概要
Proximal Policy Optimization (PPO) は、人間のフィードバックからの言語モデルの微調整に最も関連した強化学習アルゴリズムです。慎重かつ小さなステップでポリシーを改善し、単純なポリシー勾配手法に見られる不安定性を回避します。
Proximal Policy 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
PPO は 2017 年に OpenAI によって導入され、InstructGPT や ChatGPT などのシステムの RLHF の背後で主力となりました。ポリシー勾配 RL の主な課題は、1 つの大規模すぎる更新によってパフォーマンスが崩壊する可能性があることです。 PPO は、「クリップされた代理目標」でこれに対処します。これは、古いポリシーと比較してアクションの可能性がどれだけ高くなった (または低くなった) かを測定し、その比率に利点 (アクションが予想よりどれだけ優れていたか) を乗じて、比率を 0.8 ～ 1.2 のような小さな範囲にクリップします。これにより、アップデートごとにポリシーがどこまで移動できるかが制限され、安定した学習を維持しながら着実な改善が可能になります。言語モデル RLHF では、「アクション」はトークンまたは応答を生成し、報酬は報酬モデルから得られ、KL ダイバージェンス ペナルティによってモデルが元の動作から大きく逸脱することがなくなります。
技術的な洞察
PPO はクリップされた目標を最大化します: min(ratio * Advantage, Clip(ratio, 1-eps, 1+eps) * Advantage)。ここで、ratio は新しいアクションと古いアクションの確率です。利点は通常、一般化利点推定と学習値 (批評) ネットワークを使用して推定されます。 RLHF では、合計報酬は、報酬モデルのスコアと、参照ポリシーに対するトークンごとの KL ペナルティを組み合わせて、元のモデルに近い状態を維持することと報酬の獲得のバランスをとります。
近接ポリシーの最適化をマスターする
Proximal Policy Optimization (PPO) は、人間のフィードバックからの言語モデルの微調整に最も関連した強化学習アルゴリズムです。慎重かつ小さなステップでポリシーを改善し、単純なポリシー勾配手法に見られる不安定性を回避します。 Proximal Policy 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、近接ポリシーの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、専門家の判断が必要なことを分離します。
実際には、近接ポリシ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
RLHF 経由の指示と人間の好みに従うように InstructGPT と ChatGPT を微調整する
ゲームプレイおよびロボット制御エージェントのトレーニング、言語モデル以前の PPO の独自領域
KL 制約の下で報酬モデル スコアを最大化することによる毒性の軽減または有用性の向上
モデルがタスクを正しく完了すると報酬が得られる、ツールの使用または複数ステップのエージェントの動作を最適化します。
実装パターン
実際の近接ポリシーの最適化
RLHF 経由の指示と人間の好みに従うように、InstructGPT と ChatGPT を微調整します。
InstructGPT と ChatGPT を微調整して RLHF 経由の指示と人間の好みに従う 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にわたって追跡すると、より良い結果が得られます。
実際の近接ポリシーの最適化
ゲームプレイおよびロボット制御エージェントのトレーニング。言語モデル以前の PPO の独自の領域です。
言語モデルの前に、PPO の本来の領域であるゲームプレイおよびロボット制御エージェントのトレーニング 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。
実際の近接ポリシーの最適化
KL 制約の下で報酬モデル スコアを最大化することにより、毒性を軽減するか有用性を向上させます。
KL 制約の下で報酬モデル スコアを最大化することで有害性を軽減したり有用性を改善したりする 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にわたって追跡すると、より良い結果が得られます。
実際の近接ポリシーの最適化
モデルがタスクを正しく完了すると報酬が得られる、ツールの使用または複数ステップのエージェントの動作を最適化します。
モデルがタスクを正しく完了すると報酬が得られる、ツールの使用またはマルチステップのエージェントの動作を最適化する 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にわたって追跡すると、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。