Gkc24-Session: Hands-On: Ein eigenes GPT erstellen

Hands-On: Ein eigenes GPT erstellen
Art	Barcamp-Session
KnowledgeCamp	KnowledgeCamp 2024
Sessiongebende	Christian
Datum	10.10.2024
Zeit	17:00 bis 17:45 Uhr
Aufzeichnung	YouTube
KI-Unterstützung	GPT-6.1 Sol

Disclaimer: Diese Seite ist KI-generiert, basierend auf einer KI-Zusammenfassung des Transkripts vom vorstehenden Youtube-Video!

Überblick

Christian demonstriert, wie sich in ChatGPT ein eigenes GPT für wiederkehrende Aufgaben erstellen lässt. Gemeinsam mit den Teilnehmenden entwickelt er zunächst einen Dialog zur Unterscheidung von Zielgruppen im Bereich Medienkompetenz und anschließend einen Generator für Quizfragen. Im Mittelpunkt stehen die schrittweise Präzisierung von Anweisungen, das Testen der Ergebnisse und die Anpassung an Themen, Zielgruppen und Ausgabeformate.

Die Live-Demonstration zeigt zugleich Grenzen: Das GPT hält eine vorgegebene Fragenzahl nicht zuverlässig ein, übernimmt gewünschte Änderungen teilweise nicht und erreicht schließlich ein Nutzungslimit. Ergänzend diskutiert die Gruppe Anwendungen für Kommunikation, Unternehmenswissen und die Auswertung von Softwareupdates sowie die Einbindung eigener Dokumente.

Hintergrund und Aufbau der Session

Christian stellt sich als Entwickler vor, der bis 2007 Internationale Medieninformatik in Berlin studiert hat. Das von ihm mitgegründete Softwareunternehmen entwickelte ein Werkzeug, das sich zu einer Quiz-Lern-App mit Gamification weiterentwickelte. Die Anwendung soll Wissen festigen, das zuvor an anderer Stelle erworben wurde.

Ein wiederkehrendes Problem kleiner Kunden war die Erstellung der benötigten Quizfragen. Nach Christians Darstellung begann das Unternehmen etwa vier Jahre vor der Session, dafür KI einzusetzen. Während die frühen Ergebnisse kaum brauchbar gewesen seien, habe sich die Qualität seit ChatGPT 3.5 deutlich verbessert. Daraus entstand auch ein Werkzeug mit einem geführten Erstellungsprozess.

Die Session ist als gemeinsames Experiment angelegt. Nach einer kurzen Einführung in die GPT-Oberfläche fragt Christian nach interessanten Anwendungsfällen. Die Gruppe schlägt unter anderem Onboarding und die Zuordnung von Nutzenden zu Zielgruppen vor. Auf die erste Demonstration folgt ein zweiter Versuch zur Quizgenerierung. Dazwischen und anschließend werden Erfahrungen, Qualitätsanforderungen und weitere Einsatzmöglichkeiten besprochen. Technische Schwierigkeiten bleiben sichtbar und prägen den Verlauf mit.

Ein eigenes GPT als wiederverwendbare Aufgabenbeschreibung

Christian zeigt in seiner Bezahlversion von ChatGPT den Bereich zum Erkunden und Erstellen von GPTs. Dort lassen sich vorgefertigte Angebote auswählen oder eigene GPTs anlegen. Für die Erstellung führt er zwei Wege vor: die dialoggestützte Einrichtung mithilfe der KI und die direkte Bearbeitung der Konfiguration. Beide Wege können kombiniert werden.

Das eigene GPT beschreibt er als Vorlage mit Regeln, Kontext und Prompting. Es soll wiederkehrende Anweisungen bündeln, damit Nutzende nicht in jedem neuen Chat erneut Rolle und Aufgabe erklären müssen. In der Konfiguration zeigt Christian insbesondere:

den Namen des GPTs,
eine Beschreibung,
die Hinweise als zentrale Aufgabenanweisung,
Gesprächsaufhänger für den Einstieg,
die Möglichkeit, eigenes Wissen hochzuladen.

Im gezeigten Erstellungsdialog verarbeitet das System die Eingaben zu einer Anweisung für spätere Gespräche. Christian erläutert außerdem, dass sich ein GPT per Link mit Kolleginnen und Kollegen teilen oder öffentlich bereitstellen lässt.

Auf die Frage nach einer Alternative ohne Bezahlaccount wird die gemeinsame Entwicklung eines Prompts im normalen Chat besprochen. Dieser kann durch Rückfragen verfeinert, anschließend kopiert und in einem neuen Gespräch verwendet werden. Der Nutzen eines eigenen GPTs liegt für Christian besonders darin, häufig benötigte Anweisungen nicht immer wieder zusammensuchen zu müssen.

Zielgruppen im Bereich Medienkompetenz unterscheiden

Vom Onboarding zur konkreten Aufgabe

Ein Teilnehmer bringt zunächst die Idee eines Onboarding-Chats ein, der Fragen beantwortet und durch weitere Fragen der Nutzenden erweitert werden soll. Christian grenzt dieses Vorhaben für die verfügbare Dreiviertelstunde als zu umfangreich ein. Als überschaubarere Aufgabe schlägt er vor, durch ein Frage-Antwort-Spiel den Wissensstand zu ermitteln.

Aus der Gruppe kommt daraufhin ein konkreter Fall: Ein Portal mit Lernmaterialien zu Medienkompetenz soll Inhalte für unterschiedliche Zielgruppen zugänglich machen. Die bisherigen Filter werden als zu kompliziert beschrieben. Gewünscht ist eine Zuordnung mit höchstens drei Fragen. Im weiteren Gespräch konzentriert sich die Gruppe auf Lehrkräfte, Schülerinnen und Schüler sowie journalistisch Tätige.

Christian gibt dem GPT zunächst die Aufgabe, Fragen zu stellen und aus den Antworten die Zielgruppe abzuleiten. Der vorgeschlagene Name „Berufsdetektiv“ wird übernommen. Beim ersten Test fragt das GPT allerdings sehr allgemein. Christian führt dies darauf zurück, dass das Themenfeld noch nicht festgelegt wurde, und ergänzt den Bezug zu Medien.

Direkte Befragung und indirekte Zuordnung

Der nächste Test fragt nach der Nutzung von Medien im Beruf, beim Lernen oder in anderen Zusammenhängen. Die Gruppe diskutiert jedoch, ob die Zuordnung weniger offensichtlich erfolgen könnte. Statt direkt nach Tätigkeit und Beruf zu fragen, soll das GPT einen Artikel präsentieren und anhand von Antworten dazu die Zielgruppe einschätzen.

Als Thema wird Desinformation gewählt. Die Anweisung wird um die Begrenzung auf drei Fragen ergänzt. Im weiteren Dialog fragt das GPT unter anderem nach dem Umgang mit Mediennachrichten und nach Gesprächen über Informationen. Eine abschließende, belastbare Zuordnung wird in der Demonstration nicht gezeigt. Auch die Begrenzung der Fragenzahl greift nicht zuverlässig: Das System stellt weitere Nachfragen.

Damit macht das Experiment deutlich, dass eine formulierte Aufgabe noch keine verlässlich funktionierende Anwendung ergibt. Christian schlägt vor, die Abbruchbedingung ausdrücklich zu wiederholen: Nach drei Fragen soll das GPT aufhören.

Präzise Kriterien und menschliche Prüfung

Christian betont mehrfach, wie wichtig konkrete Vorgaben sind. Bei sprachlichen Aufgaben entstehe Unschärfe, die durch genauer definierte Kriterien verringert werden müsse. Als Beispiel nennt er den Begriff „seriöse Quellen“: Soll das GPT danach prüfen, müsse festgelegt werden, welche Quellen oder Maßstäbe gemeint sind.

Auch Stilvorgaben lassen sich konkretisieren. Christian berichtet, dass automatisch erzeugte LinkedIn-Beiträge häufig übertrieben wirkten und nicht seinem Stil entsprächen. Er beschreibt als Gegenmittel sachliche Anweisungen und Beispiele eigener Texte. Ein entsprechend vorbereitetes GPT könne aus Veranstaltungseindrücken einen Vorschlag erstellen, den er anschließend überarbeitet.

Für seinen eigenen Arbeitsalltag nennt er Programmierung, E-Mails, Korrekturen und Zusammenfassungen. Dabei betont er, generierte Texte nicht ungeprüft weiterzugeben. Er liest sie durch und nutzt teilweise zusätzlich DeepL Write.

Ein weiteres Erfahrungsbeispiel betrifft ein Landschaftsarchitekturbüro, das potenzielle Kunden in Südbrandenburg suchte. Das GPT erhielt eine Firmenbeschreibung und erzeugte Vorschläge, darunter nach Christians Darstellung aber auch unzutreffende Informationen. Als Gegenmaßnahmen nennt er die Anforderung, verwendete Artikel anzugeben und Unsicherheit ausdrücklich zu benennen. Die Session zeigt dazu keinen überprüften Vergleich; vorgestellt werden seine praktischen Ansätze zum Umgang mit solchen Fehlern.

Quizfragen: Inhalt, Schwierigkeit und Ausgabe festlegen

Für den zweiten Anwendungsfall setzt Christian die bisherige Konfiguration zurück und richtet das GPT auf Quizfragen aus. Die Aufgabe wird während der Demonstration mehrfach ergänzt:

Fragen und Rückfragen sollen auf Deutsch erfolgen.
Vor der Generierung sollen Thema und gewünschte Fragenzahl erfragt werden.
Die Ausgabe soll ausschließlich Multiple-Choice-Fragen enthalten.
Die Fragen sollen kritisches Denken anregen.
Falsche Antwortmöglichkeiten sollen nicht offensichtlich falsch sein.
Die korrekte Antwort soll gekennzeichnet werden.

Die ersten Ergebnisse bewertet Christian als teilweise zu einfach. Am Thema „Future Skills“ zeigt sich, dass das gewünschte Format allein noch keine passende Schwierigkeit sicherstellt. Entscheidend sind auch die Qualität der Frage und die Plausibilität der falschen Antworten, der Distraktoren.

Als mögliche Grundlage nennt er hochgeladene Berichte, Dokumente oder verlinkte Inhalte. Statt frei zu einem Thema zu generieren, könne das GPT Fragen zu einem vorgegebenen Text erstellen. Ebenso lasse sich eine Zusammenfassung in allgemeinverständlicher Sprache verlangen.

Schwierigkeiten beim Aktualisieren

Die Kennzeichnung der richtigen Antwort wird trotz wiederholter Anweisung nicht wie gewünscht umgesetzt. Christian kontrolliert die Konfiguration und versucht mehrfach, den Test neu zu starten. Dabei bleibt unklar, ob Änderungen übernommen wurden und welchen Stand die Vorschau verwendet.

Schließlich erscheint ein Hinweis auf das erreichte Nutzungslimit für GPT-4. Christian wechselt deshalb zu einer bereits vorhandenen Anwendung über einen anderen Account, die auf einer API basiert. Der zweite Anwendungsfall endet damit nicht als vollständig gelungene Konfiguration, sondern zeigt auch Schwierigkeiten beim Testen und Aktualisieren.

Zielgruppe und Rolle verändern die Fragen

In der API-basierten Anwendung demonstriert Christian das Thema Farbenlehre zunächst mit der Zielgruppe Schüler. Anschließend setzt er die Zielgruppe auf Studierende und beschreibt die Rolle der KI als Professor für Kommunikationsdesign.

Die ausgegebenen Fragen verschieben sich von einfachen Farbmischungen zu Begriffen wie subtraktivem Farbsystem und Komplementärfarben. Christian nutzt diesen Vergleich, um den Einfluss von Zielgruppenbeschreibung und Rollenangabe auf die Aufgabenstellung zu erläutern.

Sein Vorgehen bleibt iterativ: Nutzende sollen mitteilen, was an einer Ausgabe nicht passt und was geändert werden soll. Für ein wiederverwendbares GPT können solche Anforderungen als feste Regeln hinterlegt werden. Alternativ lässt sich eine passende Aufgabenbeschreibung in eine eigene Anwendung übernehmen.

Unternehmenskontext, Dokumente und weitere Anwendungen

Die Gruppe diskutiert mehrere Einsatzfelder für spezialisierte GPTs. Christian nennt E-Mails und Angebote, die eine Firmenbeschreibung, besondere Kompetenzen und frühere Projekte berücksichtigen. Wiederkehrender Unternehmenskontext soll dabei nicht jedes Mal neu eingegeben werden müssen.

Aus der Gruppe kommt die Idee, umfangreiche Updates aus der Microsoft- und Cloud-Welt für bestimmte Anwendergruppen auszuwerten. Christian schlägt vor, Rolle und Aufgabenbereich vorzugeben und die Relevanz der Änderungen daran auszurichten. Eine solche Auswertung wird in der Session nicht demonstriert.

Außerdem zeigt er die Funktion zum Hochladen von Wissen. In der Diskussion wird zwischen Dokumenten als Kontext und der Vorstellung unterschieden, diese zum Lernen an ChatGPT zu geben. Für betriebliche Inhalte werden Fragen nach Freigaben und Datenablage angesprochen. Christian verweist auf Erfahrungen mit Azure-OpenAI-Umgebungen und erwähnt Power Apps für die Anbindung definierter Datenbereiche.

Ein weiterer Vorschlag betrifft ältere Quizmaterialien: Freigegebene Inhalte könnten als Grundlage dienen, aus der Lehrkräfte neue Fragen erzeugen lassen. Christian nennt dafür hochgeladene Dokumente oder die Bereitstellung über eine API.

Einheitliche Formate für die Weiterverarbeitung

Zum Abschluss betont Christian die Bedeutung eines verbindlichen Ausgabeformats. Wenn verschiedene Personen Fragen unterschiedlich strukturieren, erschwert das die Übernahme in ein gemeinsames System.

Für seine REST-API-Anwendung beschreibt er die Vorgabe eines bestimmten JSON-Objekts. Nach seiner Erfahrung war die Einhaltung solcher Formate bei GPT-3.5 noch fehleranfällig und bei GPT-4 deutlich zuverlässiger. Dies ist ein Erfahrungsbericht aus seiner Anwendung.

Die Session verbindet damit einfache dialoggestützte Erstellung mit Anforderungen an produktiv nutzbare Werkzeuge: Aufgaben, Quellen, Zielgruppen und Formate müssen konkret beschrieben werden. Die gezeigten Versuche unterstreichen zugleich, dass gewünschtes Verhalten praktisch getestet und Ergebnisse geprüft werden müssen.