S08E17 - Betere AI-antwoorden in 4 stappen: meta-prompting uitgelegd

In de podcast AIToday Live staat meta-prompting centraal, een techniek die AI-resultaten aanzienlijk verbetert. Meta-prompting vraagt het AI-model eerst na te denken over de beste aanpak voordat het antwoord geeft, waardoor misverstanden worden voorkomen.

De DOVE-methode (Doel, Opties, Vergelijken, Uitvoeren) biedt een praktisch kader voor effectieve meta-prompts. In plaats van directe instructies te geven, communiceer je het doel en laat je het model meedenken over de beste aanpak.

Deze techniek is vooral waardevol bij complexe taken en voor het maken van herbruikbare prompts die je vaker kunt inzetten.

Onderwerpen

• Wat is meta-prompting?
• De DOVE-methode voor meta-prompting
• Praktijkvoorbeelden van meta-prompting
• Herbruikbare prompts maken met meta-prompting
• Zelfevaluatie als vorm van meta-prompting

Links

• Podcast: AIToday Live
• Podcast-aflevering: S07E68 - Betere AI-prompts in 5 woorden - YouTube
• Podcast-aflevering: S08E09 - Prompting als leiderschapstraining - Listen Now on AIToday Live | Zeno.FM
• Artikel: Prompt Engineering: zó schrijf je een sterke prompt | Fingerspitz
• Artikel: Meta Prompting: Laat AI je helpen betere prompts te maken
• Artikel: Meta-prompting 2.0: orkestreer je eigen AI-team

Aigency
Aigency ontwerpt en ontwikkelt waardevolle, robuuste en betrouwbare Machine Learning-modellen.

Info Support
Info Support is de specialist in maatwerk software en leidend in kunstmatige intelligentie (AI).

Disclaimer: This post contains affiliate links. If you make a purchase, I may receive a commission at no extra cost to you.

Schrijf je in voor onze nieuwsbrief en ontvang exclusieve toegang tot nieuws, blik achter de schermen en meer!

Transcript

1
00:00:02,480 --> 00:00:07,279
Stel je voor, je zit achter je laptop en je wilt iets gedaan krijgen met AI.

2
00:00:07,279 --> 00:00:09,600
E-mail, analyse, presentatie.

3
00:00:09,599 --> 00:00:14,879
Je typt een vraag in, drukt op enter en het resultaat is matig.

4
00:00:15,199 --> 00:00:18,160
Niet slecht, maar ook niet wat je in gedachte had.

5
00:00:18,240 --> 00:00:20,160
En je probeert het opnieuw.

6
00:00:20,160 --> 00:00:26,880
Andere woorden, iets meer context, beter, maar nog steeds niet helemaal herkenbaar.

7
00:00:26,880 --> 00:00:29,039
Dan is deze aflevering voor jou.

8
00:00:29,280 --> 00:00:38,239
Want er is namelijk een manier om AI te laten nadenken over hoe je vraag het beste gesteld kan worden voor het antwoord geeft.

9
00:00:38,399 --> 00:00:41,200
Deze techniek die heet meta-prompting.

10
00:00:41,200 --> 00:00:50,079
Het is een vorm van prompt engineering die je helpt betere resultaten te krijgen van ChatGPT, Claude, Gemini of welke AI je ook gebruikt.

11
00:00:50,960 --> 00:00:55,280
En ik ga je stap voor stap uitleggen hoe het werkt.

12
00:00:56,640 --> 00:01:00,799
En je luistert natuurlijk naar AIToday Live de korte aflevering.

13
00:01:00,799 --> 00:01:04,640
Ik ben Joop Snijder en ik neem je mee in deze aflevering.

14
00:01:04,640 --> 00:01:05,200
Goed.

15
00:01:05,199 --> 00:01:07,759
Laten we beginnen bij het begin.

16
00:01:07,759 --> 00:01:10,159
Wat is meta-prompting eigenlijk?

17
00:01:10,159 --> 00:01:12,560
Want daar gaan we het vandaag over hebben.

18
00:01:13,120 --> 00:01:16,799
Het woord meta betekent over zichzelf.

19
00:01:16,799 --> 00:01:21,359
Dus meta-prompting is dus prompting over prompting.

20
00:01:21,359 --> 00:01:32,959
Je vraagt de chatbot, de AI het model wat erachter zit om na te denken over de instructie zelf voor dat het aan de slag gaat.

21
00:01:33,280 --> 00:01:35,599
Een vergelijking maakt het denk ik duidelijker.

22
00:01:35,600 --> 00:01:37,440
Stel, je hebt een nieuwe collega.

23
00:01:37,439 --> 00:01:41,280
En je kunt die collega een opdracht geven en hopen dat het goed komt.

24
00:01:41,280 --> 00:01:46,239
Of je kunt zeggen, denk eerst na over wat je nodig hebt om dit goed te doen.

25
00:01:46,240 --> 00:01:47,680
Welke informatie mis je?

26
00:01:47,680 --> 00:01:49,760
Welke aanpak zou het beste werken?

27
00:01:49,760 --> 00:01:53,119
Stel die vragen eerst en ga dan aan de slag.

28
00:01:53,359 --> 00:01:55,679
Dat tweede is nou meta-prompting.

29
00:01:55,679 --> 00:01:58,239
Je vraagt het model niet om direct te antwoorden.

30
00:01:58,239 --> 00:02:02,879
Je vraagt het model om eerst na te denken tussen aanhalingstekens, want het denkt niet.

31
00:02:03,680 --> 00:02:05,439
Zo praten we nou eenmaal over.

32
00:02:05,679 --> 00:02:10,559
Je vraagt het model om eerst na te denken over de beste manier om te antwoorden.

33
00:02:11,519 --> 00:02:18,800
Je zou kunnen denken: waarom zou AI beter weten hoe ik mijn vraag moet stellen dan ikzelf.

34
00:02:18,800 --> 00:02:24,400
Het is een vraag die veel mensen hebben als ze ontdekken dat een prompt niet de resultaten opleveren die ze verwachten.

35
00:02:24,400 --> 00:02:26,560
Maar dat is juist precies het punt.

36
00:02:27,520 --> 00:02:36,959
Het model weet niet wat jij wilt, het kan wel, maar weet wel wat het zelf nodig heeft om een goed antwoord te geven.

37
00:02:37,280 --> 00:02:41,759
Een taalmodel heeft namelijk bepaalde informatie nodig om goede output te leveren.

38
00:02:41,920 --> 00:02:47,839
Context over het doel, informatie over de doelgroep, duidelijkheid over de gewenste lengte, toon, structuur.

39
00:02:48,159 --> 00:02:52,479
Als die informatie ontbreekt, vult het model de gaten zelf in.

40
00:02:52,480 --> 00:02:55,439
En die aannames zijn vaak niet wat jij bedoelde.

41
00:02:55,439 --> 00:03:02,079
Door het model te vragen om eerst na te denken over wat het nodig heeft, dwing je het om die gaten bloot te leggen.

42
00:03:02,079 --> 00:03:06,879
Het model wordt expliciet over zijn eigen behoeftes, zou je kunnen zeggen.

43
00:03:06,879 --> 00:03:15,439
En jij kunt die behoefte invullen voordat het fout gaat, laat me je door de basisvorm van meta-prompting heen leiden.

44
00:03:15,439 --> 00:03:18,079
En we doen dat in vier stappen.

45
00:03:18,960 --> 00:03:23,040
Ik heb er een soort van ezelsbruggetje van gemaakt, onthoud DOVE.

46
00:03:23,919 --> 00:03:26,000
Een ezelsbruggetje dat ik zelf gebruik.

47
00:03:26,000 --> 00:03:29,119
Doel, opties, vergelijk en uitvoeren.

48
00:03:29,120 --> 00:03:29,919
Stap 1.

49
00:03:29,920 --> 00:03:30,960
Geef het doel.

50
00:03:30,960 --> 00:03:33,039
Dus niet de opdracht, maar het doel.

51
00:03:33,039 --> 00:03:39,200
Dus niet schrijf een e-mail, maar ik wil een klant overtuigen om ons voorstel te accepteren.

52
00:03:39,200 --> 00:03:41,599
Het verschil is subtiel, maar wel belangrijk.

53
00:03:41,680 --> 00:03:44,560
Doel geeft richting de opdracht is beperkt.

54
00:03:44,560 --> 00:03:45,680
Stap 2.

55
00:03:45,680 --> 00:03:47,360
Vraag om mogelijke aanpakken.

56
00:03:47,360 --> 00:03:48,640
Dus vraag om opties.

57
00:03:48,640 --> 00:03:50,560
Je zegt tegen het taalmodel.

58
00:03:50,560 --> 00:03:54,080
Bedenk je drie verschillende manieren om dit doel te bereiken.

59
00:03:54,720 --> 00:03:58,799
Drie verschillende prompts die je zou kunnen gebruiken.

60
00:03:58,960 --> 00:03:59,840
Stap 3.

61
00:03:59,840 --> 00:04:01,439
Laat het model vergelijken.

62
00:04:01,439 --> 00:04:03,199
Vergelijk deze drie aanpakken nou.

63
00:04:03,359 --> 00:04:04,960
Welke is het meest volledig?

64
00:04:05,040 --> 00:04:10,480
Welke sluit het beste aan bij mijn doel en kies daarvan de beste.

65
00:04:10,799 --> 00:04:15,439
En stap 4 is dan de uitvoeren.

66
00:04:15,439 --> 00:04:18,399
Voer nu de gekozen aanpak uit.

67
00:04:18,720 --> 00:04:20,799
Dat klinkt als veel werk.

68
00:04:20,959 --> 00:04:22,399
En het is het ook de eerste keer.

69
00:04:22,399 --> 00:04:25,519
Want je moet het gaan oefenen, maar het levert betere resultaten op.

70
00:04:25,680 --> 00:04:30,399
Het mooie is: je kunt het hele proces in één prompt stoppen.

71
00:04:31,840 --> 00:04:37,280
Laten we een voorbeeld uit de praktijk geven, zodat we het concreet maken.

72
00:04:37,680 --> 00:04:43,600
Stel, je bent projectmanager en je wilt een samenvatting van een lang rapport voor je directieteam.

73
00:04:43,759 --> 00:04:48,240
Traditionele aanpak zou zijn: vat het rapport samen in vijf bullet points.

74
00:04:48,399 --> 00:04:50,319
De meta-prompting aanpak gaat anders.

75
00:04:50,319 --> 00:04:53,120
Je zegt: ik heb een rapport van 20 pagina's.

76
00:04:53,120 --> 00:04:56,479
Mijn directieteam heeft vijf minuten om de kern te begrijpen.

77
00:04:56,480 --> 00:04:59,360
Ze moeten een beslissing kunnen nemen over het vervolgtraject.

78
00:04:59,360 --> 00:05:05,960
Bedenk eerst wat is de beste manier om dit rapport samen te vatten voor dit doel en deze doelgroep.

79
00:05:06,279 --> 00:05:08,519
Welke structuur werkt het beste?

80
00:05:08,519 --> 00:05:11,879
Welke informatie is onmisbaar en welke kan weg.

81
00:05:11,879 --> 00:05:15,160
Formuleer je aanpak en voer die dan uit.

82
00:05:15,480 --> 00:05:19,560
Het verschil zit hier in de ruimte die je het model geeft om na te denken.

83
00:05:19,560 --> 00:05:22,600
In het eerste geval zeg je exact wat het moet doen.

84
00:05:22,600 --> 00:05:30,040
In het tweede geval zeg je wat je wilt bereiken en laat je het model meedenken over de beste weg ernaartoe.

85
00:05:31,480 --> 00:05:37,800
Ik gebruik zelf een vorm van meta-prompting die heel goed werkt voor juist herbruikbare prompts.

86
00:05:37,800 --> 00:05:39,480
Laat me die met je delen.

87
00:05:39,800 --> 00:05:44,920
Het begint met eigenlijk mijn werkwijze, die begint dan met een idee.

88
00:05:44,920 --> 00:05:50,200
Ik wil iets maken, bijvoorbeeld een template voor gespreksverslagen.

89
00:05:50,199 --> 00:05:53,800
Ik weet ongeveer hoe het eruit moet zien, maar niet precies.

90
00:05:53,800 --> 00:05:56,040
Dus ik begin te chatten met het model.

91
00:05:56,040 --> 00:05:58,920
Ik geef een voorbeeld, vraag om een eerste versie.

92
00:05:58,920 --> 00:06:01,639
Geef feedback op die versie en laat het aanpassen.

93
00:06:01,639 --> 00:06:13,480
Dus we zijn continu iteratief bezig, net zolang tot het resultaat klopt met precies dat het eruit ziet zoals ik het wil, dat er staat wat ik wil.

94
00:06:13,800 --> 00:06:16,760
Dat het resultaat helemaal van mij is.

95
00:06:16,759 --> 00:06:18,760
En dan komt die meta-stap.

96
00:06:18,759 --> 00:06:20,680
Dus ik vraag dan het model.

97
00:06:21,000 --> 00:06:23,720
We hebben nu deze template samengemaakt.

98
00:06:23,720 --> 00:06:29,240
Kun je een herbruikbare prompt schrijven waarmee ik in de toekomst vergelijkbare verslagen kan maken.

99
00:06:29,240 --> 00:06:36,359
Analyseer wat we gedaan hebben en destilleer de patronen en formuleer een instructie die ik direct kan gebruiken.

100
00:06:37,959 --> 00:06:42,120
Wat het model doet, is die kijkt dan terug naar onze conversatie.

101
00:06:42,120 --> 00:06:44,360
En het identificeert wat werkte.

102
00:06:44,439 --> 00:06:52,439
Haalt de structuur elementen, de toon, de specifieke keuzes op en formuleert dan een prompt die juist al die elementen bevat.

103
00:06:52,439 --> 00:06:59,960
Natuurlijk, soms moet ik dan nog regels verwijderen die te specifiek zijn omdat we ook een specifiek voorbeeld hebben gemaakt.

104
00:06:59,960 --> 00:07:05,800
Maar het levert een solide basis op voor een prompt die ik dan keer op keer kan gebruiken.

105
00:07:06,439 --> 00:07:09,079
Ik start dan een nieuwe chat op.

106
00:07:09,240 --> 00:07:11,160
Dan is hij even alles vergeten.

107
00:07:11,639 --> 00:07:17,959
Pak een input die ik heb gebruikt om uiteindelijk tot dat gespreksverslag te komen.

108
00:07:17,959 --> 00:07:20,519
En controleer dan ook die herbruikbare prompte.

109
00:07:20,600 --> 00:07:27,399
Dus ik geef hem dan die prompt, die input en kijk van oh ja, inderdaad, dan komt er ook exact uit wat ik wilde hebben.

110
00:07:27,399 --> 00:07:31,319
En dan kan ik dat gewoon de volgende keer weer gebruiken.

111
00:07:31,800 --> 00:07:36,520
En er is nog een vorm van meta-prompting die ik wil noemen en dat is zelfevaluatie.

112
00:07:36,519 --> 00:07:41,159
Je vraagt het model om zijn eigen output te beoordelen en te verbeteren.

113
00:07:41,480 --> 00:07:43,000
En dat gaat zo.

114
00:07:43,000 --> 00:07:46,279
Dus je laat het model eerst een antwoord geven.

115
00:07:46,279 --> 00:07:48,360
En daarna zeg je het volgende.

116
00:07:48,360 --> 00:07:50,439
Evalueer nu je eigen antwoord.

117
00:07:50,439 --> 00:07:51,480
Is het volledig?

118
00:07:51,480 --> 00:07:52,440
Is het accuraat?

119
00:07:52,439 --> 00:07:55,480
Is het duidelijk benoem concrete verbeterpunten.

120
00:07:55,480 --> 00:07:59,800
En geef dan een verbeterde versie waarin je die punten verwerkt.

121
00:08:00,120 --> 00:08:03,240
Het model wordt zo zijn eigen criticus.

122
00:08:03,240 --> 00:08:10,600
Het kijkt met frisse of misschien andere ogen naar wat het net geschreven heeft, zoek zwakke plekken en verbetert.

123
00:08:10,600 --> 00:08:15,879
Het is alsof je een collega vraagt om zijn eigen werk na te lezen voordat hij het inlevert.

124
00:08:16,680 --> 00:08:24,040
In onze aflevering over prompt engineering en leiderschap besprak ik alles hoe prompting eigenlijk een communicatievaardigheid is.

125
00:08:24,279 --> 00:08:28,439
En meta-prompting tilt dat naar een volgend niveau.

126
00:08:28,600 --> 00:08:31,160
Je traint niet alleen jezelf een helder formuleren.

127
00:08:31,159 --> 00:08:35,559
Je traint ook het model om kritisch naar het werk, naar de output te kijken.

128
00:08:35,559 --> 00:08:42,519
En daar kun je zelf ook weer van leren om volgende keren dingen beter te vragen.

129
00:08:42,680 --> 00:08:44,280
Beter te prompten.

130
00:08:45,559 --> 00:08:48,039
Dan is natuurlijk de vraag: wanneer gebruik je dit?

131
00:08:48,039 --> 00:08:51,240
Meta-prompting kost meer tijd dan een directe vraag.

132
00:08:51,240 --> 00:08:54,120
Het is niet voor elke situatie geschikt.

133
00:08:54,120 --> 00:08:57,000
Dus laten eens kijken van waar loont het dan wel.

134
00:08:57,079 --> 00:09:01,240
Dat is bij complexe taken waar je niet precies weet hoe je moet beginnen.

135
00:09:01,399 --> 00:09:09,400
Bij outputs die je toe doen, teksten die je organisatie vertegenwoordigen, analyses waar beslissingen op gebaseerd worden.

136
00:09:10,440 --> 00:09:11,320
Dat soort dingen.

137
00:09:11,319 --> 00:09:15,320
En natuurlijk ook bij die herbruikbare prompts die je vaker wilt gebruiken.

138
00:09:16,120 --> 00:09:21,639
Voor een simpele vraag als wat is de hoofdstad van Frankrijk, daar is meta-prompting overkill.

139
00:09:21,639 --> 00:09:24,760
Eigenlijk is prompting dan sowieso al overkill.

140
00:09:25,000 --> 00:09:34,120
Voor diepgaande belangrijke taken is het een waardevolle techniek, die meta-prompting die je resultaten echt aanzienlijk kan verbeteren.

141
00:09:35,079 --> 00:09:42,680
Dus concluderend, meta-prompting is het taalmodel laten nadenken over zijn eigen instructies.

142
00:09:42,680 --> 00:09:45,440
Klinkt abstract, maar de praktijk is eigenlijk simpel.

143
00:09:45,000 --> 00:09:50,080
Dus je geeft een doel, vraag de mogelijke aanpakken, laat evalueren en laat het uitvoeren.

144
00:09:50,399 --> 00:09:54,160
Of je laat het model verhelderende vragen stellen voordat het begint.

145
00:09:54,159 --> 00:10:00,879
Het resultaat altijd betere outputs, minder iteraties en prompts die je kunt hergebruiken.

146
00:10:01,279 --> 00:10:03,759
Volgende week gaan we een stap verder.

147
00:10:03,759 --> 00:10:07,039
Dan neem ik je mee in de ensemble voting.

148
00:10:07,039 --> 00:10:13,360
Dat is een techniek waarbij je meerdere modellen laat stemmen over het beste antwoord, maar daarover meer.

149
00:10:13,360 --> 00:10:17,760
Het mooie is wel dat als we dat gaan combineren met meta-prompting.

150
00:10:18,080 --> 00:10:23,520
Dan krijg je toch wel iets heel erg moois, maar daarover meer in de volgende aflevering.

151
00:10:24,639 --> 00:10:26,079
Dat was het voor vandaag.

152
00:10:26,080 --> 00:10:30,960
En bedenk, AI is niet de oplossing voor elk probleem, maar onmisbaar waar het past.

153
00:10:30,960 --> 00:10:38,639
En wil je meer weten over effectief werken met AI, beluister dan ook eens onze aflevering Betere AI-prompts in 5 woorden.

154
00:10:38,639 --> 00:10:40,240
Je vindt de link in de shownotes.

155
00:10:40,240 --> 00:10:41,920
Tot de volgende keer.