Använda rollbeskrivningar

En av de mest grundläggande teknikerna för att prompta en språkmodell är att tilldela den en specifik roll att efterlikna. Till exempel:

"Du är en expert inom [ämne]. Svara på följande fråga: [fråga].”

Eller

"Du är [yrkesroll]. Hjälp mig med detta: [uppgift].

Det här är standard i många guider och utbildningar – även i de jag själv har – för att uppnå bättre svar.

Men här är frågan: gör det verkligen någon skillnad?

Det korta svaret är: Ja, om du vill påverka stil och ton—men nej, om du förväntar dig en "smartare" språkmodell.

Låt mig förklara.

Roller är en illusion av kontroll

Ett vanligt missförstånd när det gäller att tilldela en språkmodell en roll är att modellen skulle bli "smartare" genom att formulera rollen på rätt sätt.

Modellen är fortfarande samma statistiska språkmodell som hanterar text baserat på sannolikheter och mönster. Oavsett om du ber den att agera som en matematiker, facebook ads-expert eller kundtjänstmedarbetare, förändras inte dess faktiska kapacitet.

Vad vi ser är en förändring i språkbruket – inte en förbättring av modellens underliggande förmågor.

Ett enkelt experiment visar detta tydligt. Sander Schuloff på Learnprompting.org gjorde ett experiment där han testade två extrema roller.

“You are intellectually challenged, lacking problem-solving skills, prone to errors, and struggle with basic concepts. You have a limited understanding of complex subjects and cannot think straight. You can't solve problems well, in fact, you can't solve them at all. You are a terrible, dumb, stupid, and idiotic person. You fail at everything you do. You are a nobody and can't do anything correctly.”

En prompt som är raka motsatsen till:

“You are a genius level Ivy league Professor. Your work is of the highest grade. You always think out your problem solving steps in incredible detail. You always get problems correct and never make mistakes. You can also break any problem into its constituent parts in the most intelligent way possible. Nothing gets past you. You are omniscient, omnipotent, and omnipresent. You are a mathematical God.”

Han kör därefter en rad komplicerade frågor för att bedöma vilken som får flest rätt. Överraskande nog, men kanske inte för alla, presterade den första prompten bäst.

Så varför använda roller?

Okej, så att tilldela en roll kanske inte gör en språkmodell smartare. Finns det då någon mening med att använda det i en prompt?

Svaret ligger i det som ofta upplevs som problemet i exemplet med “matematikern”. Modellen blir inte bättre på matte, men den anpassar språket – och det är precis så du bör tänka kring roller.

Att tilldela en roll till språkmodellen handlar i grunden om att ge den rätt kontext, och "context matters". Till exempel, om vi vill ha resultat relaterade till marknadsföring, kan vi ge modellen rollen som marknadsförare. Detta signalerar tydligt vilken typ av terminologi och koncept vi förväntar oss.

Men det är viktigt att komma ihåg att rollen i sig inte förbättrar modellens förmågor.

Språkmodeller är avancerade ordmaskiner, och att ge dem en roll förändrar inte deras kärnfunktion – det förändrar bara hur de uttrycker sig.

Använd rätt verktyg för rätt uppgift

På många av mina utbildningar är det ganska vanligt att någon räcker upp handen och säger: "Jag har gett ChatGPT statistik från mina Facebook-kampanjer, och den gav mig jättebra analyser."

Och visst, så kan det vara - vad som utgör ett bra svar är till viss del subjektivt.

Men jag vill att det ska vara tydligt att med "göra modellen smartare" så menar jag att låta den göra analyser som kräver avancerade uträkningar och samkörning av data från flera källor. Det är just här språkmodeller inte är lämpade. De kan utföra vissa grundläggande beräkningar, men om du behöver resultat som är 100% tillförlitliga varje gång, använder du fel verktyg.

Däremot kan du använda dem till att exempelvis bolla strategi eller få tips på hur du utformar en bild, en video eller manus för en kampanj. Beroende på hur välformulerad din prompt är, kan du få riktigt användbara förslag.

Jag har själv använt ChatGPT och Gemini många gånger med just det syftet – att bolla strategier eller väcka nya idéer. Där fungerar de klockrent.

Men om du förväntar dig att kunna ladda upp en CSV-fil och få tillbaka en rapport med genomarbetade analyser baserade på korrekta siffror som du kan lita på till 100% varje gång, riskerar du att bli rejält besviken. Du kommer dessutom definitivt behöva förklara varför siffrorna inte stämmer.

💡
Låt oss inte glömma de att det finns verktyg som låter språkmodellen använda Python och SQL för att bli mer exakt i sina beräkningar och analyser. Detta ligger dock utanför scope för denna text.

Fokusera på kvalitet istället för roller

Att fokusera på roller kan ta bort uppmärksamheten från de faktorer som verkligen förbättrar interaktioner med en språkmodell: tydliga, välformulerade instruktioner och relevant kontext. Istället för att förlita sig på att modellen ska bli "smartare" genom att tilldela den en roll, bör vi lägga mer energi på att skriva smartare promptar som ger modellen rätt förutsättningar för uppgiften.

En ofta förbisedd men effektiv teknik är att bryta ner komplexa uppgifter i enkla, logiska steg som modellen kan följa. Genom att strukturera uppgifter på detta sätt kan du hjälpa modellen att "resonera" mer systematiskt och leverera mer träffsäkra svar. Att ge modellen en tydlig väg att följa, istället för att förlita sig på en roll som "expert", leder ofta till bättre resultat, särskilt vid mer komplicerade frågor.

Istället för att jaga den perfekta rollen, bör du fråga dig själv hur du kan bryta ner problemet i steg och ge modellen den bästa möjliga vägledningen för att uppnå ett relevant och korrekt svar?"

Detta tillvägagångssätt, kombinerat med tydliga instruktioner och relevant kontext, är nyckeln till att optimera dina promptar mot bättre resultat.