ภาพรวม
Proximal Policy Optimization (PPO) เป็นอัลกอริธึมการเรียนรู้แบบเสริมแรงที่เกี่ยวข้องกับการปรับแต่งโมเดลภาษาอย่างละเอียดจากความคิดเห็นของมนุษย์ โดยจะปรับปรุงนโยบายด้วยขั้นตอนเล็กๆ อย่างระมัดระวัง เพื่อหลีกเลี่ยงความไม่เสถียรที่รบกวนวิธีการไล่ระดับนโยบายที่ไร้เดียงสา
Proximal Policy Optimization เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด
เจาะลึก
PPO เปิดตัวโดย OpenAI ในปี 2017 และกลายเป็นผู้อยู่เบื้องหลัง RLHF สำหรับระบบอย่าง InstructGPT และ ChatGPT ความท้าทายหลักในการไล่ระดับนโยบาย RL คือการอัปเดตขนาดใหญ่เกินไปเพียงครั้งเดียวอาจทำให้ประสิทธิภาพลดลงได้ PPO จัดการกับสิ่งนี้ด้วย 'วัตถุประสงค์ตัวแทนที่ถูกตัดออก': โดยจะวัดว่ามีแนวโน้มว่าจะมีการดำเนินการเกิดขึ้นมากน้อยเพียงใดเมื่อเทียบกับนโยบายเก่า คูณอัตราส่วนนั้นด้วยความได้เปรียบ (การดำเนินการนั้นดีกว่าที่คาดไว้มากน้อยเพียงใด) และตัดอัตราส่วนให้อยู่ในช่วงเล็ก ๆ เช่น 0.8 ถึง 1.2 ซึ่งจะจำกัดว่านโยบายสามารถเคลื่อนไหวได้มากเพียงใดต่อการอัปเดต ทำให้การเรียนรู้มีความเสถียรในขณะที่ยังคงสามารถปรับปรุงได้อย่างต่อเนื่อง ในโมเดลภาษา RLHF นั้น 'การกระทำ' กำลังสร้างโทเค็นหรือการตอบกลับ รางวัลมาจากโมเดลรางวัล และการลงโทษ KL-divergence ทำให้โมเดลไม่ลอยไปไกลจากพฤติกรรมดั้งเดิมมากเกินไป
ข้อมูลเชิงลึกทางเทคนิค
PPO เพิ่มวัตถุประสงค์ที่ถูกตัดให้สูงสุด: นาที (อัตราส่วน * ความได้เปรียบ, คลิป (อัตราส่วน, 1-eps, 1+eps) * ความได้เปรียบ) โดยที่อัตราส่วนคือความน่าจะเป็นของการกระทำที่ใหม่กว่าเก่า โดยปกติแล้วข้อดีจะถูกประเมินด้วยการประมาณค่าความได้เปรียบทั่วไปและเครือข่ายคุณค่าที่เรียนรู้ (นักวิจารณ์) ใน RLHF รางวัลทั้งหมดจะรวมคะแนนโมเดลรางวัลเข้ากับการลงโทษ KL ต่อโทเค็นเทียบกับนโยบายอ้างอิง สร้างสมดุลของรางวัลที่ได้รับเทียบกับการคงไว้ใกล้กับโมเดลดั้งเดิม
การเรียนรู้การเพิ่มประสิทธิภาพนโยบายใกล้เคียง
Proximal Policy Optimization (PPO) เป็นอัลกอริธึมการเรียนรู้แบบเสริมแรงที่เกี่ยวข้องกับการปรับแต่งโมเดลภาษาอย่างละเอียดจากความคิดเห็นของมนุษย์ โดยจะปรับปรุงนโยบายด้วยขั้นตอนเล็กๆ อย่างระมัดระวัง เพื่อหลีกเลี่ยงความไม่เสถียรที่รบกวนวิธีการไล่ระดับนโยบายที่ไร้เดียงสา Proximal Policy Optimization เป็นส่วนหนึ่งของสแต็กภาษา-AI ที่ใช้ในการอ่าน สร้าง จำแนก และแปลงข้อความและคำพูดตามขนาด เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Proximal Policy Optimization เป็นรูปแบบการดำเนินงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้พรอมต์การออกแบบ Proximal Policy Optimization การรับข้อมูล และลูปการตรวจสอบเป็นระบบการสื่อสารแบบรวมระบบเดียว 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
การปรับแต่ง InstructGPT และ ChatGPT อย่างละเอียดเพื่อปฏิบัติตามคำแนะนำและการตั้งค่าของมนุษย์ผ่าน RLHF
ฝึกอบรมตัวแทนการควบคุมการเล่นเกมและหุ่นยนต์ โดเมนดั้งเดิมของ PPO ก่อนโมเดลภาษา
ลดความเป็นพิษหรือปรับปรุงความช่วยเหลือโดยการเพิ่มคะแนนโมเดลรางวัลสูงสุดภายใต้ข้อจำกัด KL
การปรับพฤติกรรมการใช้เครื่องมือหรือเอเจนต์หลายขั้นตอนให้เหมาะสม โดยที่โมเดลจะได้รับรางวัลจากการทำงานให้เสร็จสิ้นอย่างถูกต้อง
รูปแบบการดำเนินงาน
การเพิ่มประสิทธิภาพนโยบายใกล้เคียงในทางปฏิบัติ
การปรับแต่ง InstructGPT และ ChatGPT อย่างละเอียดเพื่อปฏิบัติตามคำแนะนำและการตั้งค่าของมนุษย์ผ่าน RLHF
การปรับแต่ง InstructGPT และ ChatGPT ให้ทำตามคำแนะนำและความชอบของมนุษย์ผ่านทีม RLHF มักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายใกล้เคียงในทางปฏิบัติ
ฝึกอบรมตัวแทนการควบคุมการเล่นเกมและหุ่นยนต์ โดเมนดั้งเดิมของ PPO ก่อนโมเดลภาษา
การฝึกอบรมตัวแทนควบคุมการเล่นเกมและหุ่นยนต์ โดเมนดั้งเดิมของ PPO ก่อนโมเดลภาษา ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายใกล้เคียงในทางปฏิบัติ
ลดความเป็นพิษหรือปรับปรุงความช่วยเหลือโดยการเพิ่มคะแนนโมเดลรางวัลสูงสุดภายใต้ข้อจำกัด KL
การลดความเป็นพิษหรือปรับปรุงความช่วยเหลือโดยการเพิ่มคะแนนโมเดลรางวัลให้สูงสุดภายใต้ข้อจำกัดของ KL ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพไว้ล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การเพิ่มประสิทธิภาพนโยบายใกล้เคียงในทางปฏิบัติ
การปรับพฤติกรรมการใช้เครื่องมือหรือเอเจนต์หลายขั้นตอนให้เหมาะสม โดยที่โมเดลจะได้รับรางวัลจากการทำงานให้เสร็จสิ้นอย่างถูกต้อง
การเพิ่มประสิทธิภาพการใช้เครื่องมือหรือพฤติกรรมของเจ้าหน้าที่หลายขั้นตอนโดยที่แบบจำลองได้รับรางวัลจากการทำงานให้เสร็จสิ้นอย่างถูกต้อง ทีมมักจะได้รับผลลัพธ์ที่ดีขึ้นเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
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