Effektives Prompt Engineering beim Einsatz von Generative Artificial Intelligence im Marketing

Abstract

Generative Artificial Intelligence trägt zu einer Produktivitätssteigerung im Marketing bei, weshalb viele Marketer/-innen bereits auf diese Technologie zurückgreifen. Durch Eingabeaufforderungen, die von den Usern/-innen in natürlicher Sprache eingegeben werden, können Large Language Models und Vision Language Models originelle und realistische Inhalte in Form von Text und Bild generieren und somit ein breites Spektrum an Anwendungsfällen unterstützen. Obwohl Generative Artificial Intelligence enormes Potenzial birgt, bringt es auch verschiedene Herausforderungen mit sich. Da die erstellten Inhalte von Wahrscheinlichkeiten abhängig sind, können Fehler nicht ausgeschlossen werden. Aufgrund der Trainigsdaten können Modelle voreingenommene Meinungen oder veraltete Informationen berücksichtigen. Außerdem können von Artificial Intelligence generierte Inhalte zu einer Verringerung der Markenauthentizität führen. Eine Lösung zur Bewältigung dieser Herausforderungen ist Prompt Engineering. Mit optimierten Eingabeaufforderungen können die erstellten Inhalte wesentlich beeinflusst und somit die Fähigkeiten von Generative Artificial Intelligence ausgeschöpft werden. Diese Arbeit basiert auf der Methodik der Literaturrecherche und -analyse. Dabei wird nach den Richtlinien von Jan vom Brocke vorgegangen. Zu Beginn werden die wichtigsten Journals in den Themenbereichen Marketing und Artificial Intelligence mittels h index identifiziert und darin nach relevanten Publikationen recherchiert. Der wissenschaftliche Diskurs wird mit Papers der Datenbanken emerald.com, link.springer.com, researchgate.com, sciencedirect.com und scholar.google.com erweitert. Zu Beginn der Arbeit werden wichtige Schlüsselbegriffe erläutert. Als nächstes wird die Relevanz von Generative Artificial Intelligence für Marketer/-innen aufgezeigt und exemplarische Anwendungsfälle identifiziert. Das Kernstück dieser Arbeit beinhaltet die Ableitung von Erkenntnissen aus der Literatur zu Methoden und Richtlinien, welche in Large Language Models und Vision Language Models eingesetzt werden können. Für den Einsatz von Prompt Engineering in Large Language Models werden neun Prompt Engineering Methoden erläutert. Die exemplarischen Anwendungen am Beispiel PIA Camper schaffen einen einheitlichen Kontext für die bessere Verständlichkeit. Weiters können aus der Literatur zwei Dimensionen einer Matrix hergeleitet werden, um die Methoden nach der Art der Aufgabe und der gewünschten Interaktion zu strukturieren. In Vision Language Models gilt es, einige Richtlinien zu beachten, um das gewünschte Ergebnis zu erzielen. Während des iterativen Prozesses können Anpassungen der Prompt-Modifikatoren vorgenommen oder Strategien zur Verbesserung der Ergebnisse eingesetzt werden.

Datum der Bewilligung	2024
Originalsprache	Deutsch (Österreich)
Betreuer/-in	Andreas Auinger (Betreuer*in)