คู่มือ AI ภาษา
การเพิ่มประสิทธิภาพ Kahneman-Tversky
Kahneman-Tversky Optimization (KTO) เป็นวิธีการจัดตำแหน่งที่เรียนรู้จากป้ายกำกับแบบยกนิ้วโป้งขึ้นหรือลงแบบง่ายๆ แทนการเปรียบเทียบแบบจับคู่
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
บนหน้านี้อ่าน 2 นาที
ภาพรวม
มันสำคัญเพราะว่าผลป้อนกลับแบบไบนารีนั้นง่ายกว่ามากและถูกกว่ามากในการรวบรวมมากกว่าคู่อันดับตามที่วิธีการส่วนใหญ่ต้องการ
เจาะลึก
KTO ซึ่งเปิดตัวโดย Ethayarajh และเพื่อนร่วมงานที่ Stanford และ Contextual AI ในปี 2024 ยืมมาจากทฤษฎีโอกาส ซึ่งเป็นผลงานที่ได้รับรางวัลโนเบลของ Daniel Kahneman และ Amos Tversky เกี่ยวกับวิธีที่มนุษย์เห็นคุณค่าของกำไรและขาดทุน วิธีการมาตรฐาน เช่น DPO จำเป็นต้องมีคู่การตั้งค่า: คำตอบที่เลือกและคำตอบที่ถูกปฏิเสธสำหรับข้อความแจ้งเดียวกัน KTO ทำงานร่วมกับข้อมูลที่ไม่ได้จับคู่แทน โดยที่แต่ละเอาต์พุตจะถูกทำเครื่องหมายว่าเป็นที่ต้องการหรือไม่พึงประสงค์ โดยสร้างการสูญเสียโดยการรับรู้ของมนุษย์ ซึ่งถือว่าการปรับปรุงของแบบจำลองในตัวอย่างเป็นการได้หรือขาดทุนที่สัมพันธ์กับจุดอ้างอิง โดยใช้การหลีกเลี่ยงการสูญเสีย ดังนั้นผลลัพธ์ที่ไม่พึงประสงค์จะถูกลงโทษอย่างรุนแรงมากกว่าการได้รับรางวัลที่ต้องการ ซึ่งช่วยให้ทีมใช้สัญญาณยกนิ้วขึ้น/ลงมากมายที่รวบรวมไว้ในแอปที่ใช้งานจริงได้
การใช้งานจริงในโลกแห่งความเป็นจริง
การใช้การคลิกแบบยกนิ้วขึ้น/นิ้วหัวแม่มือลงจากแชทบอทที่ปรับใช้เพื่อปรับแต่งโดยไม่ต้องสร้างคู่การตั้งค่า
การจัดแนวโมเดลเมื่อคุณมีกองคำตอบ 'ดี' และ 'ไม่ดี' แต่ไม่มีการเปรียบเทียบที่ตรงกันสำหรับข้อความแจ้งเดียวกัน
ทีมผลิตภัณฑ์รีไซเคิลธงการกลั่นกรอง (ไม่พึงประสงค์) และบันทึกคำตอบ (ที่พึงประสงค์) ไว้ในการฝึกอบรม KTO
การจัดการข้อเสนอแนะที่ไม่สมดุลซึ่งการไม่ชอบนั้นหายากกว่าการชอบโดยการปรับความเกลียดชังการสูญเสียและน้ำหนักคลาสของ KTO
อนาคตของการเพิ่มประสิทธิภาพ Kahneman-Tversky
KTO เหมาะอย่างยิ่งกับผลิตภัณฑ์จริง ซึ่งผู้ใช้จะคลิกชอบหรือไม่ชอบโดยธรรมชาติ แต่ไม่ค่อยจัดอันดับสองคำตอบเคียงข้างกัน คาดว่าจะมีการนำลูปการปรับปรุงอย่างต่อเนื่องมาใช้ในวงกว้างมากขึ้น ซึ่งนำผลตอบรับจากการผลิตกลับมาใช้ใหม่ รวมถึงการวิจัยที่ปรับอัตราส่วนข้อมูลที่พึงประสงค์ต่อไม่พึงประสงค์ และน้ำหนักการสูญเสีย-รังเกียจ การผสมผสานกรอบเศรษฐศาสตร์พฤติกรรมของ KTO เข้ากับวัตถุประสงค์อื่นๆ และนำไปใช้กับข้อเสนอแนะหลายรูปแบบ ถือเป็นทิศทางที่กระตือรือร้นในขณะที่ทีมแสวงหาแนวทางจากสัญญาณในโลกแห่งความเป็นจริงที่ยุ่งเหยิง
การนำไปปฏิบัติ
ทำไมมันถึงสำคัญ
- ความเร็วและขนาด. ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
- เข้าถึงและเข้าถึง. ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
- การตัดสินใจที่ชัดเจนยิ่งขึ้น. ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ระวัง
- ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
- ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
- ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
ขั้นตอนต่อไป
- กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
- การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
- รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
- ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
สำรวจต่อไป
จดหมายข่าวฟรี
รับสรุป AI รายวัน
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
Take the Kahneman-Tversky Optimization quiz
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
คำถามที่พบบ่อย
การเพิ่มประสิทธิภาพ Kahneman-Tversky คืออะไร
Kahneman-Tversky Optimization (KTO) เป็นวิธีการจัดตำแหน่งที่เรียนรู้จากป้ายกำกับแบบยกนิ้วโป้งขึ้นหรือลงแบบง่ายๆ แทนการเปรียบเทียบแบบจับคู่ เป็นเรื่องสำคัญเพราะว่าผลป้อนกลับแบบไบนารีนั้นง่ายกว่ามากและถูกกว่ามากในการรวบรวมมากกว่าคู่อันดับตามที่วิธีการส่วนใหญ่ต้องการ
KTO ต้องการข้อมูลประเภทใด?
KTO เรียนรู้จากป้ายกำกับยกนิ้วขึ้น/ลงตัวอย่างง่ายๆ แทนที่จะจับคู่การตั้งค่าที่ตรงกัน
KTO ได้รับแรงบันดาลใจจากผลงานชิ้นไหน?
KTO ยืมแนวคิดของทฤษฎีโอกาสในการประเมินมูลค่ากำไรและขาดทุนแบบไม่สมมาตร จึงเป็นที่มาของชื่อ
'ความเกลียดชังการสูญเสีย' ที่ใช้ใน KTO คืออะไร
ทฤษฎีพรอสเพคกล่าวว่าการสูญเสียมีมากกว่ากำไร ดังนั้น KTO จึงให้น้ำหนักการเบี่ยงเบนเชิงลบมากขึ้น
What kind of feedback can KTO learn from without requiring paired comparisons?
KTO’s paper studies alignment from binary desirable/undesirable feedback on individual outputs; it still needs appropriate data and setup.
ใน KTO ค่าเบี่ยงเบนวัดสัมพันธ์กับอะไร?
ฟังก์ชันค่าของ KTO จะตัดสินว่าการตอบสนองอยู่เหนือหรือต่ำกว่าเส้นฐานอ้างอิง โดยถือว่าสิ่งนั้นเป็นกำไรหรือขาดทุน
เรียนรู้ต่อไป
คำแนะนำที่เกี่ยวข้อง
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้