인간 피드백을 통한 강화 학습
RLHF는 인간의 선호도에 따라 학습하여 원시 언어 모델을 유용하고 정중한 조수로 바꾸는 기술입니다.
개요
It matters because it aligns model behavior with what people actually want, not just what is statistically likely.
심층 분석
사전 학습된 언어 모델은 그럴듯한 텍스트를 예측하지만 그럴듯한 것은 유용하거나 정직하거나 안전한 것과는 다릅니다. RLHF는 이 문제를 단계적으로 해결합니다. 첫째, 감독된 미세 조정은 사람이 작성한 예제 답변을 사용하여 모델이 지침을 따르도록 가르칩니다. 다음으로 인간은 동일한 프롬프트에 대한 모델 응답 쌍을 비교하고 더 나은 것을 선택합니다. 이러한 비교는 모든 응답에 점수를 매기는 별도의 보상 모델을 교육합니다. 마지막으로, 언어 모델은 강화 학습을 통해 최적화되어 보상 모델 비율이 높은 응답을 생성합니다. 페널티는 원래 모델에서 너무 멀리 표류하지 않도록 하여 유창함을 유지하고 보상 모델의 단점을 이용하지 않도록 합니다. RLHF는 ChatGPT 스타일 어시스턴트를 사용 가능하게 만드는 데 핵심이었습니다.
기술적 통찰력
보상 모델은 일반적으로 Bradley-Terry 스타일 손실이 있는 선호 쌍에 대해 훈련되어 인간이 선호하는 답변에 더 높은 스칼라 점수를 제공하는 방법을 학습합니다. 그런 다음 정책은 보상을 최대화하는 PPO(Proximal Policy Optimization)로 업데이트되고 참조 모델에 대한 KL 발산 페널티는 과도한 최적화 및 '보상 해킹'을 방지합니다. PPO는 까다롭기 때문에 DPO(직접 선호 최적화)와 같은 새로운 방법은 명시적인 보상 모델과 강화 루프를 건너뛰고 선호 쌍에서 직접 정책을 최적화합니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
인간 피드백을 통한 강화 학습의 미래
RLHF는 간소화되고 부분적으로 자동화되고 있습니다. DPO 및 관련 직접 선호 방법은 많은 팀의 무거운 PPO 파이프라인을 대체하고 있으며 RLAIF는 AI 생성 피드백(Constitutional AI에서와 같이)을 사용하여 라벨링 비용을 절감합니다. 연구에서는 프로세스 감독 및 토론과 같은 기술을 사용하여 보상 해킹, 주석자 편향, 긴 응답이나 전문가 응답을 판단하는 어려움을 다루고 있습니다. 인간과 AI 피드백을 혼합하는 정렬, 엄지손가락을 치켜세우는 것 이상의 풍부한 보상 신호, 누가 선호도를 제공하고 어떤 가치를 인코딩하는지에 대한 점점 더 철저한 조사를 기대합니다.
실제 구현
유해한 요청을 거부하고 그럴듯한 텍스트가 아닌 유용하고 잘 구성된 답변을 제공하도록 채팅 도우미를 조정합니다.
사람들이 실제로 유용하다고 생각하는 요약을 작성하는 모델을 훈련하기 위해 인간의 선호도에 따라 요약 쌍의 순위를 매깁니다.
인간 평가자가 존중하고 안전하다고 판단하는 응답에 보상을 제공하여 유해하거나 편향된 결과를 줄입니다.
전체 PPO 루프를 실행하지 않고 오픈 소스 모델을 정렬하기 위해 선호 답변과 거부 답변의 데이터 세트에 DPO를 사용합니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
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 Reinforcement Learning From Human Feedback 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
강화 학습
자주 묻는 질문
What is Reinforcement Learning From Human Feedback?
RLHF는 인간의 선호도에 따라 학습하여 원시 언어 모델을 유용하고 정중한 조수로 바꾸는 기술입니다. 통계적으로 가능성이 높은 것뿐만 아니라 사람들이 실제로 원하는 것과 모델 동작을 일치시키기 때문에 중요합니다.
언어 모델에 대한 RLHF의 주요 목적은 무엇입니까?
RLHF는 인간이 선호하는 반응으로 모델을 조정하여 단순히 그럴듯하기보다는 더 유용하고 정직하며 안전한 모델을 만듭니다.
RLHF의 보상 모델은 실제로 무엇을 배우나요?
보상 모델은 인간의 선호도 비교를 통해 훈련되어 응답 점수를 매기고 정책이 최적화되는 신호를 제공합니다.
RL 단계에서 원래 모델에 대한 KL 발산 페널티가 사용되는 이유는 무엇입니까?
KL 페널티는 최적화된 정책을 참조 모델에 가깝게 유지하여 보상 해킹 및 유창성 손실을 방지합니다.
보상 모델에 대한 선호도 데이터는 일반적으로 어떻게 수집됩니까?
주석 작성자는 Bradley-Terry 스타일 손실을 통해 보상 모델을 교육하는 쌍별 비교에서 선호하는 응답을 선택합니다.
DPO(Direct Preference Optimization)는 기존 RLHF 파이프라인에 비해 어떤 이점을 제공합니까?
DPO는 별도의 보상 모델과 성가신 강화 학습 단계를 피하고 선호도에서 직접 목표를 도출합니다.