Prezentare generală
Proximal Policy Optimization (PPO) este algoritmul de învățare prin consolidare cel mai asociat cu reglarea fină a modelelor de limbaj din feedbackul uman. Îmbunătățește o politică în pași atenți, mici, pentru a evita instabilitatea care afectează metodele naive de gradient de politică.
Optimizarea proximală a politicii face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară.
Deep Dive
PPO a fost introdus de OpenAI în 2017 și a devenit calul de lucru din spatele RLHF pentru sisteme precum InstructGPT și ChatGPT. Provocarea de bază în RL cu gradient de politici este că o singură actualizare prea mare poate reduce performanța. PPO abordează acest lucru cu un „obiectiv surogat tăiat”: măsoară cât de mult mai mare (sau mai puțin) probabilitate a devenit o acțiune față de vechea politică, înmulțește acel raport cu avantaj (cât de mult mai bună a fost acțiunea decât se aștepta) și decupează raportul la un interval mic, cum ar fi 0,8 la 1,2. Acest lucru limitează cât de departe se poate deplasa politica per actualizare, menținând învățarea stabilă, permițând totodată îmbunătățirea constantă. În modelul de limbaj RLHF, „acțiunea” generează un simbol sau un răspuns, recompensa vine de la un model de recompensă, iar o penalizare de divergență KL împiedică modelul să se îndepărteze prea mult de comportamentul său original.
Perspectivă tehnică
PPO maximizează un obiectiv tăiat: min(raport * avantaj, clip (raport, 1-eps, 1+eps) * avantaj), unde raportul este probabilitatea de acțiune nou peste vechi. Avantajele sunt de obicei estimate cu estimarea avantajelor generalizate și o rețea de valoare învățată (critică). În RLHF, recompensa totală combină scorul modelului de recompensă cu o penalizare KL per jeton împotriva politicii de referință, echilibrând câștigul de recompensă cu rămânerea aproape de modelul original.
Stăpânirea optimizării politicilor proximale
Proximal Policy Optimization (PPO) este algoritmul de învățare prin consolidare cel mai asociat cu reglarea fină a modelelor de limbaj din feedbackul uman. Îmbunătățește o politică în pași atenți, mici, pentru a evita instabilitatea care afectează metodele naive de gradient de politică. Optimizarea proximală a politicii face parte din stiva de limbaj-AI folosită pentru a citi, genera, clasifica și transforma textul și vorbirea la scară. Pentru a construi o înțelegere profundă, tratați Optimizarea Politicii Proximale ca pe un model de operare, nu ca pe o singură caracteristică: definiți rezultatele dorite, clarificați ipotezele și separați ceea ce poate face sistemul în mod fiabil de ceea ce necesită încă o judecată expertă.
În practică, echipele puternice care utilizează Optimizarea politicii proximale proiectează, recuperează și revizuiesc buclele ca un singur sistem de comunicare integrat. Aceștia documentează criteriile de succes explicite, testează în funcție de date și fluxuri de lucru realiste și repetă pe baza modelelor de eșec observate, mai degrabă decât a câștigurilor de referință unice. Aici înțelegerea teoretică se transformă în capacitate durabilă pentru produse, politici și operațiuni.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În același timp, faptele halucinate pot intra în liniște în rapoarte, fluxuri de suport sau rezultate ale cercetării. Cea mai rezistentă abordare este combinarea vitezei de experimentare cu disciplina de guvernare: desfășurați pilot, capturați dovezi, publicați jurnalele de decizie și actualizați continuu măsurile de protecție pe măsură ce comportamentul modelului, așteptările utilizatorilor și cerințele de reglementare evoluează.
Impact strategic
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența.
Fluxurile de lucru lingvistice se pot deplasa mai rapid fără a sacrifica consistența. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Extinde accesul în diferite limbi și stiluri de comunicare.
Extinde accesul în diferite limbi și stiluri de comunicare. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție.
Echipele pot petrece mai mult timp jucând în timp ce automatizarea se ocupă de repetiție. În implementările de înaltă calitate, acest lucru se traduce în reguli de operare măsurabile, limite de proprietate și ritualuri de revizuire recurente, astfel încât echipele să poată mări încrederea în loc să crească ambiguitatea.
Implementare în lumea reală
Reglați fin InstructGPT și ChatGPT pentru a urma instrucțiunile și preferințele umane prin RLHF
Antrenarea agenților de joc și control al roboticii, domeniul original al PPO înaintea modelelor de limbaj
Reducerea toxicității sau îmbunătățirea utilității prin maximizarea unui scor de model de recompensă sub o constrângere KL
Optimizarea utilizării instrumentelor sau a comportamentului agentului în mai mulți pași, în care un model este recompensat pentru îndeplinirea corectă a sarcinilor
Modele de implementare
Optimizarea proximală a politicii în practică
Reglați fin InstructGPT și ChatGPT pentru a urma instrucțiunile și preferințele umane prin RLHF.
Reglarea fină a InstructGPT și ChatGPT pentru a urma instrucțiunile și preferințele umane prin intermediul RLHF Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Optimizarea proximală a politicii în practică
Antrenarea agenților de joc și control al roboticii, domeniul original al PPO înaintea modelelor de limbaj.
Antrenarea agenților de control al jocurilor și al roboticii, domeniul inițial al PPO înainte de modelele lingvistice Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile erorilor în timp.
Optimizarea proximală a politicii în practică
Reducerea toxicității sau îmbunătățirea utilității prin maximizarea unui scor de model de recompensă sub o constrângere KL.
Reducerea toxicității sau îmbunătățirea utilității prin maximizarea unui scor de model de recompensă sub o constrângere KL Echipele obțin de obicei rezultate mai bune atunci când definesc praguri de calitate în avans, păstrează o cale de escaladare umană pentru cazurile marginale și urmăresc atât câștigurile de productivitate, cât și costurile de eroare în timp.
Optimizarea proximală a politicii în practică
Optimizarea utilizării instrumentelor sau a comportamentului agentului în mai mulți pași, în care un model este recompensat pentru îndeplinirea corectă a sarcinilor.
Optimizarea utilizării instrumentelor sau a comportamentului agentului în mai mulți pași, în care un model este recompensat pentru îndeplinirea corectă a sarcinilor.
Riscuri și balustrade
Faptele halucinate pot intra în liniște în rapoarte, fluxuri de sprijin sau rezultate ale cercetării.
Sensibilitatea promptă poate crea rezultate inconsecvente pentru solicitări similare.
Datele text sensibile pot fi expuse dacă controalele de acces sunt slabe.
Foaia de parcurs de implementare
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare.
Definiți formatul de ieșire, tonul și standardele de calitate înainte de lansare. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează.
Răspunsurile la sol cu surse de încredere ori de câte ori acuratețea contează. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Păstrați un punct de control uman pentru rezultate cu mize mari.
Păstrați un punct de control uman pentru rezultate cu mize mari. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru.
Urmăriți tiparele de eșec și reantrenați în mod regulat solicitările sau fluxurile de lucru. Tratați fiecare pas ca pe o poartă de dovezi: dacă criteriile nu sunt îndeplinite, întrerupeți lansarea, închideți decalajul și abia apoi extindeți utilizarea.