Ikhtisar
Pengoptimalan Kebijakan Proksimal (PPO) adalah algoritme pembelajaran penguatan yang paling terkait dengan penyempurnaan model bahasa dari umpan balik manusia. Hal ini memperbaiki kebijakan dengan langkah-langkah kecil dan hati-hati untuk menghindari ketidakstabilan yang mengganggu metode gradien kebijakan yang naif.
Pengoptimalan Kebijakan Proksimal adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar.
Menyelam Lebih Dalam
PPO diperkenalkan oleh OpenAI pada tahun 2017 dan menjadi pekerja keras di balik RLHF untuk sistem seperti InstructGPT dan ChatGPT. Tantangan inti dalam RL gradien kebijakan adalah bahwa satu pembaruan yang terlalu besar dapat menurunkan kinerja. PPO mengatasi hal ini dengan 'tujuan pengganti yang terpotong': PPO mengukur seberapa besar (atau kecil) kemungkinan suatu tindakan dibandingkan dengan kebijakan lama, mengalikan rasio tersebut dengan keuntungan (seberapa jauh lebih baik tindakan tersebut dibandingkan yang diharapkan), dan memotong rasio tersebut ke kisaran kecil seperti 0,8 hingga 1,2. Hal ini membatasi sejauh mana kebijakan dapat bergerak per pembaruan, menjaga pembelajaran tetap stabil dan tetap memungkinkan peningkatan yang berkelanjutan. Dalam model bahasa RLHF, 'tindakan' menghasilkan token atau respons, imbalan berasal dari model imbalan, dan penalti divergensi KL menjaga model agar tidak menyimpang terlalu jauh dari perilaku aslinya.
Wawasan Teknis
PPO memaksimalkan tujuan yang terpotong: min(rasio * keuntungan, klip(rasio, 1-eps, 1+eps) * keuntungan), dengan rasio adalah probabilitas tindakan baru-dari-lama. Keuntungan biasanya diperkirakan dengan Generalized Advantage Estimation dan jaringan nilai yang dipelajari (kritik). Di RLHF, total imbalan menggabungkan skor model imbalan dengan penalti KL per token terhadap kebijakan referensi, sehingga menyeimbangkan perolehan imbalan agar tetap mendekati model asli.
Menguasai Optimasi Kebijakan Proksimal
Pengoptimalan Kebijakan Proksimal (PPO) adalah algoritme pembelajaran penguatan yang paling terkait dengan penyempurnaan model bahasa dari umpan balik manusia. Hal ini memperbaiki kebijakan dengan langkah-langkah kecil dan hati-hati untuk menghindari ketidakstabilan yang mengganggu metode gradien kebijakan yang naif. Pengoptimalan Kebijakan Proksimal adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar. Untuk membangun pemahaman yang mendalam, perlakukan Pengoptimalan Kebijakan Proksimal sebagai model operasi, bukan sebagai fitur tunggal: tentukan hasil yang diinginkan, klarifikasi asumsi, dan pisahkan apa yang dapat dilakukan sistem dengan andal dari apa yang masih memerlukan penilaian ahli.
Dalam praktiknya, tim yang kuat menggunakan desain prompt, pengambilan, dan peninjauan Pengoptimalan Kebijakan Proksimal sebagai satu sistem komunikasi terintegrasi. Mereka mendokumentasikan kriteria keberhasilan yang eksplisit, menguji berdasarkan data dan alur kerja yang realistis, dan melakukan iterasi berdasarkan pola kegagalan yang diamati, bukan berdasarkan kemenangan tolok ukur yang hanya terjadi satu kali. Di sinilah pemahaman teoritis berubah menjadi kemampuan yang tahan lama di seluruh produk, kebijakan, dan operasi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Pada saat yang sama, fakta-fakta halusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian. Pendekatan yang paling tangguh adalah menggabungkan kecepatan eksperimen dengan disiplin tata kelola: menjalankan uji coba, menangkap bukti, menerbitkan catatan keputusan, dan terus memperbarui upaya perlindungan seiring dengan berkembangnya perilaku model, harapan pengguna, dan persyaratan peraturan.
Dampak Strategis
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Ini memperluas akses lintas bahasa dan gaya komunikasi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Implementasi Dunia Nyata
Menyempurnakan InstructGPT dan ChatGPT untuk mengikuti instruksi dan preferensi manusia melalui RLHF
Melatih agen kontrol permainan dan robotika, domain asli PPO sebelum model bahasa
Mengurangi toksisitas atau meningkatkan kegunaan dengan memaksimalkan skor model penghargaan berdasarkan batasan KL
Mengoptimalkan perilaku penggunaan alat atau agen multi-langkah di mana model diberi penghargaan karena menyelesaikan tugas dengan benar
Pola Implementasi
Optimalisasi Kebijakan Proksimal dalam praktiknya
Menyempurnakan InstructGPT dan ChatGPT untuk mengikuti instruksi dan preferensi manusia melalui RLHF.
Menyempurnakan InstructGPT dan ChatGPT untuk mengikuti instruksi dan preferensi manusia melalui RLHF Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Optimalisasi Kebijakan Proksimal dalam praktiknya
Melatih agen kontrol permainan dan robotika, domain asli PPO sebelum model bahasa.
Melatih agen kontrol permainan dan robotika, domain asli PPO sebelum model bahasa. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Optimalisasi Kebijakan Proksimal dalam praktiknya
Mengurangi toksisitas atau meningkatkan kegunaan dengan memaksimalkan skor model penghargaan berdasarkan batasan KL.
Mengurangi toksisitas atau meningkatkan kegunaan dengan memaksimalkan skor model penghargaan di bawah batasan KL Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Optimalisasi Kebijakan Proksimal dalam praktiknya
Mengoptimalkan perilaku penggunaan alat atau agen multi-langkah di mana model diberi penghargaan karena menyelesaikan tugas dengan benar.
Mengoptimalkan perilaku penggunaan alat atau agen multi-langkah di mana model dihargai karena menyelesaikan tugas dengan benar Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus edge, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Tentukan format output, nada, dan standar kualitas sebelum peluncuran. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.