Ci bi mu melGis bi ci topp
Optimisation taamu direct
IA làkk
Làkk AI GUIDE
Kahneman-Tversky
Kahneman-Tversky Optimization (KTO) xeetu méngale la buy jàngee ci etiketu baraam-ci kaw wala baraam-ci suuf ci barabu méngale ñaar.
Déglul tegtal biiIA-nettali · ~2 min
Ci xët wii2 simili jàng
Résumé
Dafa am solo ndax feedback binär moo gëna yomba te gëna yomb ngir dajale, moo gën ñaari rang yiñ gëna bëgg ci anam yi.
Plongeur bu xóot
KTO, Ethayarajh ak ay naataangoom ci Stanford ak juntuwaay yu bees yi ñoo ko dugal ci 2024, mungi leble ci gis gis bi, ligeeyu Daniel Kahneman ak Amos Tversky ci ni nit ñi di jappe ngëneel ak ñakk. Pexe yiñ miin lu melni DPO dañu soxla ñaari tànneef: tontu buñ tànn ak tontu buñ bañ ngir benn laaj. KTO lu moy loolu dafay liggéey ak done yuñ boolewul, muy génne bu nekk ñu màrkee ko bëgg wala bëggul. Dafa tabax benn ñàkka xam-xam bu nit ñi di jëfandikoo ngir gëna mëna jëfandikoo model bi ci misaal bi ni ngëneel wala ñàkkaale bu méngoo ak benn poñ de referansi, di jëfandikoo ñàkka bañ, suko defee génne yi ñu bëggul ñu gëna yar ñi ñu bëggul ñuy neexal. Loolu dafay may ekip yi ñu jëfandikoo siñaal yu bari yu am baraam ci kaw/wàcci yiñ jota dajale ci aplikaasioŋu defar yi.
Doxal ci àdduna dëgg
Jëfandikoo baraam-ci kaw/baraam-ci suuf klike ci chatbot biñ dugal ngir gëna suqali ko te doo musa tabax ñaari tànneef
Defar benn xeetu tontu soo amee ay tontu yu 'baax' ak 'yu baaxul' waaye amul benn méngale bu méngoo ak benn laaj bi
Ekipu produit biy rësikle ay bandera moderaasioŋ (baaxul) ak tontu yuñ denc (baaxul) ci tàggat KTO
Liggéeyu feedback bu jaxasoo fu bëgg-bëgg yi gëna néew bëgg-bëgg yi ci defar KTO's loss-aversion ak poids classe
Ëlëgu Kahneman-Tversky
KTO méngoo na bu baax ak produit dëgg yi, fu jëfandikukat yi klike bëgg wala bëggul waaye bariwul luñuy rang ñaari tontu ci wetu. Xaarandi jëfandikoo bu gëna yaatu ngir yokkute yuy wéy di rësikle feedback production, boole ci gëstu tuning ratio done yiñ bëgg ak yiñ bëggul ak poids perte-aversion. Teg KTO's behavioral-economics framing ak yeneen mébet, ak jëfandikoo ko ci feedback multimodal, yoon yu am solo lañu ndax ekip yi dañuy wut yoon ci siñaal yu dëggu yi.
Teg ko ci jëf
Lu tax mu am solo
- Gaawaay ak yaatuwaay. Liggéeyukaay yi ci làkk yi mën nañu gëna gaaw te duñu yàq deggoo gi.
- Dugg ak yegg. Dafay yaatal jëfandikoo gi ci làkk yi ak ci anam yi ñuy jokkoo.
- dogal yu gëna leer. Ekip yi mën nañu gëna yàgg ci àtte ci jamono ji otomatisation di liggéey ci baamtu.
Moytul
- Lépp lu jaarul yoon mën na dugg ci rapoor yi, jàppale ci liggéey bi, wala ci njariñu gëstu bi.
- Sensibilite bu gaaw mën na jur njariñ yu wuute ci laajte yu noonu mel.
- Done yu am solo mën nañu feeñ sudee seytu jëfandikoo gi néew doole.
Jéego yi ci topp
- Mandargal formaa génne gi, melokaan bi, ak standard kalite yi laata ngay dugal ko.
- Tontu yu am solo ak balluwaay yu wóor saa yu dëggu bi di am solo.
- Fexeel am barabu xool nit ñi ngir am njariñ yu am solo.
- Toppal anami gacce yi ak di faral di tàggataat ay laaj wala def-liggéey.
Weyal di banneexu
Bulletin bu amul fayda
Jàngal xibaar AI bu bes
Ñatti jaar-jaari IA yuñ firndeel bis bu nekk ci ayu-bis bi, ñu bind leen ci Àngle bu leer. Gratis ba fàww, amul yëgle.
Benn email bis bu nekk ci ayu-bis bi. Benn klik nga dindi abonemaa bi. Dunu musa jaay wala séddoo sa adres.
Nattal sa bopp
Take the Kahneman-Tversky Optimization quiz
Feedback ci saasi ci bépp tontu, ak sertifikaa buñ mëna séddoo ak ID buñ mëna saytu soo jàllee ci njàng mi.
Jàppale njàngum IA te doo fay. AI Understanding mbootaay la buy def te Yàlla tax — amul yëgle, amul paywall, musul am. Defal ab sarax
Laaj yi ñuy faral di laaj
Luy gëna xéewale Kahneman-Tversky?
Kahneman-Tversky Optimization (KTO) xeetu méngale la buy jàngee ci etiketu baraam-ci kaw wala baraam-ci suuf ci barabu méngale ñaar. Dafa am solo ndax feedback binär moo gëna yomba te gëna yomb ngir dajale, moo gën ñaari ranked yi anam yu bari di sàkku.
Ban xeetu done la KTO soxla?
KTO dafay jàng ci misaal bu yomb baraam-ci kaw/ci suuf etiketu ñaari tànneef yu méngoo.
Ban liggéey moo inspiré KTO?
KTO dafa lebal xalaatu theorie prospect biy xayma njariñu benefiis ak perte ci anam wu asimetrik, moo tax ñu tuddee ko.
Luy 'bañ ñàkk' ni ñu ko jëfandikoo ci KTO?
Teori prospect dafa wax ni perte yi ñoo gëna rëy benefiis yi, moo tax KTO dafay gëna diis deviation negatif yi.
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.
Ci KTO, deviation yi ñu ngi leen di natt ci lan?
Fonction valeur bu KTO dafay àtte ndax tontu bi mingi ci kaw wala ci suufu baseline de referanse, diko jàppee ni benefiis wala perte.
Weyal di jàng
Gid yu jëm ci loolu
Tann nañu yeneen njiit ngir topic bii