Оптимізація Канемана-Тверського
Оптимізація за Канеманом-Тверським (KTO) — це метод вирівнювання, який навчається на простих мітках «не подобається» або «не подобається» замість парних порівнянь.
Огляд
It matters because binary feedback is far easier and cheaper to collect than the ranked pairs most methods demand.
Глибоке занурення
KTO, представлений Ethayarajh та його колегами зі Стенфордського університету та Contextual AI у 2024 році, запозичив теорію перспектив, нобелівську роботу Даніеля Канемана та Амоса Тверскі про те, як люди оцінюють прибутки та втрати. Для стандартних методів, таких як DPO, потрібні пари переваг: вибрана та відхилена відповідь для того самого запиту. Натомість KTO працює з непарними даними, де кожен окремий вихід просто позначено як бажаний або небажаний. Він будує втрату, що усвідомлюється людиною, яка розглядає вдосконалення моделі на вибірці як прибуток або втрату відносно контрольної точки, застосовуючи відвертість від втрат, щоб небажані результати каралися різкіше, ніж винагороджувалися бажані. Це дозволяє командам використовувати велику кількість сигналів «не подобається» або «вниз», які вже зібрані у робочих програмах.
Технічне розуміння
KTO визначає функцію цінності, змодельовану на основі теорії перспектив, яка вимірює, наскільки передбачувана винагорода відповіді знаходиться вище або нижче базової лінії (часто середнє відхилення KL від базової політики). Бажані приклади підвищують цінність, небажані – знижують, а коефіцієнт неприйняття втрат робить негативні відхилення важчими. Важливо, що для кожного прикладу потрібна лише мітка, а не пари, що збігаються.
Стратегічний вплив
Швидкість і масштаб
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
Доступ і охоплення
Це розширює доступ до різних мов і стилів спілкування.
Чіткіші рішення
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Майбутнє оптимізації Канемана-Тверського
KTO добре підходить для реальних продуктів, де користувачі природно натискають «подобається» або «не подобається», але рідко ранжують дві відповіді поруч. Очікуйте ширшого впровадження циклів безперервного вдосконалення, які переробляють зворотний зв’язок із виробництвом, а також досліджень, які налаштовують співвідношення бажаних і небажаних даних і ваги втрати. Поєднання поведінково-економічного фреймінгу KTO з іншими цілями та застосування його до мультимодального зворотного зв’язку є активними напрямками, оскільки команди прагнуть узгодити безладні сигнали реального світу.
Реалізація в реальному світі
Використання клацань «великий палець вгору» та «великий палець вниз» із розгорнутого чат-бота для його тонкого налаштування без створення пар уподобань
Вирівнювання моделі, коли у вас є купа «хороших» і «поганих» відповідей, але немає відповідних порівнянь для однакових підказок
Команда продукту переробляє позначки модерації (небажано) і збережені відповіді (бажано) у навчання KTO
Обробка незбалансованих відгуків, де антипатії зустрічаються рідше, ніж лайки, шляхом налаштування неприйняття втрат і ваги класу KTO
Ризики та огорожі
Галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень.
Делікатність підказок може створити суперечливі результати для подібних запитів.
Конфіденційні текстові дані можуть бути розкриті, якщо контроль доступу слабкий.
Дорожня карта впровадження
Визначте вихідний формат, тон і стандарти якості перед розгортанням.
Якщо точність має значення, зв’яжіться з надійними джерелами.
Тримайте контрольну точку перевірки людьми для отримання високих ставок.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Продовжуйте досліджувати
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Kahneman-Tversky Optimization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Наступний посібник
Пряма оптимізація переваг
Часті запитання
What is Kahneman-Tversky Optimization?
Оптимізація за Канеманом-Тверським (KTO) — це метод вирівнювання, який навчається на простих мітках «не подобається» або «не подобається» замість парних порівнянь. Це важливо, тому що двійковий зворотний зв’язок набагато легше та дешевше збирати, ніж ранжовані пари, яких вимагає більшість методів.
Які дані потрібні KTO?
KTO вчиться на простих мітках «подобається/вниз» для кожного прикладу, а не на відповідних парах уподобань.
Яка робота надихає KTO?
KTO запозичив ідею теорії перспектив про асиметричну оцінку прибутків і збитків, звідки й назва.
Що таке «уникнення втрат» у KTO?
Теорія перспектив стверджує, що втрати виявляються більшими, ніж прибутки, тому KTO важить негативні відхилення сильніше.
У порівнянні з DPO KTO особливо корисний, коли у вас є що?
KTO сяє, коли зворотний зв’язок є непарними двійковими сигналами, які продукти збирають набагато легше, ніж ранжовані пари.
Відносно чого в КТО вимірюються відхилення?
Функція цінності KTO визначає, чи є відповідь вище або нижче еталонного базового рівня, розглядаючи це як прибуток чи втрату.