Преглед
Оптимизацията на проксималната политика (PPO) е алгоритъмът за обучение с подсилване, свързан най-много с фина настройка на езикови модели от човешка обратна връзка. Той подобрява политиката с внимателни, малки стъпки, за да се избегне нестабилността, която тормози наивните градиентни методи на политиката.
Оптимизацията на проксималната политика е част от стека език-AI, използван за четене, генериране, класифициране и трансформиране на текст и реч в мащаб.
Дълбоко гмуркане
PPO беше въведено от OpenAI през 2017 г. и се превърна в работния кон зад RLHF за системи като InstructGPT и ChatGPT. Основното предизвикателство в RL с градиент на политики е, че една прекалено голяма актуализация може да срине производителността. PPO се справя с това с „отрязана сурогатна цел“: измерва колко по-голяма (или по-малко) е станала вероятността дадено действие спрямо старата политика, умножава това съотношение по предимството (колко по-добро е било действието от очакваното) и ограничава съотношението до малък диапазон като 0,8 до 1,2. Това ограничава докъде може да се придвижи политиката за актуализация, поддържайки обучението стабилно, като същевременно позволява стабилно подобрение. В езиковия модел RLHF „действието“ генерира знак или отговор, наградата идва от модел на награда, а наказанието за дивергенция на KL предпазва модела от отклонение твърде далеч от първоначалното си поведение.
Техническа информация
PPO максимизира ограничена цел: min(съотношение * предимство, клип(съотношение, 1-eps, 1+eps) * предимство), където съотношението е вероятността за ново спрямо старо действие. Предимствата обикновено се оценяват с обобщена оценка на предимствата и научена стойност (критична) мрежа. В RLHF общото възнаграждение съчетава резултата от модела на възнаграждението с наказание KL за токен спрямо референтната политика, балансирайки печалбата от възнаграждение срещу оставането близо до оригиналния модел.
Овладяване на оптимизацията на проксималната политика
Оптимизацията на проксималната политика (PPO) е алгоритъмът за обучение с подсилване, свързан най-много с фина настройка на езикови модели от човешка обратна връзка. Той подобрява политиката с внимателни, малки стъпки, за да се избегне нестабилността, която тормози наивните градиентни методи на политиката. Оптимизацията на проксималната политика 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 Proximal Policy Optimization 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 Proximal Policy Optimization, проектират подкани, извличане и цикли за преглед 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
Фина настройка на InstructGPT и ChatGPT за следване на инструкции и човешки предпочитания чрез RLHF
Обучение на агенти за игра на игри и роботика, оригинален домейн на PPO преди езикови модели
Намаляване на токсичността или подобряване на полезността чрез максимизиране на резултата от модела на възнаграждение при ограничение на KL
Оптимизиране на използването на инструмента или многоетапното поведение на агента, където моделът се възнаграждава за правилното изпълнение на задачите
Модели на изпълнение
Оптимизация на проксималната политика на практика
Фина настройка на InstructGPT и ChatGPT за следване на инструкции и човешки предпочитания чрез RLHF.
Фина настройка на InstructGPT и ChatGPT за следване на инструкции и човешки предпочитания чрез RLHF Екипите обикновено получават по-добри резултати, когато дефинират прагове 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 проксималната политика на практика
Обучение на агенти за игра на игри и роботика, оригинален домейн на PPO преди езикови модели.
Обучение на агенти за игра на игри и контрол на роботиката, оригинален домейн на PPO преди езикови модели Екипите обикновено получават по-добри резултати, когато определят праговете на качеството предварително, поддържат човешка пътека за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оптимизация на проксималната политика на практика
Намаляване на токсичността или подобряване на полезността чрез максимизиране на резултата от модела на възнаграждение при ограничение на KL.
Намаляване на токсичността или подобряване на полезността чрез максимизиране на резултата от модела на възнаграждение при ограничение на KL Екипите обикновено получават по-добри резултати, когато дефинират предварително прагове за качество, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Оптимизация на проксималната политика на практика
Оптимизиране на използването на инструмента или многоетапното поведение на агента, където моделът се възнаграждава за правилното изпълнение на задачите.
Оптимизиране на използването на инструмента или многоетапното поведение на агента, при което моделът се възнаграждава за правилното изпълнение на задачите Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат човешки път за 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.