ภาพรวม
Kahneman-Tversky Optimization (KTO) เป็นวิธีการจัดตำแหน่งที่เรียนรู้จากป้ายกำกับแบบยกนิ้วโป้งขึ้นหรือลงแบบง่ายๆ แทนการเปรียบเทียบแบบจับคู่ เป็นเรื่องสำคัญเพราะว่าผลป้อนกลับแบบไบนารีนั้นง่ายกว่ามากและถูกกว่ามากในการรวบรวมมากกว่าคู่อันดับตามที่วิธีการส่วนใหญ่ต้องการ
Kahneman-Tversky Optimization เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
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
ข้อมูลเชิงลึกทางเทคนิค
KTO กำหนดฟังก์ชันค่าที่สร้างแบบจำลองตามทฤษฎีโอกาส โดยวัดว่ารางวัลโดยนัยของคำตอบนั้นอยู่สูงหรือต่ำกว่าเส้นฐานอ้างอิงมากเพียงใด (มักจะเป็นค่าเฉลี่ยของความแตกต่างของ KL จากนโยบายอ้างอิง) ตัวอย่างที่พึงประสงค์จะดันค่าขึ้น ตัวอย่างที่ไม่พึงประสงค์จะดันลง และค่าสัมประสิทธิ์การหลีกเลี่ยงการสูญเสียจะทำให้การเบี่ยงเบนเชิงลบมีน้ำหนักมากขึ้น สิ่งสำคัญที่สุดคือต้องการเพียงป้ายกำกับต่อตัวอย่าง ไม่ใช่คู่ที่ตรงกัน
การเรียนรู้การเพิ่มประสิทธิภาพ Kahneman-Tversky
Kahneman-Tversky Optimization (KTO) เป็นวิธีการจัดตำแหน่งที่เรียนรู้จากป้ายกำกับแบบยกนิ้วโป้งขึ้นหรือลงแบบง่ายๆ แทนการเปรียบเทียบแบบจับคู่ เป็นเรื่องสำคัญเพราะว่าผลป้อนกลับแบบไบนารีนั้นง่ายกว่ามากและถูกกว่ามากในการรวบรวมมากกว่าคู่อันดับตามที่วิธีการส่วนใหญ่ต้องการ Kahneman-Tversky Optimization เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Kahneman-Tversky Optimization เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้การออกแบบพร้อมท์ การดึงข้อมูล และการตรวจสอบลูปของ Kahneman-Tversky Optimization เป็นระบบการสื่อสารแบบรวมระบบเดียว โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในขณะเดียวกัน ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ
ขั้นตอนการทำงานของภาษาสามารถดำเนินไปได้เร็วขึ้นโดยไม่กระทบต่อความสม่ำเสมอ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร
ขยายการเข้าถึงภาษาและรูปแบบการสื่อสาร ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ
ทีมสามารถใช้เวลามากขึ้นในการตัดสิน ในขณะที่ระบบอัตโนมัติจัดการกับการทำซ้ำ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
การใช้การคลิกแบบยกนิ้วขึ้น/นิ้วหัวแม่มือลงจากแชทบอทที่ปรับใช้เพื่อปรับแต่งโดยไม่ต้องสร้างคู่การตั้งค่า
การจัดแนวโมเดลเมื่อคุณมีกองคำตอบ 'ดี' และ 'ไม่ดี' แต่ไม่มีการเปรียบเทียบที่ตรงกันสำหรับข้อความแจ้งเดียวกัน
ทีมผลิตภัณฑ์รีไซเคิลธงการกลั่นกรอง (ไม่พึงประสงค์) และบันทึกคำตอบ (ที่พึงประสงค์) ไว้ในการฝึกอบรม KTO
การจัดการข้อเสนอแนะที่ไม่สมดุลซึ่งการไม่ชอบนั้นหายากกว่าการชอบโดยการปรับความเกลียดชังการสูญเสียและน้ำหนักคลาสของ KTO
รูปแบบการดำเนินงาน
การเพิ่มประสิทธิภาพ Kahneman-Tversky ในทางปฏิบัติ
การใช้การคลิกแบบยกนิ้วโป้งหรือนิ้วหัวแม่มือลงจากแชทบอทที่ปรับใช้เพื่อปรับแต่งโดยไม่ต้องสร้างคู่การตั้งค่าเลย
การใช้การคลิกแบบนิ้วหัวแม่มือขึ้น/นิ้วหัวแม่มือลงจากแชทบอทที่ใช้งานเพื่อปรับแต่งโดยไม่ต้องสร้างคู่การตั้งค่า โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพ Kahneman-Tversky ในทางปฏิบัติ
การจัดแนวแบบจำลองเมื่อคุณมีกองคำตอบ 'ดี' และ 'ไม่ดี' แต่ไม่มีการเปรียบเทียบที่ตรงกันสำหรับข้อความแจ้งเดียวกัน
การจัดแนวโมเดลเมื่อคุณมีกองคำตอบ 'ดี' และ 'ไม่ดี' แต่ไม่มีการเปรียบเทียบที่ตรงกันสำหรับข้อความแจ้งเดียวกัน โดยปกติแล้วทีมจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพ Kahneman-Tversky ในทางปฏิบัติ
ทีมผลิตภัณฑ์รีไซเคิลธงการกลั่นกรอง (ไม่พึงประสงค์) และบันทึกคำตอบ (ที่พึงประสงค์) ไว้ในการฝึกอบรม KTO
ทีมผลิตภัณฑ์นำธงการกลั่นกรอง (ไม่พึงประสงค์) และการตอบสนองที่บันทึกไว้ (ที่พึงประสงค์) เข้าสู่การฝึกอบรม KTO ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพ Kahneman-Tversky ในทางปฏิบัติ
การจัดการข้อเสนอแนะที่ไม่สมดุลซึ่งการไม่ชอบนั้นหายากกว่าการชอบโดยการปรับความเกลียดชังการสูญเสียและน้ำหนักคลาสของ KTO
การจัดการกับข้อเสนอแนะที่ไม่สมดุลซึ่งการไม่ชอบนั้นหายากกว่าการชอบโดยการปรับการเกลียดการสูญเสียและน้ำหนักคลาสของ KTO ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
ข้อเท็จจริงที่หลอนประสาทสามารถเข้าสู่รายงาน กระแสสนับสนุน หรือผลการวิจัยได้อย่างเงียบๆ
ความละเอียดอ่อนของการแจ้งเตือนสามารถสร้างผลลัพธ์ที่ไม่สอดคล้องกันในคำขอที่คล้ายกัน
ข้อมูลข้อความที่ละเอียดอ่อนอาจถูกเปิดเผยหากการควบคุมการเข้าถึงอ่อนแอ
แผนงานการดำเนินงาน
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว
กำหนดรูปแบบเอาต์พุต โทนเสียง และมาตรฐานคุณภาพก่อนเปิดตัว ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ
การตอบสนองภาคพื้นดินกับแหล่งข้อมูลที่เชื่อถือได้เมื่อใดก็ตามที่ความแม่นยำมีความสำคัญ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง
รักษาจุดตรวจสอบการตรวจสอบโดยมนุษย์สำหรับผลลัพธ์ที่มีเดิมพันสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ
ติดตามรูปแบบความล้มเหลวและฝึกอบรมพร้อมท์หรือเวิร์กโฟลว์เป็นประจำ ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น