Mesurer la qualité et la pertinence des rétroactions

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Application de la détection de rétroactions anormales

Par exemple :

  • Avis positif :
    • « J'ai adoré ce produit ! »
  • Avis négatif :
    • « Service épouvantable. »
  • Avis neutre :
    • « Fait ce qui est prévu. »
  • Avis aberrant :
    • « Le ciel est bleu. »

Une note de quatre étoiles sur cinq, une main ajoutant une cinquième étoile

Reinforcement Learning from Human Feedback (RLHF)

Détecter des rétroactions anormales

import numpy as np

def least_confidence(prob_dist):
    simple_least_conf = np.nanmax(prob_dist) 
    num_labels = float(prob_dist.size)  # number of labels
    least_conf = (1 - simple_least_conf) * (num_labels / (num_labels - 1))
    return least_conf

def filter_low_confidence_predictions(prob_dists, threshold=0.5):
    filtered_indices = [i for i, prob_dist in enumerate(prob_dists) 
                        if least_confidence(prob_dist) > threshold]
    return filtered_indices
Reinforcement Learning from Human Feedback (RLHF)

Détecter des rétroactions anormales

prob_distribution_array = np.array([
    [0.1, 0.1, 0.2],   # Low confidence (0.2)
    [0.6, 0.2, 0.1],   # High confidence (0.6)
    [0.3, 0.3, 0.4]   # Medium confidence (0.4)
])

# Filter function with 0.5 threshold
filtered_feedback_indices, filtered_confidences = 
filter_low_confidence_predictions(prob_distribution_array, threshold=0.5)

print(f"Filtered Confidence Scores: {filtered_confidences}")

Filtered Confidence Scores: [0.6]
Reinforcement Learning from Human Feedback (RLHF)

K-moyennes

  • Idéal pour repérer des anomalies et rapide à mettre en œuvre
  • Utilisez votre connaissance du domaine ou des méthodes analytiques pour fixer le nombre de grappes

Schéma représentant l'algorithme des k-moyennes.

Reinforcement Learning from Human Feedback (RLHF)

Détection d'anomalies avec k-moyennes

import numpy as np
import pandas as pd
from sklearn.cluster import KMeans


def detect_anomalies(data, n_clusters=3):
    kmeans = KMeans(n_clusters=n_clusters, random_state=42)
    clusters = kmeans.fit_predict(data)
    centers = kmeans.cluster_centers_

    # Calculate distances from cluster centers
    distances = np.linalg.norm(data - centers[clusters], axis=1)
    return distances
Reinforcement Learning from Human Feedback (RLHF)

Détection d'anomalies avec k-moyennes

feedback_data = np.array([
    [4.0],  # Close to center of cluster
    [4.5],  # Close to center of cluster
    [1.0],  # Anomaly - far from main group
    [4.1],  # Close to center of cluster
    [3.9]  # Close to center of cluster
])

anomalies = detect_anomalies(confidences, n_clusters=1)

print(anomalies)

[0.5 1.  2.5   0.6 0.4]
Reinforcement Learning from Human Feedback (RLHF)

Passons à la pratique !

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...