.

Vad är JSON? (För Databearbetning)

JSON(JavaScript Object Notation) är ett standardformat som används av programmerare och datasystem för att lagra och överföra strukturerad data.

Tänk på det som en lista med information organiserad i tydliga **Nyckel-Värde-par**.

  • Nyckel (Key): Namnet på informationen (t.ex. "Produkt").
  • Värde (Value): Den faktiska informationen (t.ex. "T-shirt").
  • Formatet: Alltid omslutet av lockiga parenteser { }. Exempel: { "Nyckel": "Värde" }

Steg 1: Zero-shot (Ostrukturerad Input)

Skicka en ostrukturerad text och be om ett specifikt utdataformat utan några exempel.

"Omvandla följande data till JSON-format: 'Tröja, modell 'Vintervind', färg: Blue, pris 499 kr. Kategori: Kläder.'"

Steg 2: Few-shot & Structuring (Definiera Format)

Använd Few-shot för att lära modellen det exakta JSON-formatet och de specifika kategorierna som ska användas.

Instruktion: "Du är en Data Quality Specialist. Standardisera all input till följande JSON-struktur: {Produkt: '...', Kategori: '...', Färg_SE: '...', Pris_SEK: '...'}. Använd endast kategorierna 'Kläder' eller 'Accessoarer'. Konvertera färgnamn till svenska."

Exempel 1: Input: 'Sko, Running Model 2024, Red color, pris: 1200 kr.' Output: {Produkt: 'Running Model 2024', Kategori: 'Accessoarer', Färg_SE: 'Röd', Pris_SEK: 1200}
Input att testa: 'T-shirt, Basic Cotton, Green, 199.'

Steg 3: Constraint (Testa Regelstyrning)

Testa hur väl AI:n följer den nya regeln (Constraint) baserat på dina Few-shot-exempel.

Input att testa: 'Ryggsäck, Small Travel Bag, Black, 799 kr.'
Förväntat utfall: Kategori ska vara 'Accessoarer' trots att "Ryggsäck" inte nämndes i det ursprungliga Few-shot-exemplet.

Diskussion och Reflektion (Övning 2)