ДаліНаступний посібник
Пряма оптимізація переваг
ШІ мови
Мова AI GUIDE
Оптимізація Канемана-Тверського
Оптимізація за Канеманом-Тверським (KTO) — це метод вирівнювання, який навчається на простих мітках «не подобається» або «не подобається» замість парних порівнянь.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
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.
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
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.
Застосування на практиці
Чому це важливо
- 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.
Зверніть увагу на
- 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.
Наступні кроки
- 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
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Kahneman-Tversky Optimization quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
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.
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.
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.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми