Tổng quan
Tối ưu hóa chính sách gần nhất (PPO) là thuật toán học tăng cường được liên kết nhiều nhất với các mô hình ngôn ngữ tinh chỉnh từ phản hồi của con người. Nó cải thiện chính sách theo từng bước nhỏ, cẩn thận để tránh sự mất ổn định gây khó khăn cho các phương pháp chuyển đổi chính sách ngây thơ.
Tối ưu hóa chính sách gần nhất 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
PPO được OpenAI giới thiệu vào năm 2017 và trở thành công cụ hỗ trợ đằng sau RLHF cho các hệ thống như InstructGPT và ChatGPT. Thách thức cốt lõi trong RL theo độ dốc chính sách là một bản cập nhật quá lớn có thể làm giảm hiệu suất. PPO giải quyết vấn đề này bằng 'mục tiêu thay thế được cắt bớt': nó đo lường mức độ nhiều hơn (hoặc ít hơn) khả năng một hành động sẽ trở thành so với chính sách cũ, nhân tỷ lệ đó với lợi thế (hành động tốt hơn mong đợi bao nhiêu) và cắt tỷ lệ đó xuống một phạm vi nhỏ như 0,8 đến 1,2. Điều này giới hạn khoảng cách mà chính sách có thể thực hiện cho mỗi lần cập nhật, giúp duy trì hoạt động học tập ổn định trong khi vẫn cho phép cải thiện ổn định. Trong RLHF mô hình ngôn ngữ, 'hành động' đang tạo ra mã thông báo hoặc phản hồi, phần thưởng đến từ mô hình phần thưởng và hình phạt phân kỳ KL giúp mô hình không bị trôi quá xa so với hành vi ban đầu của nó.
Hiểu biết kỹ thuật
PPO tối đa hóa mục tiêu bị cắt bớt: tối thiểu (tỷ lệ * lợi thế, clip (tỷ lệ, 1-eps, 1+eps) * lợi thế), trong đó tỷ lệ là xác suất hành động mới trên cũ. Ưu điểm thường được ước tính bằng Ước tính lợi thế tổng quát và mạng giá trị học được (quan trọng). Trong RLHF, tổng phần thưởng kết hợp điểm số của mô hình phần thưởng với hình phạt KL cho mỗi mã thông báo so với chính sách tham chiếu, cân bằng giữa phần thưởng nhận được với việc duy trì gần với mô hình ban đầu.
Nắm vững tối ưu hóa chính sách gần nhất
Tối ưu hóa chính sách gần nhất (PPO) là thuật toán học tăng cường được liên kết nhiều nhất với các mô hình ngôn ngữ tinh chỉnh từ phản hồi của con người. Nó cải thiện chính sách theo từng bước nhỏ, cẩn thận để tránh sự mất ổn định gây khó khăn cho các phương pháp chuyển đổi chính sách ngây thơ. Tối ưu hóa chính sách gần nhất 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 chính sách gần nhất 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 lời nhắc thiết kế, truy xuất và vòng lặp xem xét của Tối ưu hóa chính sách gần nhất 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
Tinh chỉnh Hướng dẫnGPT và ChatGPT làm theo hướng dẫn và tùy chọn của con người thông qua RLHF
Đào tạo các tác nhân điều khiển trò chơi và robot, miền gốc của PPO trước các mô hình ngôn ngữ
Giảm độc tính hoặc cải thiện tính hữu ích bằng cách tối đa hóa điểm mô hình phần thưởng theo ràng buộc KL
Tối ưu hóa việc sử dụng công cụ hoặc hành vi của tác nhân nhiều bước trong đó mô hình được khen thưởng vì hoàn thành nhiệm vụ một cách chính xác
Các mẫu triển khai
Tối ưu hóa chính sách gần nhất trong thực tế
Tinh chỉnh InstructGPT và ChatGPT làm theo hướng dẫn và tùy chọn của con người thông qua RLHF.
Tinh chỉnh Hướng dẫnGPT và ChatGPT làm theo hướng dẫn và tùy chọn của con người thông qua RLHF Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước 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 chính sách gần nhất trong thực tế
Đào tạo các tác nhân điều khiển robot và chơi trò chơi, miền gốc của PPO trước các mô hình ngôn ngữ.
Đào tạo các tác nhân điều khiển robot và chơi trò chơi, miền gốc của PPO trước các mô hình ngôn ngữ. Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước các ngưỡng chất lượng, theo dõi 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 chính sách gần nhất trong thực tế
Giảm độc tính hoặc cải thiện tính hữu ích bằng cách tối đa hóa điểm số mô hình phần thưởng theo ràng buộc KL.
Giảm độc tính hoặc cải thiện tính hữu ích bằng cách tối đa hóa điểm số của mô hình khen thưởng theo ràng buộc KL Các nhóm thường đạt được kết quả tốt hơn khi họ xác định trước 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 chính sách gần nhất trong thực tế
Tối ưu hóa việc sử dụng công cụ hoặc hành vi của tác nhân nhiều bước trong đó mô hình được khen thưởng vì hoàn thành nhiệm vụ một cách chính xác.
Tối ưu hóa việc sử dụng công cụ hoặc hành vi của tác nhân nhiều bước trong đó mô hình được khen thưởng vì hoàn thành nhiệm vụ một cách chính xác Các nhóm thường nhận được kết quả tốt hơn khi họ xác định trước 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.