Преглед
Оптимизацията на Kahneman-Tversky (KTO) е метод за подравняване, който се учи от обикновени етикети с палец нагоре или с палец надолу вместо двойки сравнения. Има значение, защото бинарната обратна връзка е много по-лесна и по-евтина за събиране от класираните двойки, изисквани от повечето методи.
Оптимизацията на Kahneman-Tversky е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
KTO, въведен от Ethayarajh и колеги от Станфорд и Contextual AI през 2024 г., заимства от теорията на перспективите, спечелената с Нобелова награда работа на Daniel Kahneman и Amos Tversky за това как хората оценяват печалбите и загубите. Стандартните методи като DPO се нуждаят от двойки предпочитания: избран и отхвърлен отговор за една и съща подкана. KTO вместо това работи с несдвоени данни, където всеки отделен изход просто е маркиран като желателен или нежелан. Той изгражда осъзната от човека загуба, която третира подобрението на модела върху извадка като печалба или загуба спрямо референтна точка, като прилага отбягване на загубата, така че нежеланите резултати се наказват по-рязко, отколкото желаните се възнаграждават. Това позволява на екипите да използват изобилието от сигнали с палец нагоре/надолу, които вече са събрани в производствените приложения.
Техническа информация
KTO дефинира стойностна функция, моделирана въз основа на теорията на перспективите, измерваща доколко подразбиращото се възнаграждение на даден отговор е над или под референтната базова линия (често средното отклонение на KL от референтната политика). Желаните примери повишават стойността, нежеланите я натискат надолу, а коефициентът на избягване на загубата прави отрицателните отклонения по-тежки. Най-важното е, че се нуждае само от етикет за пример, а не от съвпадащи двойки.
Овладяване на оптимизацията на Канеман-Тверски
Оптимизацията на Kahneman-Tversky (KTO) е метод за подравняване, който се учи от обикновени етикети с палец нагоре или с палец надолу вместо двойки сравнения. Има значение, защото бинарната обратна връзка е много по-лесна и по-евтина за събиране от класираните двойки, изисквани от повечето методи. Оптимизацията на Kahneman-Tversky е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб. За да изградите дълбоко разбиране, третирайте оптимизацията на Kahneman-Tversky като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Kahneman-Tversky Optimization, проектират подкани, извличане и преглед на цикли като една интегрирана комуникационна система. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. В същото време халюцинираните факти могат тихо да влизат в отчети, поддържащи потоци или резултати от изследвания. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността.
Езиковите работни процеси могат да се движат по-бързо, без да се жертва последователността. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Той разширява достъпа между езици и стилове на комуникация.
Той разширява достъпа между езици и стилове на комуникация. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението.
Екипите могат да отделят повече време за преценка, докато автоматизацията се справя с повторението. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Използване на щраквания с палец нагоре/палец надолу от внедрен чатбот за фина настройка, без да създавате двойки предпочитания
Подравняване на модел, когато имате куп „добри“ и „лоши“ отговори, но няма съвпадащи сравнения за едни и същи подкани
Продуктов екип, рециклиращ флагове за модериране (нежелателно) и запазени отговори (желателно) в KTO обучение
Справяне с небалансирана обратна връзка, където нехаресванията са по-редки от харесванията чрез настройка на нежеланието за загуба на KTO и тежестите на класа
Модели на изпълнение
Оптимизация на Канеман-Тверски на практика
Използване на щраквания с палец нагоре/палец надолу от внедрен чатбот за фина настройка, без да създавате двойки предпочитания.
Използване на щраквания с палец нагоре/палец надолу от внедрен чатбот за фина настройка, без изобщо да изграждат двойки предпочитания. Екипите обикновено получават по-добри резултати, когато дефинират праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оптимизация на Канеман-Тверски на практика
Подравняване на модел, когато имате куп „добри“ и „лоши“ отговори, но няма съвпадащи сравнения за едни и същи подкани.
Подравняване на модел, когато имате купчина „добри“ и „лоши“ отговори, но без съвпадащи сравнения за едни и същи подкани Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оптимизация на Канеман-Тверски на практика
Продуктов екип, рециклиращ флагове за модериране (нежелателно) и запазени отговори (желателно) в KTO обучение.
Продуктов екип, който рециклира флагове за модериране (нежелателно) и запазени отговори (желателно) в обучението на KTO Екипите обикновено получават по-добри резултати, когато определят прагове за качество предварително, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оптимизация на Канеман-Тверски на практика
Справяне с небалансирана обратна връзка, където нехаресванията са по-редки от харесванията, чрез настройка на нежеланието за загуба на KTO и класовите тегла.
Справяне с небалансирана обратна връзка, при която нехаресванията са по-редки от харесванията, чрез настройка на нежеланието на KTO за загуба и класовите тегла Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Халюцинираните факти могат тихо да влязат в отчети, потоци за поддръжка или резултати от изследвания.
Бързата чувствителност може да създаде противоречиви резултати при подобни заявки.
Чувствителните текстови данни могат да бъдат разкрити, ако контролите за достъп са слаби.
Пътна карта за изпълнение
Определете изходен формат, тон и стандарти за качество преди внедряване.
Определете изходен формат, тон и стандарти за качество преди внедряване. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Наземни отговори с доверени източници винаги, когато точността има значение.
Наземни отговори с доверени източници винаги, когато точността има значение. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Поддържайте контролна точка за човешки преглед за изходи с високи залози.
Поддържайте контролна точка за човешки преглед за изходи с високи залози. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци.
Проследявайте моделите на неуспехи и редовно обучавайте подкани или работни потоци. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.