Prompt engineering en werken met LLM’s in de praktijk

Artificial Intelligence wordt steeds vaker toegepast in organisaties, maar de manier waarop je met deze technologie werkt, maakt uiteindelijk het verschil. De afgelopen periode heb ik mij verder verdiept in prompt engineering en het bouwen van toepassingen met large language models (LLM’s), onder andere via een module binnen mijn studie Artificial Intelligence aan Columbia University.

In deze module stond één vraag centraal: hoe zorg je ervoor dat een AI-model niet alleen iets genereert, maar ook daadwerkelijk doet wat je nodig hebt?

Dat begint bij prompt engineering. In de basis betekent dit dat je leert hoe je een model aanstuurt door de juiste input te geven. Waar veel mensen denken dat AI “gewoon werkt”, zit de echte kracht juist in hoe je een vraag stelt. Kleine verschillen in formulering kunnen leiden tot compleet andere uitkomsten.

Tijdens de module heb ik gewerkt met verschillende technieken, zoals zero-shot, one-shot en few-shot prompting. Hierbij geef je een model geen voorbeelden, één voorbeeld of meerdere voorbeelden om het gedrag te sturen. Dit maakt het mogelijk om veel gerichter output te krijgen, of het nu gaat om het schrijven van teksten, het genereren van code of het analyseren van data.

Naast prompting heb ik gewerkt met het bouwen van toepassingen via de OpenAI API. Dit maakt het mogelijk om AI direct te integreren in processen en systemen. Denk aan het automatisch genereren van teksten, het analyseren van bestanden of het ondersteunen van besluitvorming op basis van data.

Wat dit interessant maakt, is dat AI hiermee niet iets abstracts blijft, maar een praktisch hulpmiddel wordt. Je kunt relatief snel prototypes ontwikkelen die daadwerkelijk waarde toevoegen, bijvoorbeeld door repetitieve taken te automatiseren of informatie toegankelijker te maken.

Ook heb ik gewerkt met tools zoals LangChain en LlamaIndex. Deze libraries maken het mogelijk om AI-modellen te koppelen aan externe data, zoals documenten of databases. Hierdoor kun je toepassingen bouwen die niet alleen genereren, maar ook context begrijpen en relevante informatie ophalen.

Een belangrijk inzicht uit deze module is dat AI steeds meer verschuift van een puur technisch onderwerp naar een praktisch instrument. Je hoeft geen compleet model vanaf nul te trainen om waarde te creëren. Door bestaande modellen slim aan te sturen en te integreren, kun je snel werkende oplossingen bouwen.

De toepassingen hiervan zijn breed. Denk aan het automatiseren van processen, het ondersteunen van analyses of het verbeteren van klantinteracties. Maar ook aan het sneller ontwikkelen van prototypes of het testen van ideeën zonder grote investeringen vooraf.

Wat voor mij centraal staat, is dat AI begrijpelijk en toepasbaar blijft. Technologie moet niet complexer maken wat al ingewikkeld genoeg is. Juist door het praktisch te houden en te focussen op concrete toepassingen, ontstaat er echte waarde.

De inzichten uit deze module gebruik ik direct in mijn werk. Niet door alles technisch zo complex mogelijk te maken, maar door te kijken waar AI daadwerkelijk helpt en hoe je het slim inzet binnen bestaande processen.

In de komende periode zal ik vaker delen hoe deze technieken in de praktijk toegepast kunnen worden, met voorbeelden en concrete use cases. Want uiteindelijk draait het niet om de technologie zelf, maar om wat je ermee mogelijk maakt.