Оцінювання моделей RLHF

Reinforcement Learning from Human Feedback (RLHF)

Mina Parham

AI Engineer

Метрики автоматизації

 

  • Класифікація: Accuracy, F1 score
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)

Метрики автоматизації

 

  • Генерація тексту, узагальнення: 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)

Метрики автоматизації

 

 

Еталонне твердження:

  • RLHF покращує узгодженість моделі з людськими цінностями.

 

 

Показник ROUGE: 0.83

 

 

Твердження для порівняння:

  • RLHF узгоджує моделі з людськими цінностями.
Reinforcement Learning from Human Feedback (RLHF)

Криві артефактів

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

import wandb
wandb.init()

Знімок екрана виводу термінала у Weights and Biases.

Reinforcement Learning from Human Feedback (RLHF)

Криві артефактів

  • Нагорода зростає, коли модель навчається.

Крива з висхідним трендом нагороди: модель поліпшується.

  • Крива KL має зростати поступово.

Крива з поступовим висхідним трендом втрати KL.

Reinforcement Learning from Human Feedback (RLHF)

Оцінювання, орієнтоване на людину

  • Оцінювання людьми: субʼєктивні судження або глибоке розуміння контексту

Людська оцінювачка за ноутбуком.

  • Оцінювання моделями: масштабованість і послідовність

Робот із мовними бульками, що уособлює оцінювач-модель.

Reinforcement Learning from Human Feedback (RLHF)

Давайте потренуємось!

Reinforcement Learning from Human Feedback (RLHF)

Preparing Video For Download...