Огляд
Проксимальна оптимізація політики (PPO) — це алгоритм навчання з підкріпленням, найбільш пов’язаний із тонким налаштуванням мовних моделей за відгуками людини. Він покращує політику обережними невеликими кроками, щоб уникнути нестабільності, яка заважає наївним методам градієнта політики.
Проксимальна оптимізація політики є частиною мовного стеку штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови.
Глибоке занурення
PPO був представлений OpenAI у 2017 році та став робочою конячкою для RLHF для таких систем, як InstructGPT і ChatGPT. Основна проблема RL з градієнтом політики полягає в тому, що одне надто велике оновлення може знизити продуктивність. PPO вирішує це за допомогою «обрізаної сурогатної цілі»: він вимірює, наскільки більшою (чи меншою) є ймовірність дії порівняно зі старою політикою, множить це співвідношення на перевагу (наскільки дія була кращою, ніж очікувалося), і обрізає співвідношення до невеликого діапазону, наприклад від 0,8 до 1,2. Це обмежує, наскільки політика може просунутися за одне оновлення, зберігаючи стабільність навчання, водночас дозволяючи постійне вдосконалення. У мовній моделі RLHF «дія» генерує маркер або відповідь, винагорода надходить від моделі винагороди, а штраф за розбіжність KL утримує модель від занадто далекого відхилення від її початкової поведінки.
Технічне розуміння
PPO максимізує обмежену ціль: min(коефіцієнт * перевага, кліп(коефіцієнт, 1-eps, 1+eps) * перевага), де співвідношення — це ймовірність нової дії над старим. Переваги зазвичай оцінюються за допомогою узагальненої оцінки переваг і мережі вивчених цінностей (критики). У RLHF загальна винагорода поєднує оцінку моделі винагороди зі штрафом KL за токен у порівнянні з еталонною політикою, врівноважуючи отримання винагороди з наближенням до вихідної моделі.
Освоєння оптимізації проксимальної політики
Проксимальна оптимізація політики (PPO) — це алгоритм навчання з підкріпленням, найбільш пов’язаний із тонким налаштуванням мовних моделей за відгуками людини. Він покращує політику обережними невеликими кроками, щоб уникнути нестабільності, яка заважає наївним методам градієнта політики. Проксимальна оптимізація політики є частиною мовного стеку штучного інтелекту, який використовується для читання, генерації, класифікації та масштабного перетворення тексту та мови. Щоб побудувати глибоке розуміння, розглядайте оптимізацію проксимальної політики як операційну модель, а не як окрему функцію: визначте бажані результати, уточніть припущення та відокремте те, що система може зробити надійно, від того, що все ще вимагає експертної оцінки.
На практиці сильні команди, які використовують проксимальну оптимізацію політики, проектують підказки, цикли пошуку та перегляду як одну інтегровану систему зв’язку. Вони документують чіткі критерії успіху, перевіряють реалістичні дані та робочі процеси та виконують ітерацію на основі спостережуваних моделей невдач, а не одноразових перемог у тестах. Саме тут теоретичне розуміння перетворюється на довготривалу здатність щодо продуктів, політики та операцій.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У той же час галюциновані факти можуть непомітно входити у звіти, допоміжні потоки або результати досліджень. Найбільш стійкий підхід полягає в поєднанні швидкості експериментів із дисципліною управління: запускайте пілотні проекти, збирайте докази, публікуйте журнали рішень і постійно оновлюйте запобіжні заходи в міру розвитку поведінки моделі, очікувань користувачів і нормативних вимог.
Стратегічний вплив
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості.
Мовні робочі процеси можуть рухатися швидше без шкоди для узгодженості. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Це розширює доступ до різних мов і стилів спілкування.
Це розширює доступ до різних мов і стилів спілкування. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням.
Команди можуть витрачати більше часу на оцінювання, поки автоматизація справляється з повторенням. У високоякісних розгортаннях це перетворюється на вимірювані правила роботи, межі власності та повторювані ритуали перевірки, щоб команди могли масштабувати впевненість замість масштабування неоднозначності.
Впровадження в реальному світі
Точне налаштування InstructGPT і ChatGPT для виконання інструкцій і вподобань людини через RLHF
Навчання ігор і агентів керування робототехнікою, вихідний домен PPO перед мовними моделями
Зменшення токсичності або підвищення корисності шляхом максимізації оцінки моделі винагороди за обмеженням KL
Оптимізація використання інструментів або багатоетапної поведінки агента, коли модель отримує винагороду за правильне виконання завдань
Шаблони реалізації
Проксимальна оптимізація політики на практиці
Точне налаштування InstructGPT і ChatGPT для виконання інструкцій і вподобань людини через RLHF.
Точне налаштування InstructGPT і ChatGPT для дотримання інструкцій і вподобань людини через RLHF. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Проксимальна оптимізація політики на практиці
Навчання ігор і агентів керування робототехнікою, вихідний домен PPO перед мовними моделями.
Навчання ігор і агентів керування робототехнікою, початковий домен PPO перед мовними моделями. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
Проксимальна оптимізація політики на практиці
Зменшення токсичності або покращення корисності шляхом максимізації оцінки моделі винагороди за обмеженням KL.
Зменшення токсичності або покращення корисності шляхом максимізації оцінки моделі винагороди за обмеження KL Команди зазвичай отримують кращі результати, коли вони визначають порогові значення якості наперед, зберігають шлях ескалації людини для крайніх випадків і відстежують як підвищення продуктивності, так і витрати на помилки з часом.
Проксимальна оптимізація політики на практиці
Оптимізація використання інструментів або багатоетапної поведінки агента, коли модель отримує винагороду за правильне виконання завдань.
Оптимізація використання інструментів або багатоетапної поведінки агента, коли модель отримує винагороду за правильне виконання завдань. Команди зазвичай отримують кращі результати, коли заздалегідь визначають порогові значення якості, зберігають шлях ескалації з боку людини для крайніх випадків і відстежують підвищення продуктивності та витрати на помилки з часом.
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.
Визначте вихідний формат, тон і стандарти якості перед розгортанням. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Якщо точність має значення, зв’яжіться з надійними джерелами.
Якщо точність має значення, зв’яжіться з надійними джерелами. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Тримайте контрольну точку перевірки людьми для отримання високих ставок.
Тримайте контрольну точку перевірки людьми для отримання високих ставок. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси.
Відстежуйте моделі збоїв і регулярно перенавчайте підказки або робочі процеси. Розглядайте кожен крок як джерело доказів: якщо критерії не відповідають, призупиніть розгортання, закрийте прогалину й лише потім розширюйте використання.