개요
It can improve agreement with collected preferences, but does not guarantee truthful, safe, or universally preferred answers.
심층 분석
A pretrained language model predicts plausible text, but plausible is not the same as helpful, honest, or safe. A common RLHF pipeline addresses these goals in stages. First, supervised fine-tuning teaches the model to follow instructions using human-written example answers. Next, humans compare pairs of model responses to the same prompt and pick the better one; these comparisons train a separate reward model that scores any response. Finally, the language model is optimized with reinforcement learning to produce responses the reward model rates highly. A penalty regularizes deviation from a reference policy; it does not eliminate exploitation of reward-model errors. RLHF was central to making ChatGPT-style assistants usable.
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.
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.
실천에 옮기기
왜 중요한가요?
- 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.
조심하세요
- 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.
다음 단계
- 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
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Reinforcement Learning From Human Feedback quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
What is Reinforcement Learning From Human Feedback?
Reinforcement learning from human feedback uses human judgments to construct a training signal for a model’s behavior. It can improve agreement with collected preferences, but does not guarantee truthful, safe, or universally preferred answers.
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.
What does a KL-divergence penalty against a reference policy aim to regularize in an RLHF objective?
The penalty discourages large policy shifts. It is not proof that the reward model cannot be exploited or that generated answers are correct.
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.