Tổng quan
Tối ưu hóa Kahneman-Tversky (KTO) là một phương pháp căn chỉnh học hỏi từ các nhãn thích hoặc không thích đơn giản thay vì so sánh theo cặp. Điều này quan trọng vì việc thu thập phản hồi nhị phân dễ dàng hơn và rẻ hơn nhiều so với các cặp xếp hạng mà hầu hết các phương pháp đều yêu cầu.
Tối ưu hóa Kahneman-Tversky là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn.
Lặn sâu
KTO, được Ethayarajh và các đồng nghiệp tại Stanford và Contextual AI giới thiệu vào năm 2024, vay mượn từ lý thuyết triển vọng, tác phẩm đoạt giải Nobel của Daniel Kahneman và Amos Tversky về cách con người đánh giá được cái được và cái mất. Các phương pháp tiêu chuẩn như DPO cần có các cặp ưu tiên: câu trả lời được chọn và câu trả lời bị từ chối cho cùng một lời nhắc. Thay vào đó, KTO hoạt động với dữ liệu chưa ghép nối trong đó mỗi đầu ra riêng lẻ được đánh dấu đơn giản là mong muốn hoặc không mong muốn. Nó xây dựng sự mất mát do con người nhận thức, coi việc cải thiện mô hình trên một mẫu là được hoặc mất so với điểm tham chiếu, áp dụng ác cảm mất mát để các kết quả đầu ra không mong muốn bị phạt nặng hơn so với những kết quả mong muốn được khen thưởng. Điều này cho phép các nhóm sử dụng nhiều tín hiệu thích/không thích đã được thu thập trong các ứng dụng sản xuất.
Hiểu biết kỹ thuật
KTO xác định hàm giá trị được mô hình hóa dựa trên lý thuyết triển vọng, đo lường mức độ phần thưởng ngụ ý của phản hồi nằm trên hoặc dưới đường cơ sở tham chiếu (thường là độ phân kỳ KL trung bình so với chính sách tham chiếu). Những ví dụ mong muốn sẽ đẩy giá trị lên cao, những ví dụ không mong muốn sẽ đẩy giá trị đó xuống và hệ số ác cảm mất mát làm cho độ lệch âm trở nên nặng nề hơn. Điều quan trọng là nó chỉ cần một nhãn cho mỗi ví dụ, không cần các cặp trùng khớp.
Nắm vững tối ưu hóa Kahneman-Tversky
Tối ưu hóa Kahneman-Tversky (KTO) là một phương pháp căn chỉnh học hỏi từ các nhãn thích hoặc không thích đơn giản thay vì so sánh theo cặp. Điều này quan trọng vì việc thu thập phản hồi nhị phân dễ dàng hơn và rẻ hơn nhiều so với các cặp xếp hạng mà hầu hết các phương pháp đều yêu cầu. Tối ưu hóa Kahneman-Tversky là một phần của ngăn xếp ngôn ngữ-AI được sử dụng để đọc, tạo, phân loại và chuyển đổi văn bản và giọng nói trên quy mô lớn. Để xây dựng sự hiểu biết sâu sắc, hãy coi Tối ưu hóa Kahneman-Tversky như một mô hình vận hành chứ không phải một tính năng duy nhất: xác định kết quả mong muốn, làm rõ các giả định và tách biệt những gì hệ thống có thể thực hiện một cách đáng tin cậy với những gì vẫn cần đến sự đánh giá của chuyên gia.
Trong thực tế, các nhóm mạnh sử dụng các nhắc nhở thiết kế, truy xuất và xem xét vòng lặp Tối ưu hóa Kahneman-Tversky như một hệ thống liên lạc tích hợp. Họ ghi lại các tiêu chí thành công rõ ràng, kiểm tra dựa trên dữ liệu và quy trình làm việc thực tế, đồng thời lặp lại dựa trên các kiểu thất bại được quan sát thay vì chiến thắng điểm chuẩn một lần. Đây là nơi sự hiểu biết về mặt lý thuyết biến thành khả năng bền vững trên toàn bộ sản phẩm, chính sách và hoạt động.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Đồng thời, các sự kiện ảo giác có thể âm thầm đưa vào các báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu. Cách tiếp cận linh hoạt nhất là kết hợp tốc độ thử nghiệm với kỷ luật quản trị: chạy thử nghiệm, thu thập bằng chứng, xuất bản nhật ký quyết định và liên tục cập nhật các biện pháp bảo vệ khi hành vi của mô hình, kỳ vọng của người dùng và các yêu cầu pháp lý phát triển.
Tác động chiến lược
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại. Trong quá trình triển khai chất lượng cao, điều này được chuyển thành các quy tắc vận hành, ranh giới quyền sở hữu và quy trình đánh giá định kỳ có thể đo lường được để các nhóm có thể mở rộng quy mô một cách tự tin thay vì mở rộng quy mô sự mơ hồ.
Triển khai trong thế giới thực
Sử dụng các cú nhấp chuột thích/không thích từ một chatbot đã triển khai để tinh chỉnh nó mà không cần xây dựng các cặp tùy chọn
Căn chỉnh mô hình khi bạn có nhiều câu trả lời 'tốt' và 'xấu' nhưng không có so sánh phù hợp cho cùng một lời nhắc
Nhóm sản phẩm tái chế các cờ kiểm duyệt (không mong muốn) và các câu trả lời đã lưu (mong muốn) vào chương trình đào tạo KTO
Xử lý phản hồi không cân bằng trong đó số lượt không thích hiếm hơn số lượt thích bằng cách điều chỉnh mức độ ác cảm mất mát và trọng số lớp của KTO
Các mẫu triển khai
Tối ưu hóa Kahneman-Tversky trong thực tế
Sử dụng các cú nhấp chuột thích/không thích từ một chatbot đã triển khai để tinh chỉnh nó mà không cần xây dựng các cặp tùy chọn.
Sử dụng các lượt nhấp chuột thích/không thích từ một chatbot đã triển khai để tinh chỉnh nó mà không cần xây dựng các cặp tùy chọn. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa Kahneman-Tversky trong thực tế
Căn chỉnh mô hình khi bạn có nhiều câu trả lời 'tốt' và 'xấu' nhưng không có sự so sánh phù hợp cho cùng một lời nhắc.
Căn chỉnh mô hình khi bạn có nhiều câu trả lời 'tốt' và 'xấu' nhưng không có so sánh phù hợp cho cùng một lời nhắc. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa Kahneman-Tversky trong thực tế
Nhóm sản phẩm tái chế các cờ kiểm duyệt (không mong muốn) và các câu trả lời đã lưu (mong muốn) vào chương trình đào tạo KTO.
Nhóm sản phẩm tái chế cờ kiểm duyệt (không mong muốn) và phản hồi đã lưu (mong muốn) vào chương trình đào tạo KTO. Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Tối ưu hóa Kahneman-Tversky trong thực tế
Xử lý phản hồi không cân bằng trong đó số lượt không thích hiếm hơn số lượt thích bằng cách điều chỉnh mức độ ác cảm mất mát và trọng số lớp của KTO.
Xử lý phản hồi không cân bằng trong đó lượt không thích hiếm hơn lượt thích bằng cách điều chỉnh mức độ ác cảm mất mát và trọng số lớp của KTO. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, duy trì lộ trình leo thang của con người đối với các trường hợp khó khăn và theo dõi cả mức tăng năng suất và chi phí lỗi theo thời gian.
Rủi ro & lan can
Sự thật ảo giác có thể lặng lẽ đi vào báo cáo, luồng hỗ trợ hoặc kết quả nghiên cứu.
Sự nhạy cảm kịp thời có thể tạo ra kết quả không nhất quán đối với các yêu cầu tương tự.
Dữ liệu văn bản nhạy cảm có thể bị lộ nếu khả năng kiểm soát quyền truy cập yếu.
Lộ trình thực hiện
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên. Hãy coi mỗi bước như một cổng bằng chứng: nếu không đáp ứng được các tiêu chí, hãy tạm dừng triển khai, thu hẹp khoảng cách và chỉ sau đó mới mở rộng mức sử dụng.