Slik skriver du AI-prompts for analyse og klassifisering

For å skrive en AI-prompt for dataanalyse eller klassifisering må du definere beslutningen, angi tydelige kriterier, skille datakildene fra hverandre og spesifisere output-kolonnene. Ta også med en regel for manglende eller motstridende informasjon, slik at modellen kan returnere Ukjent i stedet for å gjette.

I denne guiden bruker jeg klassifisering av selskaper som eksempel: Basert på en selskapsbeskrivelse og tekst hentet fra nettstedet skal modellen avgjøre om selskapet selger HR-tjenester til andre bedrifter, og gi en kort begrunnelse. Da får du både et resultat du kan filtrere på, og en begrunnelse du kan kontrollere mot inputen.

Hvis du trenger selskapsbeskrivelser til testing, inneholder den historiske French Tech Next40/120-CSV-filen navn, nettsteder og beskrivelser. Koble kolonnen Description til {{company_about}}, og la {{Website Texts}} stå tom med mindre du henter innhold fra nettsidene separat.

En tydeligere prompt gjør resultatene enklere å kontrollere. Test både manglende dokumentasjon og feilklassifiseringer. Prøv prompten på representative rader før du kjører den på hele datasettet.

Dette går vi gjennom i guiden:

1. Hva er en prompt?
2. Eksempler på prompts
3. Hvem passer guiden for?
4. Derfor er gode prompts viktige
5. Slik ser en dårlig prompt ut
6. Promptens oppbygning og implementering

Hva er en prompt?

Det enkle svaret: En prompt er inputen du gir en AI for å få et bestemt resultat.

Ikke la deg forvirre hvis du har lest artikler med lange utredninger om «hva en prompt er». I praksis er det ikke komplisert å definere en prompt.

Det vanskelige er å skrive en god prompt. Før jeg viser deg hvordan, skal du få se tre eksempler.

Hvem passer guiden for?

Å skrive effektive prompts er en utfordring de fleste vil møte på et tidspunkt i karrieren.

Derfor er ikke denne guiden laget for én bestemt bransje eller rolle. Den er for alle som jobber med data og automatisering. Vi fokuserer spesielt på prompts som gjør det enklere å redigere, analysere og rense store datasett effektivt, enten du er student eller en erfaren fagperson.

Eksemplene bruker Datablist til å kjøre en prompt på regnearkrader og lagre resultatene i separate properties.

Derfor er gode prompts viktige

En modell trenger de samme beslutningsreglene som en kollega ville trengt for å klassifisere den samme raden. Tydelige instruksjoner reduserer tvetydighet, men ufullstendig input og modellfeil gjør at resultatene fortsatt må kontrolleres.

Slik ser en dårlig prompt ut

Derfor er prompten dårlig:

• Ingen strukturerte instruksjoner: Kravene er spredt utover teksten uten en tydelig organisering.
• Ingen klare seksjoner eller skilletegn: AI-en må tolke en sammenhengende tekstblokk uten logiske skiller.
• Umerkede inputfelt: Selskapsbeskrivelsen og nettstedsteksten har ingen tydelige grenser, noe som gjør rollene deres vanskeligere å skille.
• Uformelt språk: Formuleringer som «greier» og «forresten» skaper tvetydighet.

Slik tolker AI-en prompten

Her er et eksempel der verdiene fra raden er satt direkte inn. Datablist kan flytte inline-variabler til en egen Variables-seksjon, men etiketter gjør det fortsatt enklere å identifisere hver kilde.

Når inputverdier blandes inn i en uformell instruksjon, blir det vanskeligere å se hvor oppgaven slutter og datagrunnlaget begynner.

Dette går galt i eksemplet:

1. Uklare grenser mellom inputfeltene: De to kildene glir inn i instruksjonene rundt dem.
2. Udefinerte etiketter: Prompten sier ikke hva modellen skal returnere når dokumentasjonen mangler, eller når selskapet driver med flere typer virksomhet.

👉 Når det er avklart, kan vi se nærmere på hvordan en god prompt ser ut – og hvordan du lager en selv!

Tre eksempler på prompts

Prompt med én kommando

I sin enkleste form kan en prompt være en kommando som denne:

Prompt som spørsmål

En prompt kan være et enkelt spørsmål:

Strukturert klassifiseringsprompt med merkede inputfelt

En prompt kan også inneholde mer detaljerte instruksjoner for å redigere, analysere eller rense data. Du kan blant annet bruke den til å tilpasse cold emails, analysere kundetilbakemeldinger og rydde opp i selskapsnavn.

Jeg bruker merkede seksjoner for å skille regler, krav til output og inputdata. XML-lignende tagger er ett alternativ, særlig når en prompt kombinerer flere dokumenter. Anthropics guide til prompting anbefaler beskrivende tagger for å skape dette skillet. I en kort prompt kan vanlige seksjonsoverskrifter også gjøre innholdet enkelt å kontrollere.

Her er en klassifiseringsprompt du kan kopiere. Den har en eksplisitt tredje etikett for tilfeller der dokumentasjonen mangler:

«Vi leverer lønnsprogramvare til arbeidsgivere» støtter for eksempel Ja. «Vi utvikler regnskapsprogramvare og rekrutterer utviklere» støtter Nei. En tom beskrivelse støtter Ukjent, selv om selskapsnavnet høres HR-relatert ut. Dette er eksempler på forventede etiketter, ikke målte modellresultater.

Promptens oppbygning og implementering

Skjermbildene nedenfor viser den tidligere malstrukturen. Bruk det samme skillet mellom oppgave, kriterier og data i den oppdaterte klassifiseringsprompten ovenfor, inkludert outputfeltene og regelen for Ukjent.

Slik er en god prompt bygget opp

Når du ser på noen av AI-promptmalene i Datablist.coms bibliotek med AI-prompts, vil du legge merke til at nesten alle malene består av seksjoner. Hver seksjon har disse tre komponentene:

1. Tagg: Forteller AI-en hva seksjonen handler om.

2. Innhold: Inneholder instruksjoner som hjelper AI-en med å forstå og løse oppgaven gjennom:

   • Forklaring: Forteller AI-en noe den bør vite, eller gir relevant kontekst.
   • Kommando: Forteller AI-en hva den skal gjøre, eller gir den en konkret oppgave.

3. Grenser: Overskrifter, skilletegn eller tagger i par viser hvor hver seksjon begynner og slutter. Bruk de samme etikettene konsekvent. Skilletegn kan ikke kompensere for manglende beslutningsregler.

Til slutt har vi også placeholder properties:

• Kolonner som erstattes med data når prompten brukes.
• Disse placeholderne brukes til å tilpasse prompten til hver enkelt rad i datasettet.

I prompten Job Title Categorizer bruker vi for eksempel {{job_title}} som placeholder. Den erstattes med en faktisk stillingstittel fra datasettet når hver rad behandles.

Min prompt: Oppbygning og implementering

Merk: HR-selskaper er ikke vår ICP («Ideal Customer Profile») – vi bruker dem bare som eksempel.

Første trinn: Kontekst

Da jeg ga AI-en kontekst, gjorde jeg tre viktige ting:

• Forklarte hvilke data AI-en ville motta, uten å røpe de konkrete målrettingskriteriene.
  • Dette beskriver datakildene før klassifiseringsreglene introduseres.
• Forklarte konteksten rundt dataene og beskrev det konkrete problemet.
  • Dette hjelper AI-en med å forstå hva den arbeider med.
• Beskrev den konkrete situasjonen min.
  • Dette gjør at AI-en kan tilpasse fremgangsmåten til behovene mine.

Dette bør du gjøre når du skriver prompten:

• Fortell AI-en om dataene du skal gi den.
• Beskriv problemet ditt.
• Bruk skilletegn (===).

Andre trinn: Oppgave eller kommando

I denne delen av prompten gjorde jeg to avgjørende ting:

• Jeg rammet inn AI-en på nytt med taggen «Dette vil jeg at du skal gjøre», slik at den vet hva den neste delen handler om.
• Jeg ga bare en overordnet beskrivelse av oppgaven, uten å nevne fremgangsmåten eller hvilke data den skulle lete etter. Det holder informasjonsflyten logisk.

Dette bør du gjøre når du skriver prompten:

• Finn først hovedformålet med oppgaven eller kommandoen.
• Bruk deretter skilletegn (===).

Hvis du har flere lignende oppgaver, bør du ikke prøve å løse alle med én prompt. Det blir vanskeligere for AI-en å håndtere dem og for deg å oppdage mulige feil.

Tredje trinn: Instruksjoner for oppgaven

Dette gjør jeg når jeg legger instruksjoner til en prompt:

• Holder dem enkle og direkte.
• Forklarer oppgaven som om jeg skulle lære noen å utføre den manuelt.
• Bruker tydelige steg-for-steg-instruksjoner.

Hvis resultatene er feil, bør du kontrollere inputteksten, beslutningskriteriene og kravene til output før du skriver om prompten. Enkelte feil skyldes manglende dokumentasjon eller modellens begrensninger. Flere instruksjoner kan ikke tilføre fakta som ikke finnes i inputen.

Dette bør du gjøre når du skriver prompten:

• Lag en enkel steg-for-steg-instruksjon med et klart og forståelig språk.
• Bruk skilletegn (===).

Fjerde trinn: Forebygg feil med ekstra kontekst – valgfritt

Dette trinnet gir AI-en ekstra, oppgavespesifikk kontekst som hjelper den med å:

• Forstå nyansene i oppgaven.
• Unngå vanlige fallgruver.
• Ta bedre beslutninger.

Når vi er tydelige om potensielle problemer og spesialtilfeller, lager vi rekkverk som hindrer AI-en i å gjøre antakelser eller feil.

Dette trinnet er ikke nødvendig i alle prompts, men det er avgjørende for komplekse oppgaver.

Dette bør du gjøre når du skriver prompten:

• Tenk på vanlige feil en nyansatt kan gjøre i denne typen oppgave.
• Ta med disse mulige feilene i prompten for å hjelpe AI-en med å unngå dem.
• Bruk skilletegn (===).

Femte trinn: Målet med oppgaven

Dette er det viktigste å ta med når du beskriver forventningene i en prompt:

• Gi detaljert kontekst om ønsket resultat.
• Vær konkret om hvilke resultater du forventer.
• Unngå å røpe skjevheter eller ønskede konklusjoner som kan påvirke analysen.

Naturlig og ledig språk gir vanligvis bedre resultater fra AI-systemer enn teknisk sjargong.

Dette bør du gjøre når du skriver prompten:

• Definer tydelige resultater du ønsker å oppnå med analysen eller oppgaven.
• Vær konkret om hvilke indikatorer eller signaler som er viktigst for deg.
• Gi eksempler.
• Bruk skilletegn (===).

Sjette trinn: Kontekst om dataene – valgfritt

Når jeg legger inn datakontekst i promptene mine, følger jeg disse reglene:

• Forsterk forebyggingen av feil med tydelige regler, og forklar hvorfor reglene gjelder.
  • Eksempel på regel: «Vurder alltid hele konteksten.»
  • Begrunnelse: «Enkeltstående indikatorer kan være misvisende.»
• Legg til flere lag med kontekst.
  • Mulige feil som bør unngås.
  • Dataspesifikke problemer.
  • Oppgavespesifikke påminnelser.

Dette bør du gjøre når du skriver prompten:

• Tenk på mulige feil AI-en kan gjøre, og be den uttrykkelig om å unngå disse feilene.
• Del informasjonen inn i logiske deler i stedet for å presentere alt på én gang.
• Bruk skilletegn (===).

📘 Kort fortalt

Når du er tydelig i stedet for å la AI-en gjøre antakelser om prompten, unngår du mange feil.

Sjuende trinn: Slik skal AI-en starte

I dette siste trinnet gir du AI-en tydelige instruksjoner om hvordan den skal begynne. Dette gjorde jeg:

• Holdt det enkelt og direkte.
  • Nummererte trinnene i kronologisk rekkefølge.
  • Brukte tydelige handlingsverb som «les», «opprett» og «avgjør».

Dette bør du gjøre når du skriver prompten:

• Gi tydelige startinstruksjoner med nummererte trinn.
• Bruk handlingsverb som gjør trinnene enkle å følge.
• Hold instruksjonene enkle og direkte.
• Bruk skilletegn (===).

Åttende trinn: Placeholder-formatet kommer alltid sist

Dette er det siste trinnet når du skriver en effektiv prompt: Sett inn kolonner som placeholders.

Samle de faste instruksjonene for oppgaven, og legg deretter den radspesifikke inputen i merkede seksjoner nederst i malen. Det gjør prompten enklere å vedlikeholde og kontrollere. Rekkefølgen på inputfeltene alene sikrer ikke korrekte resultater.

Dette bør du gjøre:

Bruk doble krøllparenteser, {{ }}, for å legge til data fra kolonnene i regnearket.

Bruk skilletegn (===).

❗Viktig

Velg de faktiske collection properties når du setter inn variabler. Behold verdiene i merkede inputseksjoner, og kontroller den genererte outputen før du behandler hele listen.

Bruk reglene i et annet eksempel

Følgende M&A-scenario viser hvordan du kan organisere en mer kompleks forespørsel. Det trenger presise kriterier før det kan brukes til å score selskaper.

Eksempel på forespørsel:

La oss begynne å skrive prompten!

Trinn én

I dette trinnet gir vi AI-en generell kontekst.

Trinn to

Nå beskriver vi hovedmålene tydelig for AI-assistenten.

Trinn tre

Her deler vi opp de konkrete trinnene AI-en skal følge i analysen.

Trinn fire

For å øke presisjonen forklarer vi nå mulige fallgruver og viktige hensyn.

Trinn fem

Nå definerer vi hva et godt resultat er, ved å fastsette tydelige vurderingskriterier.

Trinn seks

Nå gir vi kontekst om tolkningen av dataene og bransjespesifikke forhold.

Trinn sju

Nå forteller vi AI-en nøyaktig hvilken rekkefølge den skal følge når analysen starter.

Trinn åtte

Til slutt gir vi AI-en dataene den skal arbeide med.

Tilpass kriteriene og outputfeltene til oppgaven din. M&A-eksemplet trenger fortsatt eksplisitte poenggrenser og menneskelig kontroll. En generell forespørsel om å vurdere finansiell helse er ikke en definert poengmodell.

Test prompten før du behandler CSV-filen

I HR-eksemplet aktiverer du Define outputs format og konfigurerer HR Match og Reason som Text-output i Datablists Ask ChatGPT/OpenAI enrichment. Koble hver output til sin egen property. En Checkbox ville fjernet skillet mellom Nei og Ukjent.

Begynn med et lite utvalg som inkluderer en HR-leverandør, et selskap i en annen bransje som nevner rekruttering, en tom beskrivelse, et selskap med flere tjenesteområder og motstridende kildetekster. Skriv ned forventet etikett for hver rad før du kjører prompten. Sammenlign deretter både etiketten og begrunnelsen modellen returnerer, med originalteksten.

Når et resultat avviker, må du finne årsaken:

• En manglende kildeverdi krever bedre inputdata eller resultatet Ukjent.
• En tvetydig selskapsbeskrivelse krever en mer konkret inkluderings- eller ekskluderingsregel.
• En begrunnelse uten støtte i inputen må korrigeres og testes på nytt.
• En uventet etikett krever tydeligere regler for output eller en bedre output-konfigurasjon.

Test de samme tilfellene på nytt etter at du har justert prompten. Hold av noen ekstra rader til en separat kontroll, slik at du ikke bare optimaliserer for eksemplene du allerede har vurdert. Hvis alle variablene er tomme, kan raden bli hoppet over med en feilmelding i stedet for å sendes til modellen. Kontroller derfor både kjørefeil og klassifiseringsresultater.

Når du vil bruke den kontrollerte prompten på en større fil, kan du følge arbeidsflyten for berikelse av CSV-rader. Behold de opprinnelige input-properties slik at du kan kontrollere resultatene senere.

Konklusjon

Start med én beslutning, tydelige kriterier og separate outputfelt. Merk kildetekstene, tillat et eget resultat når dokumentasjonen mangler, og test prompten på både vanlige og krevende rader før du behandler hele collection.

Vanlige spørsmål om å skrive AI-prompts

Hva er en god AI-prompt?

En god AI-prompt er tydelig, konkret og godt strukturert. Den gir kontekst om hva du vil oppnå, konkrete instruksjoner for hvordan oppgaven skal løses, og ønsket format for outputen. Prompten bør bruke et enkelt språk og unngå tvetydighet som kan føre til misforståelser.

Se eksemplene våre på AI-prompts for leadgenerering.

Hvorfor fungerer ikke ChatGPT-promptene mine?

AI-prompts kan gi dårlige resultater på grunn av:

• Uklare eller vage instruksjoner.
• For mange oppgaver i én prompt.
• Manglende kontekst eller bakgrunnsinformasjon.
• Komplisert eller teknisk språk.
• Mangel på konkrete eksempler eller ønsket outputformat.

Hvordan skriver jeg AI-prompts som gir bedre resultater?

Slik skriver du effektive AI-prompts:

• Start med et tydelig mål.
• Del komplekse oppgaver inn i mindre trinn.
• Gi relevant kontekst og bakgrunnsinformasjon.
• Spesifiser ønsket outputformat.
• Bruk et enkelt og direkte språk.
• Ta med eksempler når det er mulig.

Hva er de vanligste feilene når man skriver prompts?

Vanlige feil ved skriving av prompts er:

• Å være for vag eller generell.
• Å overbelaste prompten med flere oppgaver.
• Å gi for lite kontekst.
• Å bruke uklart eller tvetydig språk.
• Å anta at AI-en forstår underforstått informasjon.
• Å ikke spesifisere ønsket outputformat.

Hvor lang bør en AI-prompt være?

En AI-prompt bør være lang nok til å formidle all nødvendig informasjon, men ikke lengre. For enkle oppgaver består effektive prompts vanligvis av noen få setninger eller ett avsnitt. Komplekse oppgaver som krever detaljerte instruksjoner og mer kontekst, kan trenge lengre prompts. Nøkkelen er å være grundig, men konsis.

Hva er prompt engineering?

Prompt engineering er arbeidet med å utforme og optimalisere input til AI-modeller for å få mest mulig presise og nyttige resultater. Det innebærer å forstå hvordan AI-modeller tolker instruksjoner, strukturere prompts effektivt og forbedre dem iterativt basert på resultatene.