A continuaciónSiguiente guía
Optimización de preferencias directas
Idioma IA
GUÍA de IA en idiomas
Optimización de Kahneman-Tversky
La optimización Kahneman-Tversky (KTO) es un método de alineación que aprende de simples etiquetas de aprobación o desaprobación en lugar de comparaciones por pares.
Escuche esta guíaNarrado por IA · ~2 min
En esta pagina2 minutos de lectura
Descripción general
Es importante porque la retroalimentación binaria es mucho más fácil y económica de recopilar que los pares clasificados que exigen la mayoría de los métodos.
Buceo profundo
KTO, presentada por Ethayarajh y sus colegas en Stanford y Contextual AI en 2024, toma prestado de la teoría de las perspectivas, el trabajo ganador del Nobel de Daniel Kahneman y Amos Tversky sobre cómo los humanos valoran las ganancias y las pérdidas. Los métodos estándar como DPO necesitan pares de preferencias: una respuesta elegida y una rechazada para el mismo mensaje. En cambio, KTO trabaja con datos no emparejados donde cada salida individual simplemente se marca como deseable o no deseable. Crea una pérdida consciente del ser humano que trata la mejora del modelo en una muestra como una ganancia o pérdida en relación con un punto de referencia, aplicando aversión a las pérdidas para que los resultados indeseables sean penalizados más severamente de lo que se recompensan los deseables. Esto permite a los equipos utilizar las abundantes señales de aprobación/aprobación ya recopiladas en las aplicaciones de producción.
Implementación en el mundo real
Usar clics con el pulgar hacia arriba o hacia abajo desde un chatbot implementado para ajustarlo sin tener que crear pares de preferencias
Alinear un modelo cuando tienes un montón de respuestas "buenas" y "malas" pero no hay comparaciones coincidentes para las mismas preguntas
Un equipo de producto recicla marcas de moderación (indeseables) y respuestas guardadas (deseables) en la capacitación de KTO
Manejar la retroalimentación desequilibrada donde los disgustos son más raros que los me gusta ajustando la aversión a las pérdidas y los pesos de clase de KTO.
El futuro de la optimización Kahneman-Tversky
KTO se adapta bien a productos reales, donde los usuarios naturalmente hacen clic en Me gusta o No me gusta, pero rara vez clasifican dos respuestas una al lado de la otra. Espere una adopción más amplia de ciclos de mejora continua que reciclen la retroalimentación de la producción, además de investigaciones que ajusten la proporción de datos deseables e indeseables y la ponderación de la aversión a las pérdidas. Combinar el marco de economía conductual de KTO con otros objetivos y aplicarlo a la retroalimentación multimodal son direcciones activas a medida que los equipos buscan alinearse con señales confusas del mundo real.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. Los flujos de trabajo lingüísticos pueden avanzar más rápido sin sacrificar la coherencia.
- Acceso y alcance. Amplía el acceso a través de idiomas y estilos de comunicación.
- Decisiones más claras. Los equipos pueden dedicar más tiempo a juzgar mientras la automatización se encarga de la repetición.
cuidado con
- Los hechos alucinados pueden aparecer silenciosamente en informes, flujos de apoyo o resultados de investigaciones.
- La sensibilidad rápida puede crear resultados inconsistentes en solicitudes similares.
- Los datos de texto confidenciales pueden quedar expuestos si los controles de acceso son débiles.
Próximos pasos
- Defina el formato de salida, el tono y los estándares de calidad antes del lanzamiento.
- Respuestas terrestres con fuentes confiables siempre que la precisión sea importante.
- Mantenga un punto de control de revisión humana para los resultados de alto riesgo.
- Realice un seguimiento de los patrones de error y vuelva a capacitar las indicaciones o los flujos de trabajo con regularidad.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the Kahneman-Tversky Optimization quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la optimización Kahneman-Tversky?
La optimización Kahneman-Tversky (KTO) es un método de alineación que aprende de simples etiquetas de aprobación o desaprobación en lugar de comparaciones por pares. Es importante porque la retroalimentación binaria es mucho más fácil y económica de recopilar que los pares clasificados que exigen la mayoría de los métodos.
¿Qué tipo de datos requiere KTO?
KTO aprende de simples etiquetas de aprobación/aprobación por ejemplo en lugar de pares de preferencias coincidentes.
¿En qué obra se inspira la KTO?
KTO toma prestada la idea de la teoría de las perspectivas de valorar las ganancias y pérdidas de forma asimétrica, de ahí el nombre.
¿Qué es la "aversión a las pérdidas" tal como se utiliza en KTO?
La teoría de las perspectivas dice que las pérdidas son mayores que las ganancias, por lo que la KTO pondera más las desviaciones negativas.
What kind of feedback can KTO learn from without requiring paired comparisons?
KTO’s paper studies alignment from binary desirable/undesirable feedback on individual outputs; it still needs appropriate data and setup.
¿En KTO, las desviaciones se miden en relación con qué?
La función de valor de KTO juzga si una respuesta se encuentra por encima o por debajo de una línea base de referencia, tratándola como una ganancia o una pérdida.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.