सिंहावलोकन
प्रत्यक्ष वरीयता अनुकूलन (डीपीओ) एक अलग इनाम मॉडल को प्रशिक्षित किए बिना या सुदृढीकरण सीखने को चलाने के बिना भाषा मॉडल को मानव प्राथमिकताओं के साथ संरेखित करने का एक तरीका है। यह एक जटिल मल्टी-स्टेज पाइपलाइन को एकल, स्थिर प्रशिक्षण हानि में ध्वस्त कर देता है।
प्रत्यक्ष वरीयता अनुकूलन भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है।
गहरा गोता
2023 में स्टैनफोर्ड में राफेलोव और उनके सहयोगियों द्वारा पेश किया गया डीपीओ इस बात पर पुनर्विचार करता है कि हम एक मॉडल को कैसे सिखाते हैं जो लोग पसंद करते हैं। पारंपरिक दृष्टिकोण (आरएलएचएफ) मानव तुलनाओं पर एक इनाम मॉडल को प्रशिक्षित करता है, फिर उस इनाम को अधिकतम करने के लिए सुदृढीकरण सीखने का उपयोग करता है। डीपीओ की मुख्य अंतर्दृष्टि गणितीय है: उस आरएलएचएफ उद्देश्य के तहत इष्टतम नीति का इनाम के साथ एक बंद-रूप संबंध है, इसलिए आप समीकरणों को पुनर्व्यवस्थित कर सकते हैं और भाषा मॉडल को सीधे वरीयता जोड़े पर अनुकूलित कर सकते हैं। आप इसे एक संकेत, एक 'चयनित' (पसंदीदा) प्रतिक्रिया, और एक 'अस्वीकृत' प्रतिक्रिया देते हैं, और एक साधारण वर्गीकरण-शैली की हानि मॉडल को चुने हुए उत्तर को अपेक्षाकृत अधिक संभावित बनाने के लिए प्रेरित करती है। कोई इनाम मॉडल नहीं, कोई सैंपलिंग लूप नहीं, कोई इनाम हैकिंग नहीं। इसे चलाना कहीं अधिक सरल और अधिक स्थिर है।
तकनीकी अंतर्दृष्टि
डीपीओ वरीयता जोड़े पर बाइनरी क्रॉस-एन्ट्रॉपी हानि का उपयोग करता है। यह अस्वीकृत प्रतिक्रिया के सापेक्ष चुनी गई प्रतिक्रिया के लॉग-संभावना अनुपात को बढ़ाता है, प्रत्येक को एक जमे हुए संदर्भ मॉडल (आमतौर पर पर्यवेक्षित-ठीक-ट्यून किए गए शुरुआती बिंदु) के खिलाफ मापा जाता है। एक तापमान पैरामीटर बीटा नियंत्रित करता है कि नीति उस संदर्भ से कितनी दूर जा सकती है, जो कि केएल बाधा को स्पष्ट रूप से लागू करती है जो आरएलएचएफ स्पष्ट रूप से लागू होती है। इनाम कभी पूरा नहीं होता; यह नीति की अपनी लॉग-संभावनाओं में निहित है।
प्रत्यक्ष वरीयता अनुकूलन में महारत हासिल करना
प्रत्यक्ष वरीयता अनुकूलन (डीपीओ) एक अलग इनाम मॉडल को प्रशिक्षित किए बिना या सुदृढीकरण सीखने को चलाने के बिना भाषा मॉडल को मानव प्राथमिकताओं के साथ संरेखित करने का एक तरीका है। यह एक जटिल मल्टी-स्टेज पाइपलाइन को एकल, स्थिर प्रशिक्षण हानि में ध्वस्त कर देता है। प्रत्यक्ष वरीयता अनुकूलन भाषा-एआई स्टैक का हिस्सा है जिसका उपयोग बड़े पैमाने पर पाठ और भाषण को पढ़ने, उत्पन्न करने, वर्गीकृत करने और बदलने के लिए किया जाता है। गहरी समझ बनाने के लिए, डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन को एक ऑपरेटिंग मॉडल के रूप में मानें, न कि किसी एक विशेषता के रूप में: वांछित परिणामों को परिभाषित करें, मान्यताओं को स्पष्ट करें, और जो सिस्टम विश्वसनीय रूप से कर सकता है उसे अलग करें जिसके लिए अभी भी विशेषज्ञ निर्णय की आवश्यकता है।
व्यवहार में, प्रत्यक्ष वरीयता अनुकूलन डिज़ाइन का उपयोग करने वाली मजबूत टीमें एक एकीकृत संचार प्रणाली के रूप में संकेत, पुनर्प्राप्ति और समीक्षा लूप का उपयोग करती हैं। वे स्पष्ट सफलता मानदंडों का दस्तावेजीकरण करते हैं, यथार्थवादी डेटा और वर्कफ़्लो के विरुद्ध परीक्षण करते हैं, और एक बार की बेंचमार्क जीत के बजाय देखे गए विफलता पैटर्न के आधार पर पुनरावृत्ति करते हैं। यहीं पर सैद्धांतिक समझ उत्पाद, नीति और संचालन में टिकाऊ क्षमता में बदल जाती है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। साथ ही, मतिभ्रमित तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं। सबसे लचीला दृष्टिकोण प्रयोग की गति को शासन अनुशासन के साथ जोड़ना है: पायलट चलाना, साक्ष्य प्राप्त करना, निर्णय लॉग प्रकाशित करना, और मॉडल व्यवहार, उपयोगकर्ता अपेक्षाओं और नियामक आवश्यकताओं के विकसित होने पर सुरक्षा उपायों को लगातार अपडेट करना।
सामरिक प्रभाव
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है।
भाषा वर्कफ़्लो निरंतरता से समझौता किए बिना तेज़ी से आगे बढ़ सकता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है।
यह सभी भाषाओं और संचार शैलियों तक पहुंच का विस्तार करता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है।
टीमें निर्णय लेने में अधिक समय व्यतीत कर सकती हैं जबकि स्वचालन पुनरावृत्ति को संभालता है। उच्च-गुणवत्ता वाली तैनाती में, इसे मापने योग्य संचालन नियमों, स्वामित्व सीमाओं और आवर्ती समीक्षा अनुष्ठानों में अनुवादित किया जाता है ताकि टीमें अस्पष्टता को मापने के बजाय आत्मविश्वास को बढ़ा सकें।
वास्तविक विश्व कार्यान्वयन
ज़ेफिर और कई लामा और मिस्ट्रल डेरिवेटिव जैसे ओपन-वेट चैट मॉडल को फाइन-ट्यूनिंग किया गया, जिन्हें वरीयता डेटासेट पर डीपीओ के साथ जोड़ा गया था।
उन जोड़ियों का उपयोग करके हानिकारक या अनुपयोगी आउटपुट को कम करना जहां समस्याग्रस्त उत्तर की तुलना में सुरक्षित, सहायक उत्तर 'चुना' जाता है
डेवलपर-रेटेड तुलनाओं का उपयोग करके कोडिंग सहायक को खराब समाधानों की तुलना में सही, अच्छी तरह से प्रलेखित समाधानों को प्राथमिकता देना सिखाना
सारांशीकरण शैली को समायोजित करें ताकि मॉडल क्रियात्मक या मतिभ्रम वाले सारांशों की तुलना में संक्षिप्त, विश्वसनीय सारांशों को प्राथमिकता दें
कार्यान्वयन पैटर्न
व्यवहार में प्रत्यक्ष वरीयता अनुकूलन
ज़ेफिर और कई लामा और मिस्ट्रल डेरिवेटिव जैसे ओपन-वेट चैट मॉडल को फाइन-ट्यूनिंग किया गया, जिन्हें वरीयता डेटासेट पर डीपीओ के साथ संरेखित किया गया था।
ज़ेफिर और कई लामा और मिस्ट्रल डेरिवेटिव जैसे ओपन-वेट चैट मॉडल को फाइन-ट्यूनिंग करना, जो वरीयता डेटासेट पर डीपीओ के साथ संरेखित थे। टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में प्रत्यक्ष वरीयता अनुकूलन
उन जोड़ियों का उपयोग करके हानिकारक या अनुपयोगी आउटपुट को कम करना जहां समस्याग्रस्त उत्तर की तुलना में सुरक्षित, सहायक उत्तर 'चुना' जाता है।
उन जोड़ियों का उपयोग करके हानिकारक या अप्रभावी आउटपुट को कम करना जहां समस्याग्रस्त उत्तर के बजाय सुरक्षित, सहायक उत्तर को 'चुना' जाता है, टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में प्रत्यक्ष वरीयता अनुकूलन
डेवलपर-रेटेड तुलनाओं का उपयोग करके कोडिंग सहायक को खराब समाधानों की तुलना में सही, अच्छी तरह से प्रलेखित समाधानों को प्राथमिकता देना सिखाना।
डेवलपर-रेटेड तुलनाओं का उपयोग करके खराब समाधानों के बजाय सही, अच्छी तरह से प्रलेखित समाधानों को प्राथमिकता देने के लिए एक कोडिंग सहायक को पढ़ाना टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
व्यवहार में प्रत्यक्ष वरीयता अनुकूलन
सारांशीकरण शैली को समायोजित करें ताकि मॉडल क्रियात्मक या मतिभ्रम वाले सारांशों की तुलना में संक्षिप्त, विश्वसनीय सारांशों को प्राथमिकता दें।
सारांश शैली को ट्यूनिंग करें ताकि मॉडल क्रियात्मक या मतिभ्रम वाले संक्षेपों पर संक्षिप्त, विश्वसनीय सारांशों को प्राथमिकता दें। टीमों को आमतौर पर बेहतर परिणाम मिलते हैं जब वे गुणवत्ता सीमा को सामने से परिभाषित करते हैं, किनारे के मामलों के लिए एक मानव वृद्धि पथ रखते हैं, और समय के साथ उत्पादकता लाभ और त्रुटि लागत दोनों को ट्रैक करते हैं।
जोखिम और रेलिंग
मतिभ्रम वाले तथ्य चुपचाप रिपोर्ट में प्रवेश कर सकते हैं, प्रवाह का समर्थन कर सकते हैं, या अनुसंधान आउटपुट का समर्थन कर सकते हैं।
त्वरित संवेदनशीलता समान अनुरोधों में असंगत परिणाम पैदा कर सकती है।
यदि पहुंच नियंत्रण कमजोर हैं तो संवेदनशील पाठ डेटा उजागर हो सकता है।
कार्यान्वयन रोडमैप
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें।
रोलआउट से पहले आउटपुट स्वरूप, टोन और गुणवत्ता मानकों को परिभाषित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ।
जब भी सटीकता मायने रखती है तो विश्वसनीय स्रोतों के साथ जमीनी प्रतिक्रियाएँ। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें।
उच्च जोखिम वाले आउटपुट के लिए एक मानव समीक्षा चेकपॉइंट रखें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें।
विफलता पैटर्न को ट्रैक करें और संकेतों या वर्कफ़्लो को नियमित रूप से पुनः प्रशिक्षित करें। प्रत्येक चरण को एक साक्ष्य द्वार के रूप में मानें: यदि मानदंड पूरे नहीं होते हैं, तो रोलआउट रोकें, अंतर को बंद करें, और उसके बाद ही उपयोग का विस्तार करें।