概要
カーネマン-トベルスキー最適化 (KTO) は、一対の比較ではなく、単純な賛成または反対のラベルから学習する調整方法です。バイナリ フィードバックは、ほとんどの手法で必要とされるランク付けされたペアよりも収集がはるかに簡単で安価であるため、これは重要です。
Kahneman-Tversky Optimization は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。
ディープダイブ
2024 年にスタンフォード大学と Contextual AI の Ethayarajh 氏らによって導入された KTO は、人間が損得をどのように評価するかに関するダニエル・カーネマンとエイモス・トベルスキーのノーベル賞受賞研究であるプロスペクト理論から借用しています。 DPO などの標準的な方法では、同じプロンプトに対する選択された回答と拒否された回答という、優先順位のペアが必要です。 KTO は代わりに、個々の出力が単に望ましいか望ましくないかをマークする、ペアになっていないデータを処理します。これは、サンプルのモデルの改善を参照点に対する利得または損失として扱う人間認識の損失を構築し、損失回避を適用して、望ましくない出力が望ましい出力よりも大幅にペナルティを受けるようにします。これにより、チームは実稼働アプリですでに収集された豊富な賛否両論のシグナルを使用できるようになります。
技術的な洞察
KTO は、プロスペクト理論に基づいてモデル化された価値関数を定義し、回答の暗黙の報酬が参照ベースライン (多くの場合、参照ポリシーからの平均 KL 乖離) よりどの程度上または下にあるかを測定します。望ましい例は値を押し上げ、望ましくない例は値を押し下げ、損失回避係数により負の偏差の重みが重くなります。重要なのは、一致するペアではなく、例ごとにラベルのみが必要であるということです。
カーネマン・トベルスキー最適化をマスターする
カーネマン-トベルスキー最適化 (KTO) は、一対の比較ではなく、単純な賛成または反対のラベルから学習する調整方法です。バイナリ フィードバックは、ほとんどの手法で必要とされるランク付けされたペアよりも収集がはるかに簡単で安価であるため、これは重要です。 Kahneman-Tversky Optimization は、テキストと音声を大規模に読み取り、生成、分類、変換するために使用される言語 AI スタックの一部です。深い理解を得るには、カーネマン・トベルスキー最適化を単一の機能ではなくオペレーティング モデルとして扱います。望ましい結果を定義し、前提条件を明確にし、システムが確実に実行できることと、依然として専門家の判断が必要なことを分離します。
実際、カーネマン・トベルスキー最適化を使用する強力なチームは、プロンプト、取得、レビューのループを 1 つの統合された通信システムとして設計します。明示的な成功基準を文書化し、現実的なデータとワークフローに対してテストし、一度限りのベンチマークの成功ではなく、観察された失敗パターンに基づいて反復します。ここで、理論的な理解が、製品、ポリシー、運用全体にわたる永続的な機能に変わります。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。同時に、幻覚の事実がレポート、サポート フロー、または研究成果に静かに入力される可能性があります。最も回復力のあるアプローチは、実験のスピードとガバナンスの規律を組み合わせることであり、パイロットを実行し、証拠を取得し、意思決定ログを公開し、モデルの動作、ユーザーの期待、規制要件の進化に応じて安全対策を継続的に更新します。
戦略的影響
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。高品質の導入では、これが測定可能な運用ルール、所有権の境界、定期的なレビューの儀式に変換されるため、チームは曖昧さを拡大するのではなく、自信を拡大することができます。
現実世界の実装
デプロイされたチャットボットからの親指アップ/親指ダウンのクリックを使用して、設定ペアを構築せずにチャットボットを微調整する
「良い」答えと「悪い」答えの山があるが、同じプロンプトに対して一致する比較がない場合のモデルの調整
製品チームがモデレーション フラグ (望ましくない) と保存された応答 (望ましい) を KTO トレーニングにリサイクルする
KTO の損失回避とクラスの重みを調整することで、嫌いが好きよりも稀な不均衡なフィードバックを処理する
実装パターン
カーネマン・トベルスキー最適化の実践
デプロイされたチャットボットからの親指アップ/親指ダウンのクリックを使用して、設定ペアを構築せずにチャットボットを微調整します。
デプロイされたチャットボットの「親指を立てる」/「親指を下げる」クリックを使用して、設定のペアを構築することなくチャットボットを微調整します。チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人間によるエスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
カーネマン・トベルスキー最適化の実践
「良い」回答と「悪い」回答の山があるが、同じプロンプトに対して一致する比較がない場合にモデルを調整します。
「良い」答えと「悪い」答えは山ほどあるが、同じプロンプトに対して一致する比較がない場合にモデルを調整する チームは、通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
カーネマン・トベルスキー最適化の実践
製品チームは、モデレーション フラグ (望ましくない) と保存された応答 (望ましい) を KTO トレーニングにリサイクルします。
モデレーション フラグ (望ましくない) と保存された応答 (望ましい) を KTO トレーニングにリサイクルする製品チーム チームは通常、品質のしきい値を事前に定義し、エッジ ケースに対する人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期にわたって追跡すると、より良い結果が得られます。
カーネマン・トベルスキー最適化の実践
KTO の損失回避とクラスの重みを調整することで、嫌いが好きよりも稀な不均衡なフィードバックを処理します。
KTO の損失回避とクラスの重み付けを調整することで、嫌いが好きよりも稀な不均衡なフィードバックを処理する チームは、通常、品質のしきい値を事前に定義し、エッジ ケースに対して人的エスカレーション パスを維持し、生産性の向上とエラー コストの両方を長期的に追跡すると、より良い結果が得られます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
展開する前に、出力形式、トーン、品質基準を定義します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。各ステップを証拠ゲートとして扱います。基準が満たされない場合は、ロールアウトを一時停止し、ギャップを埋めてから、使用を拡大します。