फीडबैक की गुणवत्ता और प्रासंगिकता मापना

मानवीय फीडबैक से रिइनफोर्समेंट लर्निंग (RLHF)

Mina Parham

AI Engineer

असामान्य फीडबैक का पता लगाने के उपयोग

उदाहरण के लिए:

सकारात्मक समीक्षा:
- "I loved this product!"
नकारात्मक समीक्षा:
- "Awful service."
तटस्थ समीक्षा:
- "Does what it's supposed to."
बाहरी/असंबंधित समीक्षा:
- "The sky is blue."

पाँच में से चार सितारों की रेटिंग, एक हाथ पाँचवाँ सितारा जोड़ रहा है

असामान्य फीडबैक का पता लगाना

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

असामान्य फीडबैक का पता लगाना

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]

K-means

विसंगतियाँ पकड़ने में बढ़िया, लागू करना तेज
क्लस्टर्स की संख्या तय करने के लिए डोमेन ज्ञान या विश्लेषणात्मक तरीकों का उपयोग करें

k-means एल्गोरिदम का एक आरेख।

k-means के साथ विसंगति पहचान

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

k-means के साथ विसंगति पहचान

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]

अभ्यास करते हैं!

मानवीय फीडबैक से रिइनफोर्समेंट लर्निंग (RLHF)