Tiếp theoHướng dẫn tiếp theo
Tối ưu hóa tùy chọn trực tiếp
Ngôn ngữ AI
HƯỚNG DẪN AI về ngôn ngữ
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.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này quan trọng vì phản hồi nhị phân dễ dàng và rẻ hơn nhiều so với các cặp xếp hạng mà hầu hết các phương pháp yêu cầu.
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.
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
Tương lai của tối ưu hóa Kahneman-Tversky
KTO rất phù hợp với các sản phẩm thực tế, nơi người dùng nhấp vào thích hoặc không thích một cách tự nhiên nhưng hiếm khi xếp hạng hai câu trả lời cạnh nhau. Mong đợi việc áp dụng rộng rãi hơn cho các vòng cải tiến liên tục tái chế phản hồi sản xuất, cộng với nghiên cứu điều chỉnh tỷ lệ dữ liệu mong muốn và không mong muốn và trọng số ác cảm với tổn thất. Việc kết hợp khung kinh tế-hành vi của KTO với các mục tiêu khác và áp dụng nó vào phản hồi đa phương thức là những hướng đi tích cực khi các nhóm tìm kiếm sự liên kết từ các tín hiệu lộn xộn trong thế giới thực.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Tốc độ và tỷ lệ. Quy trình công việc ngôn ngữ có thể di chuyển nhanh hơn mà không làm mất tính nhất quán.
- Truy cập và tiếp cận. Nó mở rộng quyền truy cập vào các ngôn ngữ và phong cách giao tiếp.
- Quyết định rõ ràng hơn. Các nhóm có thể dành nhiều thời gian hơn để đánh giá trong khi quá trình tự động hóa xử lý sự lặp lại.
coi chừng
- 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.
Các bước tiếp theo
- Xác định định dạng đầu ra, âm thanh và tiêu chuẩn chất lượng trước khi triển khai.
- Phản hồi mặt đất với các nguồn đáng tin cậy bất cứ khi nào độ chính xác quan trọng.
- Duy trì điểm kiểm tra đánh giá của con người đối với các kết quả đầu ra có mức độ rủi ro cao.
- Theo dõi các kiểu lỗi và đào tạo lại các lời nhắc hoặc quy trình làm việc thường xuyên.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Làm bài kiểm tra tối ưu hóa Kahneman-Tversky
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Tối ưu hóa Kahneman-Tversky là gì?
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.
KTO yêu cầu loại dữ liệu nào?
KTO học từ các nhãn thích/không thích đơn giản trên mỗi ví dụ thay vì các cặp ưu tiên phù hợp.
KTO được lấy cảm hứng từ tác phẩm nào?
KTO mượn ý tưởng của lý thuyết triển vọng về việc định giá lãi và lỗ một cách bất đối xứng, do đó có tên như vậy.
'ác cảm mất mát' được sử dụng trong KTO là gì?
Lý thuyết triển vọng cho rằng tổn thất có vẻ lớn hơn lợi nhuận, vì vậy KTO đánh giá cao độ lệch âm hơn.
KTO có thể học từ loại phản hồi nào mà không cần so sánh theo cặp?
Bài báo của KTO nghiên cứu sự căn chỉnh từ phản hồi nhị phân mong muốn/không mong muốn trên các đầu ra riêng lẻ; nó vẫn cần dữ liệu và thiết lập phù hợp.
Trong KTO, độ lệch được đo tương đối với cái gì?
Hàm giá trị của KTO đánh giá xem một phản hồi nằm ở trên hay dưới đường cơ sở tham chiếu, coi đó là được hay mất.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này