Prompting als Schnittstelle zwischen Mensch und Maschine

In der rasanten Welt der künstlichen Intelligenz (KI) und des maschinellen Lernens (ML) hat das sogenannte "Prompting" eine Schlüsselrolle eingenommen. Es definiert, wie Menschen mit Maschinen interagieren und deren Fähigkeiten effektiv nutzen können. Für Software-Entwickler:innen ist es besonders spannend, die Entwicklung dieser Technologie zu beobachten und zukünftige Trends zu erkennen. Dieser Artikel beleuchtet aktuelle Entwicklungen und gewährt einen Blick in die Zukunft des Promptings.

Endnutzer:innen als Prompt-Engineer: Der Chat-Modus ist derzeit die am häufigsten genutzte Methode, um mit KI zu interagieren. Ein Prompt ist im Wesentlichen eine spezifische Frage oder Anweisung, die durch Frameworks ergänzt werden kann und zur Kommunikation mit der KI führt. Dabei spielt präzises Prompting eine wesentliche Rolle, da unterschiedliche Wortwahl zu variierenden Ergebnissen führen kann. Eine der Herausforderungen ist die Wiederverwendbarkeit von Prompts sowie die Transparenz der KI-Entscheidungen. Für technisch weniger versierte Nutzer: innen gibt es Bibliotheken und Plugins, die diese Prozesse vereinfachen sollen, aber meist nur von einer eingeschränkten Zielgruppe genutzt werden.

Herausforderungen für Endnutzer:innen beim Prompting:

• Sprachliche Barrieren: Englisch ist häufig die Trainingssprache, während andere Sprachen, insbesondere solche, die weniger verbreitet oder komplexer in ihrer Struktur sind, oft weniger Trainingsdaten erhalten. Dies führt dazu, dass Anfragen in diesen Sprachen entweder falsch interpretiert oder weniger präzise beantwortet werden.
  
  
• Effektivität der Prompt-Formulierung: Die Struktur und Formulierung eines Prompts beeinflussen die Qualität der Antwort stark und müssen oft angepasst werden. Wenn der Kontext fehlt oder Schlüsselbegriffe nicht klar definiert sind, besteht die Gefahr, dass das Modell irrelevante Informationen liefert oder wichtige Details weglässt.
  
  
• Komplexität der Iterationen: Ohne technisches Verständnis für Parameter und sinnvolle Wiederholungen kann es schwierig sein, erfolgreiche Prompts zu erstellen. Wenn Endnutzer:innen nicht verstehen, wie sie ihre Anfragen modifizieren oder welche Parameter sie anpassen müssen, um relevante Ergebnisse zu erhalten, wird der Prozess mühsam und frustrierend. In vielen Fällen ist eine iterative Anpassung erforderlich, was die Komplexität erhöht.
  
• Mangelnde Transparenz: Häufig sind die Ergebnisse und die zugrundeliegenden Quellen sowie der Datenschutz für Endnutzer:innen mangelhaft. Es ist für Endnutzer:innen nicht immer ersichtlich, welche Quellen verwendet wurden oder wie sicher ihre Daten verarbeitet werden.
   

In vielen Fällen erfolgt das Prompting bereits nahtlos im Hintergrund, sodass Nutzer:innen die eigentlichen Eingaben gar nicht bemerken. Stattdessen stehen ihnen einfache Parameter zur Verfügung, die in bestehende Programme eingebettet sind. Dies bietet eine größere Stabilität und Optimierung für spezifische Anwendungsfälle, indem unnötige Komplexität reduziert wird. So begegnet uns generative künstliche Intelligenz im Alltag, ohne dass wir uns dessen bewusst sind.

Beispiele:

• Android – Fotobearbeitung: Nutzer:innen können Fotos durch einfache Befehle wie "Helligkeit anpassen" bearbeiten, ohne komplexe Einstellungen vorzunehmen.
• Android – Bildschirmübersetzung: Mit einem Klick wird der Text auf dem Bildschirm in eine andere Sprache übersetzt.
• iOS – Erinnerungen erstellen: Sprachgesteuerte Erinnerungen, z.B. "Erinnere mich daran, morgen um 9 Uhr den Müll rauszubringen", machen die Nutzung besonders intuitiv.