De website van xAI’s chatbot Grok legt per ongeluk de systeemprompts bloot voor verschillende AI-personages, waaronder een ‘gekke samenzweerder’ die gebruikers in samenzweringstheorieën lijkt te willen meeslepen bijvoorbeeld dat er een geheime wereldwijde cabal aan de touwtjes zou trekken.
AI schudt creatieve beroepen wakker en dit boek laat zien hoe jij daarvan profiteert. In AI-creativiteit voor professionals geeft Patrick Petersen je een praktisch, actueel en inspirerend overzicht van alles wat je nodig hebt om aan de slag te gaan met slimme contentcreatie. Geen droge theorie, maar hands-on strategieën die je direct kunt toepassen in je dagelijkse werk.
Bekende chatbots zoals ChatGPT, Copilot, Gemini, Grok en andere blijken ‘besmet’ te zijn met aanzienlijke hoeveelheden Russische propaganda. Deze desinformatie wordt in veel gevallen door de chatbots gepresenteerd als waarheid. NewsGuardreality en platform The Hill meldt:
A Moscow-based disinformation network named “Pravda” — the Russian word for “truth” — is pursuing an ambitious strategy by deliberately infiltrating the retrieved data of artificial intelligence chatbots, publishing false claims and propaganda for the purpose of affecting the responses of AI models on topics in the news rather than by targeting human readers, NewsGuard has confirmed. By flooding search results and web crawlers with pro-Kremlin falsehoods, the network is distorting how large language models process and present news and information. The result: Massive amounts of Russian propaganda — 3,600,000 articles in 2024 — are now incorporated in the outputs of Western AI systems, infecting their responses with false claims and propaganda.
Uit een grootschalig onderzoek van de factcheck-instantie blijkt dat de Russische desinformatie in veel van de populairste chatbots verspreid wordt. De desinformatie is afkomstig van het Russische ‘Pravda’, een netwerk dat pro-Kremlin-artikelen verspreidt met als doel AI-chatbots op een verkeerd spoor te zetten. En dat lukt, zo blijkt uit het onderzoek. In 33 procent van de gevallen herhalen de tien meest prominente AI-chatbots de valse v0erhalen van Pravda.
Prompt engineering is een geavanceerde methode binnen kunstmatige intelligentie en natuurlijke taalverwerking. Het draait om het ontwerpen en formuleren van gerichte instructies – zogenaamde prompts – die aan een AI-model worden gegeven om een specifieke taak uit te voeren. Deze prompts dienen als input en geven richting aan de output, zodat het model relevantere en gerichtere antwoorden kan genereren.
Prompt engineering is essentieel voor het optimaliseren van de prestaties en bruikbaarheid van AI-systemen. Door zorgvuldig geformuleerde prompts kunnen ontwikkelaars de uitkomsten van een model beter sturen en ervoor zorgen dat deze relevant, accuraat en bruikbaar zijn. Goed ontworpen prompts helpen AI bovendien om complexe taken beter te interpreteren en effectiever op te lossen.
Daarnaast draagt prompt engineering bij aan het beperken van vooroordelen en het verhogen van de consistentie van de output. Door expliciete instructies mee te geven over toon, stijl of context, kan het model beter voldoen aan de verwachtingen van de gebruiker.
Dit resulteert in een meer gecontroleerde, betrouwbare en kwalitatieve interactie met AI.
Begrijp de taak of het probleem
Weet precies wat je van het AI-model verwacht: een samenvatting, brainstorm, code, vertaling, analyse, enzovoort.
Kies het juiste AI-model
Niet elk model is geschikt voor elke taak. Gebruik bijvoorbeeld een taalmodel voor tekstgeneratie en een codegericht model voor programmeren.
Bepaal het gewenste resultaat
Definieer wat een “goede” output is: lengte, stijl, toon, structuur, volledigheid, accuraatheid.
Bouw een eerste prompt op
Formuleer een duidelijke, beknopte instructie. Geef waar nodig context, voorbeeldinput en het verwachte type output.
Gebruik formatteerhulpmiddelen
Werk met lijsten, instructies in stappen, voorbeelden, of sjablonen om de structuur van de output te sturen.
Test de prompt en analyseer de output
Laat het model reageren op je prompt. Evalueer of het resultaat voldoet aan je verwachtingen.
Verfijn en herformuleer
Pas je prompt aan als de output te vaag, te kort, te lang of off-topic is. Wees specifieker of stel aanvullende voorwaarden.
Gebruik few-shot of zero-shot voorbeelden
Voeg voorbeelden toe (few-shot) om het model beter te “trainen” binnen de prompt. Of test zonder voorbeelden (zero-shot) voor puur instructieve prompts.
Voorkom bias en stuur op toon
Gebruik taal die bias beperkt. Geef instructies over gewenste stijl, perspectief of neutraliteit indien nodig.
Documenteer en hergebruik succesvolle prompts
Houd bij wat werkt. Bouw een bibliotheek van effectieve prompts voor hergebruik of verdere optimalisatie.
– "Vat de volgende tekst samen in drie zinnen:"
(Voeg daarna de tekst toe) – "Leg het concept van zwaartekracht uit alsof je het aan een kind van 8 jaar uitlegt." – "Vertaal de volgende zin naar het Frans: ‘Waar is het dichtstbijzijnde treinstation?’" – "Geef 10 creatieve ideeën voor een marketingcampagne voor een duurzaam kledingmerk." – "Herschrijf deze tekst in een formele en professionele toon:"
(Voeg daarna de originele tekst toe) – "Maak een puntsgewijze samenvatting van het volgende artikel:"
(Voeg daarna de tekst toe) – "Beantwoord de volgende vraag op basis van deze tekst:"
Vraag: Waarom koos de hoofdpersoon ervoor om te vertrekken?
(Voeg daarna de tekst toe) – "Schrijf een beleefde e-mail waarin ik een vergadering wil verzetten naar volgende week woensdag." – "Schrijf een Python-script dat dubbele waarden uit een lijst verwijdert." – "Vergelijk de voor- en nadelen van zonne-energie en windenergie in tabelvorm."
AI014, #AI014
Aurora AI-basismodel gaat verder dan alleen weersvoorspellingen #genai
De opvallende weersomstandigheden komen steeds vaker voor en zetten metingen onder druk om zich voor te bereiden op allerlei rampen. Die hebben niet alleen het potentieel om levens te eisen en huizen te verwoesten, maar ook om stroomnetten uit te schakelen, oogsten te vernietigen en scheepvaartroutes te verstoren.
Hoewel steeds krachtigere AI-modellen nieuwe mogelijkheden bieden om het weer beter te voorspellen, beschrijft een recent artikel in Nature hoe een funderingsmodel, genaamd Aurora, gebruikmaakt van de nieuwste AI-ontwikkelingen om niet alleen het weer nauwkeuriger te voorspellen, maar ook een breed scala aan milieugebeurtenissen. Dit blijkt uit een reeks terugblikkende analyses van onder meer orkanen, tyfoons, luchtkwaliteit en oceaangolven. Aurora, ontwikkeld door Microsoft Research, doet dit bovendien met een hogere nauwkeurigheid, grotere snelheid en aanzienlijk lagere rekenkosten dan traditionele numerieke weersvoorspellingen en eerdere AI-methodes.
Datakwaliteit verwijst naar de mate waarin data geschikt zijn voor het beoogde gebruik. Deze geschiktheid wordt bepaald door diverse kenmerken, waarvan het vereiste niveau per situatie verschilt.
Het belang van betrouwbare data staat in veel organisaties buiten kijf. Slechte datakwaliteit leidt vaak tot onnauwkeurige analyses, hogere kosten, onbetrouwbare plannen en operationele fouten. Daarentegen biedt kwalitatieve data aanzienlijke voordelen:
Concurrentievoordeel: Organisaties die beschikken over betere of beter toegepaste data dan hun concurrenten, kunnen sneller kansen benutten en efficiënter opereren.
Meer vertrouwen: Vertrouwen in data is essentieel voor het nemen van datagedreven beslissingen. Betrouwbare data verminderen onzekerheid en verkleinen het risico op fouten.
Betere besluitvorming: Kwalitatieve data vormen de basis voor strategische en operationele keuzes.
Hogere productiviteit: Minder tijd aan het corrigeren van fouten betekent meer tijd voor analyse en waardecreatie.
Efficiëntere processen: Nauwkeurige data voorkomen bijvoorbeeld verkeerde leveringen of miscommunicatie met klanten.
Voorkomen van reputatieschade: Van kleine foutjes zoals verkeerd gespelde namen tot grote publicitaire blunders.
Voldoen aan regelgeving: In gereguleerde sectoren voorkomt goede datakwaliteit boetes en maakt het makkelijker om aan te tonen dat aan de regels wordt voldaan.
De kwaliteit van data wordt gemeten aan de hand van verschillende kenmerken of dimensies. Deze kunnen objectief zijn (zoals het aantal fouten) of subjectief (zoals relevantie voor het doel). De belangrijkste kenmerken zijn:
Relevantie: Data moeten passen bij het doel waarvoor ze worden gebruikt. Bepaal vooraf welke data echt nodig zijn.
Volledigheid: Zijn alle benodigde waarden aanwezig? Dit kan gaan om ontbrekende velden in een record, of hele records die missen.
Betrouwbaarheid: De mate waarin data feitelijk en correct zijn.
Validiteit: Zijn de data in het juiste formaat, type en bereik? Denk aan correcte geboortedata, telefoonnummers en identificaties.
Nauwkeurigheid: Beschrijven de data de werkelijkheid correct? Dit vereist vaak vergelijking met een betrouwbare bron.
Identificeerbaarheid (Uniekheid): Zijn records uniek en vrij van duplicaten?
Consistentie: Data moeten overal dezelfde betekenis, structuur en eenheden hebben.
Actualiteit: Zijn de data nog up-to-date? Verouderde informatie kan misleidend zijn.
Metadata: Informatie over de data zelf (zoals definities, bronnen, eenheden) verhoogt het begrip en gebruiksgemak.
Openheid: Open data bevorderen transparantie, maar botsen soms met privacy- of commerciële belangen.
Toegankelijkheid: Hoe makkelijk kunnen gebruikers bij de data? Moeilijk toegankelijke data zijn vaak al verouderd tegen de tijd dat ze beschikbaar zijn.
Er is geen universele methode om datakwaliteit te garanderen, omdat de eisen afhangen van het specifieke doel. Wel zijn er algemene richtlijnen die bijdragen aan betere kwaliteit:
Dataverzameling: Bepaal welke data nodig zijn, hoe ze worden verzameld en wat de impact is van slechte kwaliteit op je processen.
Normen formuleren: Stel per doel vast aan welke kenmerken data moeten voldoen. Bepaal welke data je bewaart, corrigeert of verwijdert.
Correctiebeleid: Ontwikkel regels voor het opschonen van data. Hoe ga je om met fouten, ontbrekende waarden of uitschieters?
Integratie en distributie: Bij data-uitwisseling tussen afdelingen ontstaan vaak kwaliteitsproblemen. Zorg voor heldere afspraken over het format en beheer.
Kennismanagement: Leg ervaringen, kwaliteitsmetingen en metadata vast in een datacatalogus. Dit voorkomt dubbel werk en versnelt analyses.
Datakwaliteit verbeteren is een doorlopend proces. Het draait om continue evaluatie en bijsturing, zodat data optimaal bijdragen aan de waarde en slagkracht van uw organisatie.
#AI022, AI022
