เมตริกและการปรับปรุงโมเดล

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

ทำไมต้องใช้โมเดลอ้างอิง?

  • ผลลัพธ์ที่ไม่สมเหตุสมผล

ชุดอีโมจิต่าง ๆ

Reinforcement Learning from Human Feedback (RLHF)

การตรวจสอบผลลัพธ์ของโมเดล

แผนภาพกระบวนการ RLHF พร้อมการตรวจสอบคำตอบ

Reinforcement Learning from Human Feedback (RLHF)

วิธีแก้ปัญหา: KL divergence

แผนภาพกระบวนการ RLHF พร้อม KL divergence

Reinforcement Learning from Human Feedback (RLHF)

วิธีแก้ปัญหา: KL divergence

  • เพิ่มโทษเข้าไปในreward model
  • โทษจะเปลี่ยนทิศทางของโมเดลเมื่อผลลัพธ์ไม่เกี่ยวข้อง
  • KL divergence เปรียบเทียบโมเดลปัจจุบันกับ reward model

ไอคอนรูปตาชั่ง

  • ค่าอยู่ระหว่าง 0 ถึง 10 และไม่ติดลบ
Reinforcement Learning from Human Feedback (RLHF)

การปรับพารามิเตอร์

generation_kwargs = {

    "min_length": -1, # don't ignore the EOS token

    "top_k": 0.0, # no top-k sampling

    "top_p": 1.0, 
    "do_sample": True, 
    "pad_token_id": tokenizer.eos_token_id, 
    "max_new_tokens": 32}

 

  • พารามิเตอร์จะถูกส่งไปยัง policy model
Reinforcement Learning from Human Feedback (RLHF)

การตรวจสอบ reward model

  • ตรวจสอบ reward model

  • ตรวจสอบผลลัพธ์ (reward)

reward_model_results.head()

|ID | Comment                                     |Sentiment |Reward|
|---|---------------------------------------------|----------|------|
| 1 | This event was lit! So much fun!            | Positive |  0.9 |
| 2 | Terrible experience, never attending again. | Negative | -0.8 |
| 3 | It was okay, nothing extraordinary.         | Neutral  |  0.2 |
| 4 | The event was poorly organized and chaotic. | Negative | -0.85|
| 5 | Had an amazing time with great people!      | Positive |  0.95|
Reinforcement Learning from Human Feedback (RLHF)

การตรวจสอบ reward model

  • 👍 👎 ตรวจสอบกรณีสุดขั้ว
    extreme_positive = reward_model_results[reward_model_results['Reward'] >= 0.9]
extreme_negative = reward_model_results[reward_model_results['Reward'] <= -0.8]

  • 🧘 ตรวจสอบความสมดุลของชุดข้อมูล

    sentiment_distribution = reward_model_results['Sentiment'].value_counts()

  • 📊 ทำให้ reward model อยู่ในสเกลมาตรฐาน

    from sklearn.preprocessing import MinMaxScaler
scaler = MinMaxScaler(feature_range=(-1, 1))
scaler.fit_transform(reward_model_results[['Reward']])
Reinforcement Learning from Human Feedback (RLHF)

มาฝึกกันเถอะ!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...