Обучение Новини Инструм.Работни места Мисия

Термин от речника на AI

Какво е Обучение за подсилване от човешка обратна връзка (RLHF)?

Определение

Метод на обучение, който използва сигнали за човешки предпочитания, за да оформи поведението на модела.

Разгледайте пълния AI речник Разгледайте всички безплатни ръководства за AI

Обучение с подсилванеОбучение чрез сигнали за възнаграждение, при което агент научава действия, които максимизират дългосрочната възвръщаемост.Модел на възнаграждениеМодел, който оценява резултатите въз основа на сигнали за предпочитания, често използвани в RLHF тръбопроводи.DPO (директна оптимизация на предпочитанията)Метод на обучение, който прецизира моделите директно върху двойки предпочитания, без да е необходим отделен модел на възнаграждение.Непрекъснато обучениеПодходи за обучение, които позволяват на модела да продължи да се учи от нови данни, без да забравя предишни знания.Малкократно обучениеУчене или адаптиране на поведение само от малък брой примери.Модел ДрифтВлошаване на производителността с течение на времето, тъй като условията в реалния свят се различават от допусканията за обучение.

Научете повече в нашите безплатни ръководства

Deep Learning Reinforcement Learning Machine Learning Basics Supervised Learning

Вижте също

Retrieval Red Teaming Recommendation System Robustness Recall Safety Filter RAG (Retrieval-Augmented Generation)Scaling Law