Hodnocení modelů RLHF

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Automatizované metriky

 

  • Klasifikační úloha: přesnost, skóre F1
classification_results.head(3)

| ID | Feedback_Text                         | True_Category | Predicted_Category |
|----|---------------------------------------|---------------|--------------------|
| 1  | "Arrived on time and works great."    | Positive      | Positive           |
| 2  | "I had issues with customer service." | Negative      | Neutral            |
| 3  | "The website is easy to navigate."    | Positive      | Positive           |
Reinforcement Learning from Human Feedback (RLHF)

Automatizované metriky

 

  • Generování textu, sumarizace: ROUGE, BLEU
text_generation.head(3)

| ID | Prompt               | True_Completion  | Pred_Completion   |
|----|----------------------|------------------|-------------------|
| 1  | "Customer service"   | "can help you."  | "will assist."    |
| 2  | "To get a refund,"   | "contact us."    | "reach out."      |
| 3  | "Support team is"    | "here 24/7."     | "available 24/7." |
Reinforcement Learning from Human Feedback (RLHF)

Automatizované metriky

 

 

Referenční výrok:

  • RLHF zlepšuje soulad modelu s lidskými hodnotami.

 

 

Skóre ROUGE: 0.83

 

 

Porovnávaný výrok:

  • RLHF slaďuje modely s lidskými hodnotami.
Reinforcement Learning from Human Feedback (RLHF)

Křivky artefaktů

config = PPOConfig(
    model_name="lvwerra/gpt2-imdb",learning_rate=1.41e-5, log_with="wandb")

import wandb
wandb.init()

Snímek obrazovky terminálu ve Weights and Biases.

Reinforcement Learning from Human Feedback (RLHF)

Křivky artefaktů

  • Odměna roste, jak se model učí.

Křivka znázorňující rostoucí trend odměny, tedy zlepšování modelu.

  • Křivka KL by měla postupně růst.

Křivka znázorňující postupný rostoucí trend ztráty KL.

Reinforcement Learning from Human Feedback (RLHF)

Hodnocení zaměřené na člověka

  • Lidské hodnocení: subjektivní úsudky nebo hluboké porozumění kontextu

Lidský hodnotitel u notebooku.

  • Hodnocení modely: škálovatelnost a konzistentnost

Robot s bublinou znázorňující model jako hodnotitele.

Reinforcement Learning from Human Feedback (RLHF)

Pojďme si to procvičit!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...