RLHF のためのデータ準備

人間のフィードバックによる強化学習（RLHF）

Mina Parham

AI Engineer

選好データセット vs. プロンプトデータセット

RLHF の全体プロセス。

選好データセット vs. プロンプトデータセット

初期プロンプトデータセットを含む RLHF の全体プロセス。

選好データセット vs. プロンプトデータセット

初期プロンプトデータセットと、報酬モデルに入力される選好データセットを含む RLHF の全体プロセス。

プロンプトデータセット

モデルへの質問
Hugging Face のデータセットで見つけられます

prompt_data = load_dataset("center-for-humans-and-machines/rlhf-hackathon-prompts", 
                           split="train")
prompt_data['prompt'][0]

'How important is climate change?'

プロンプトの抽出が必要な場合があります
Input=、{{Text}}:、###Human: のようなマーカーを探します

選好データセットを調べる

from datasets import load_dataset
preference_data = load_dataset("qgallouedec/hh-rlhf-helpful-base-trl-style", 
                               split="train")

選好データセットを処理する

def extract_prompt(text):
    # Extract the prompt as the first element in the list
    prompt = text[0]["content"]
    return prompt

# Apply the extraction function to the dataset
preference_data_with_prompt = preference_data.map(
    lambda example: {**example, 'prompt': extract_prompt(example['chosen'])}
)

プロンプトの抽出方法は、データセットごとに異なります

最終的な選好データセット

sample = preference_data_with_prompt.select(range(1))
sample['prompt']

'What vitamins are essential for the body to function?'

sample['chosen']

[ { "content": "What vitamins are essential for the body to function?", "role": 
   "user" }, { "content": "There are some very important vitamins that ensure the 
   proper functioning of the body, including Vitamins A, C, D, E, and K along ...}]

練習しましょう！

人間のフィードバックによる強化学習（RLHF）