Il prossimoProssima guida
Ottimizzazione diretta delle preferenze
Intelligenza artificiale linguistica
GUIDA ALL'AI linguistica
L'ottimizzazione Kahneman-Tversky (KTO) è un metodo di allineamento che apprende da semplici etichette pollice su o pollice giù invece che da confronti accoppiati.
Ascolta questa guidaNarrato dall'IA · ~2 min
È importante perché il feedback binario è molto più semplice ed economico da raccogliere rispetto alle coppie classificate richieste dalla maggior parte dei metodi.
KTO, introdotto da Ethayarajh e colleghi a Stanford e Contextual AI nel 2024, prende in prestito dalla teoria del prospetto, il lavoro vincitore del Nobel di Daniel Kahneman e Amos Tversky su come gli esseri umani valutano i guadagni e le perdite. I metodi standard come DPO necessitano di coppie di preferenze: una risposta scelta e una rifiutata per lo stesso prompt. KTO funziona invece con dati non accoppiati in cui ogni singolo output è semplicemente contrassegnato come desiderabile o indesiderabile. Costruisce una perdita consapevole che tratta il miglioramento del modello su un campione come un guadagno o una perdita rispetto a un punto di riferimento, applicando l’avversione alla perdita in modo che i risultati indesiderabili siano penalizzati più nettamente di quanto siano ricompensati quelli desiderabili. Ciò consente ai team di utilizzare i numerosi segnali di pollice su/giù già raccolti nelle app di produzione.
Utilizzo dei clic pollice su/pollice giù da un chatbot distribuito per perfezionarlo senza mai creare coppie di preferenze
Allineamento di un modello quando si dispone di una pila di risposte "buone" e "cattive" ma senza confronti corrispondenti per gli stessi prompt
Un team di prodotto ricicla i flag di moderazione (indesiderabili) e salva le risposte (desiderabili) nella formazione KTO
Gestire feedback sbilanciati in cui le antipatie sono più rare dei mi piace, regolando l'avversione alla perdita di KTO e i pesi delle classi
KTO è adatto ai prodotti reali, in cui gli utenti fanno naturalmente clic su Mi piace o Non mi piace, ma raramente classificano due risposte affiancate. Aspettatevi un’adozione più ampia di cicli di miglioramento continuo che riciclino il feedback sulla produzione, oltre alla ricerca che mette a punto il rapporto dati desiderabili/indesiderabili e il peso dell’avversione alle perdite. Combinare l’inquadramento economico-comportamentale di KTO con altri obiettivi e applicarlo al feedback multimodale sono direzioni attive mentre i team cercano l’allineamento dai segnali disordinati del mondo reale.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L'ottimizzazione Kahneman-Tversky (KTO) è un metodo di allineamento che apprende da semplici etichette pollice su o pollice giù invece che da confronti accoppiati. È importante perché il feedback binario è molto più semplice ed economico da raccogliere rispetto alle coppie classificate richieste dalla maggior parte dei metodi.
KTO impara da semplici etichette pollice su/giù piuttosto che da coppie di preferenze corrispondenti.
KTO prende in prestito l'idea della teoria del prospetto di valutare i guadagni e le perdite in modo asimmetrico, da cui il nome.
La teoria del prospetto afferma che le perdite sono maggiori dei guadagni, quindi KTO pondera maggiormente le deviazioni negative.
KTO’s paper studies alignment from binary desirable/undesirable feedback on individual outputs; it still needs appropriate data and setup.
La funzione valore di KTO giudica se una risposta si trova al di sopra o al di sotto di una linea di riferimento, trattandola come un guadagno o una perdita.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Ottimizzazione diretta delle preferenze
Intelligenza artificiale linguistica