Метрики моделі та коригування

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Навіщо референтна модель?

  • Беззмістовні виходи

Набір емодзі.

Reinforcement Learning from Human Feedback (RLHF)

Перевірка виходу моделі

Схема процесу RLHF із перевіркою відповіді.

Reinforcement Learning from Human Feedback (RLHF)

Рішення: KL-розбіжність

Схема процесу RLHF з KL-розбіжністю.

Reinforcement Learning from Human Feedback (RLHF)

Рішення: KL-розбіжність

  • До reward model додається штраф
  • Штраф переспрямовує модель, якщо вона дає нетематичні виходи
  • KL-розбіжність порівнює поточну й reward model

Піктограма терезів.

  • Між 0 і 10, і ніколи не від'ємна
Reinforcement Learning from Human Feedback (RLHF)

Налаштування параметрів

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}

 

  • Параметри передаються до policy model
Reinforcement Learning from Human Feedback (RLHF)

Перевірка reward model

  • Перевірка reward model

  • Перевірка виходу (нагороди)

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)

Перевірка reward model

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

  • 🧘 Забезпечте збалансованість набору даних

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

  • 📊 Нормалізуйте reward model

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

Давайте потренуємось!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...