근접 정책 최적화
PPO(Proximal Policy Optimization)는 인간 피드백을 통해 언어 모델을 미세 조정하는 것과 가장 관련이 있는 강화 학습 알고리즘입니다.
개요
순진한 정책 단계적 방법에서 발생하는 불안정성을 피하기 위해 조심스럽고 작은 단계로 정책을 개선합니다.
심층 분석
PPO는 2017년 OpenAI에 의해 도입되었으며 InstructGPT 및 ChatGPT과 같은 시스템의 RLHF를 뒷받침하는 주력 제품이 되었습니다. 정책 그라데이션 RL의 핵심 과제는 지나치게 큰 단일 업데이트로 인해 성능이 저하될 수 있다는 것입니다. PPO는 '클리핑된 대리 목표'로 이 문제를 해결합니다. 이전 정책에 비해 작업이 얼마나 더(또는 덜) 발생했는지 측정하고 해당 비율에 장점(액션이 예상보다 얼마나 좋았는지)을 곱한 다음 비율을 0.8~1.2와 같은 작은 범위로 클리핑합니다. 이는 업데이트당 정책이 이동할 수 있는 범위를 제한하여 학습을 안정적으로 유지하면서 꾸준한 개선을 허용합니다. 언어 모델 RLHF에서 '작업'은 토큰 또는 응답을 생성하고, 보상은 보상 모델에서 나오며, KL 발산 페널티는 모델이 원래 동작에서 너무 멀리 표류하는 것을 방지합니다.
기술적 통찰력
PPO는 잘린 목표(min(ratio * Advantage, Clip(ratio, 1-eps, 1+eps) * Advantage))를 최대화합니다. 여기서 ratio는 이전보다 새로운 행동 확률입니다. 장점은 일반적으로 일반화된 장점 추정 및 학습된 가치(비평가) 네트워크를 통해 추정됩니다. RLHF에서 총 보상은 보상 모델 점수와 참조 정책에 대한 토큰당 KL 페널티를 결합하여 원래 모델에 가깝게 유지하는 것에 대한 보상 이득의 균형을 맞춥니다.
전략적 영향
속도와 규모
일관성을 유지하면서 언어 워크플로를 더 빠르게 진행할 수 있습니다.
접근 및 도달
언어와 의사소통 스타일 전반에 걸쳐 접근성을 확장합니다.
더 명확한 결정들
자동화가 반복을 처리하는 동안 팀은 판단에 더 많은 시간을 할애할 수 있습니다.
근접 정책 최적화의 미래
PPO는 여전히 강력하지만 까다롭기로 악명 높습니다. 별도의 가치 네트워크, 신중한 하이퍼 매개변수 조정 및 많은 컴퓨팅이 필요합니다. DPO(RL 없음) 및 샘플링된 응답 그룹의 이점을 추정하여 가치 네트워크를 삭제하고 최근 추론 모델을 강화하는 GRPO를 포함하여 더 간단한 대안이 기반을 얻고 있습니다. PPO는 정책에 따른 탐색이 진정으로 도움이 되는 곳에서는 계속 유지될 것이지만, 이 분야는 더 저렴한 방법을 위해 일부 복잡성을 적극적으로 거래하고 있습니다.
실제 구현
RLHF를 통해 지침과 인간 선호도를 따르도록 InstructGPT 및 ChatGPT를 미세 조정합니다.
게임 플레이 및 로봇 제어 에이전트 교육, 언어 모델 이전 PPO의 원래 도메인
KL 제약 하에서 보상 모델 점수를 최대화하여 독성을 줄이거나 유용성을 향상시킵니다.
작업을 올바르게 완료한 것에 대해 모델이 보상을 받는 도구 사용 또는 다단계 에이전트 동작 최적화
위험 및 가드레일
환각 사실은 보고서, 지원 흐름 또는 연구 결과에 조용히 포함될 수 있습니다.
신속한 민감도는 유사한 요청 간에 일관되지 않은 결과를 초래할 수 있습니다.
액세스 제어가 약한 경우 민감한 텍스트 데이터가 노출될 수 있습니다.
구현 로드맵
출시 전에 출력 형식, 톤, 품질 표준을 정의하세요.
정확성이 중요할 때마다 신뢰할 수 있는 출처를 통해 대응하세요.
고위험 결과물에 대한 인적 검토 체크포인트를 유지합니다.
실패 패턴을 추적하고 프롬프트나 워크플로를 정기적으로 재교육하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Proximal Policy Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
그룹 관련 정책 최적화
자주 묻는 질문
근접 정책 최적화란 무엇인가요?
PPO(Proximal Policy Optimization)는 인간 피드백을 통해 언어 모델을 미세 조정하는 것과 가장 관련이 있는 강화 학습 알고리즘입니다. 순진한 정책 그라디언트 방법을 괴롭히는 불안정성을 피하기 위해 신중하고 작은 단계로 정책을 개선합니다.
PPO의 '클리핑'은 주로 어떤 문제를 해결합니까?
확률 비율을 클리핑하면 단일 업데이트로 인해 정책이 너무 멀리 이동하는 것을 방지할 수 있습니다. 이는 정책 그라데이션 방법의 불안정성의 주요 원인입니다.
PPO가 포함된 언어 모델 RLHF에서 보상 신호는 일반적으로 어디에서 발생합니까?
보상 모델은 생성된 응답에 대해 스칼라 보상을 제공합니다. 인간이 RL 중에 모든 출력에 점수를 매기는 것은 불가능하기 때문입니다.
PPO 기반 RLHF에서 KL 발산 페널티는 무엇을 합니까?
원래(참조) 정책에 대한 토큰별 KL 페널티는 모델이 보상을 추구하는 동안 동작을 너무 급격하게 변경하는 것을 방해합니다.
PPO에서 가치(비평가) 네트워크의 역할은 무엇인가요?
PPO는 배우 비평 방법입니다. 가치 네트워크는 예상 보상을 추정하여 차이를 줄이는 이점 추정(종종 GAE를 통해)을 가능하게 합니다.
PPO에서 '이점'은 무엇을 의미합니까?
장점은 선택한 조치가 가치 추정에 비해 얼마나 더 나은(또는 더 나쁜)지를 측정하여 어떤 조치를 강화해야 하는지를 정책에 알려줍니다.