Akopọ
Imudara Eto imulo isunmọ (PPO) jẹ algoridimu imudara ẹkọ ti o ni nkan ṣe pẹlu awọn awoṣe ede ti o dara julọ lati awọn esi eniyan. O ṣe ilọsiwaju eto imulo ni iṣọra, awọn igbesẹ kekere lati yago fun aisedeede ti o ṣe iyọnu awọn ọna isọdi eto imulo aiṣedeede.
Imudara Ilana Isunmọ jẹ apakan ti akopọ ede-AI ti a lo lati ka, ṣe ipilẹṣẹ, ṣe lẹtọ, ati yi ọrọ ati ọrọ pada ni iwọn.
Jin Dive
PPO ti ṣafihan nipasẹ OpenAI ni ọdun 2017 o si di ẹṣin iṣẹ lẹhin RLHF fun awọn ọna ṣiṣe bii InstructGPT ati ChatGPT. Ipenija mojuto ni eto imulo-gradient RL ni pe imudojuiwọn kan ti o tobi pupọju le kọlu iṣẹ ṣiṣe. PPO ṣe apejuwe eyi pẹlu 'ibi-afẹde surrogate ti a ge': o ṣe iwọn melo diẹ sii (tabi kere si) o ṣee ṣe pe iṣe kan ti di idakeji eto imulo atijọ, ṣe isodipupo ipin yẹn nipasẹ anfani (bawo ni iṣe naa ṣe dara julọ ju ti a reti lọ), ati awọn agekuru ipin si iwọn kekere bi 0.8 si 1.2. Eyi ṣe iwọn bawo ni eto imulo ṣe le gbe fun imudojuiwọn kan, mimu ikẹkọ duro ni iduroṣinṣin lakoko gbigba ilọsiwaju dada. Ni ede-awoṣe RLHF, awọn 'igbese' ti wa ni ti o npese a àmi tabi esi, awọn ere ba wa ni lati a ere awoṣe, ati ki o kan KL-iyatọ gbamabinu ntọju awọn awoṣe lati fiseete ju lati awọn oniwe-atilẹba ihuwasi.
Imọ-imọ-ẹrọ
PPO ṣe alekun ibi-afẹde gige kan: min (ipin * anfani, agekuru (ipin, 1-eps, 1+eps) * anfani), nibiti ipin jẹ iṣeeṣe iṣe tuntun-ju-atijọ. Awọn anfani ni a maa n ṣe iṣiro pẹlu Iṣiro Anfani Apejọ ati iye ẹkọ (alariwisi) nẹtiwọki. Ni RLHF, ẹsan lapapọ daapọ Dimegilio-awoṣe ere pẹlu ijiya KL kan fun-ami kan lodi si ilana itọkasi, iwọntunwọnsi ere ere lodi si wiwa sunmọ awoṣe atilẹba.
Mastering isunmọ imulo ti o dara ju
Imudara Eto imulo isunmọ (PPO) jẹ algoridimu imudara ẹkọ ti o ni nkan ṣe pẹlu awọn awoṣe ede ti o dara julọ lati awọn esi eniyan. O ṣe ilọsiwaju eto imulo ni iṣọra, awọn igbesẹ kekere lati yago fun aisedeede ti o ṣe iyọnu awọn ọna isọdi eto imulo aiṣedeede. Imudara Ilana Isunmọ jẹ apakan ti akopọ ede-AI ti a lo lati ka, ṣe ipilẹṣẹ, ṣe lẹtọ, ati yi ọrọ ati ọrọ pada ni iwọn. Lati kọ oye ti o jinlẹ, tọju Imudara Afihan isunmọ bi awoṣe iṣẹ, kii ṣe ẹya ẹyọkan: ṣalaye awọn abajade ti o fẹ, ṣalaye awọn arosọ, ati yapa ohun ti eto le ṣe ni igbẹkẹle lati ohun ti o tun nilo idajọ amoye.
Ni iṣe, awọn ẹgbẹ ti o lagbara ni lilo Awọn imudara Imudara Afihan Isunmọ, imupadabọ, ati awọn losiwajulosehin atunyẹwo bi eto ibaraẹnisọrọ iṣọpọ kan. Wọn ṣe akọsilẹ awọn ibeere aṣeyọri ti o fojuhan, idanwo lodi si data ojulowo ati ṣiṣan iṣẹ, ati atunbere ti o da lori awọn ilana ikuna ti a ṣakiyesi dipo awọn bori ala-akoko kan. Eyi ni ibiti oye imọ-jinlẹ yipada si agbara ti o tọ kọja ọja, eto imulo, ati awọn iṣẹ ṣiṣe.
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera. Ni akoko kanna, awọn otitọ hallucinated le tẹ awọn ijabọ laiparuwo, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii. Ọna resilient julọ julọ ni lati darapọ iyara idanwo pẹlu ibawi ijọba: ṣiṣe awọn awakọ awakọ, mu ẹri mu, ṣe atẹjade awọn iwe ipinnu, ati imudojuiwọn awọn aabo nigbagbogbo bi ihuwasi awoṣe, awọn ireti olumulo, ati awọn ibeere ilana ti dagbasoke.
Ipa Ilana
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera.
Ṣiṣan iṣẹ ede le gbe ni iyara laisi irubọ aitasera. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ.
O faagun iraye si kọja awọn ede ati awọn aza ibaraẹnisọrọ. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi.
Awọn ẹgbẹ le lo akoko diẹ sii lori idajọ lakoko ti adaṣe n kapa atunwi. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Real-World imuse
Ilana atunṣe to dara ati ChatGPT lati tẹle awọn itọnisọna ati awọn ayanfẹ eniyan nipasẹ RLHF
Ṣiṣere ere ikẹkọ ati awọn aṣoju iṣakoso roboti, agbegbe atilẹba ti PPO ṣaaju awọn awoṣe ede
Idinku majele tabi imudara iranlọwọ nipa mimu iwọn aami-awoṣe pọ si labẹ ihamọ KL kan
Imudara lilo-ọpa tabi ihuwasi aṣoju-igbesẹ pupọ nibiti a ti san ẹsan awoṣe kan fun pipe awọn iṣẹ-ṣiṣe ni deede
Awọn Ilana imuse
Isunmọ Afihan Iṣapeye ni iṣe
Ilana atunṣe to dara ati ChatGPT lati tẹle awọn itọnisọna ati awọn ayanfẹ eniyan nipasẹ RLHF.
Itọnisọna atunṣe-daradara GPT ati ChatGPT lati tẹle awọn itọnisọna ati awọn ayanfẹ eniyan nipasẹ Awọn ẹgbẹ RLHF nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ba ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Isunmọ Afihan Iṣapeye ni iṣe
Ṣiṣere ere ikẹkọ ati awọn aṣoju iṣakoso roboti, agbegbe atilẹba ti PPO ṣaaju awọn awoṣe ede.
Ṣiṣere ere ikẹkọ ati awọn aṣoju iṣakoso roboti, agbegbe atilẹba ti PPO ṣaaju awọn awoṣe ede Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Isunmọ Afihan Iṣapeye ni iṣe
Idinku majele tabi imudara iranlọwọ nipa mimuju Dimegilio-awoṣe ere kan pọ si labẹ ihamọ KL kan.
Idinku majele tabi imudara iranlọwọ nipa mimuju Dimegilio-awoṣe ere labẹ awọn ẹgbẹ inira KL nigbagbogbo gba awọn abajade ti o dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna igbega eniyan fun awọn ọran eti, ati tọpa awọn anfani iṣelọpọ mejeeji ati awọn idiyele aṣiṣe lori akoko.
Isunmọ Afihan Iṣapeye ni iṣe
Imudara lilo-ọpa tabi ihuwasi aṣoju-igbesẹ pupọ nibiti a ti san ẹsan awoṣe kan fun pipe awọn iṣẹ-ṣiṣe ni deede.
Imudara lilo ọpa tabi ihuwasi aṣoju-igbesẹ pupọ nibiti awoṣe ti san ere fun ipari awọn iṣẹ ṣiṣe ni deede Awọn ẹgbẹ nigbagbogbo gba awọn abajade ti o dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Awọn ewu & Awọn ọna iṣọ
Awọn otitọ ti a sọ di mimọ le tẹ awọn ijabọ sii ni idakẹjẹ, awọn ṣiṣan atilẹyin, tabi awọn abajade iwadii.
Ifamọ kiakia le ṣẹda awọn abajade aisedede kọja awọn ibeere ti o jọra.
Awọn data ọrọ ifarabalẹ le farahan ti awọn idari wiwọle ko lagbara.
Ilana Ilana imuse
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade.
Ṣetumo ọna kika iṣẹjade, ohun orin, ati awọn iṣedede didara ṣaaju ṣiṣejade. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki.
Awọn idahun ilẹ pẹlu awọn orisun ti o gbẹkẹle nigbakugba ti deede ba ṣe pataki. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ.
Jeki aaye ayẹwo atunyẹwo eniyan fun awọn abajade ti o ga julọ. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo.
Tọpinpin awọn ilana ikuna ati tunṣe awọn itọsi tabi ṣiṣan iṣẹ nigbagbogbo. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.