RLHF
RLHF (Reinforcement Learning from Human Feedback) — це техніка машинного навчання, яка узгоджує моделі ШІ з людськими вподобаннями, використовуючи людський зворотний зв'язок для уточнення їхніх вихідних даних.
RLHF є важливою технікою в розробці великих мовних моделей (LLMs) та інших систем ШІ. Вона передбачає навчання моделі генерувати вихідні дані, які віддають перевагу люди. Це досягається шляхом спочатку збору людського зворотного зв'язку щодо вихідних даних моделі, як правило, у формі рейтингів або порівнянь. Потім цей зворотний зв'язок використовується для навчання моделі винагороди, яка передбачає, як люди оцінюватимуть вихідні дані моделі. Нарешті, вихідна модель тонко налаштовується за допомогою навчання з підкріпленням, при цьому модель винагороди надає сигнал винагороди. Цей процес допомагає узгодити поведінку моделі з людськими цінностями та намірами, роблячи її більш корисною, нешкідливою та відповідною очікуванням користувачів.
graph LR
Center["RLHF"]:::main
Pre_philosophy["philosophy"]:::pre --> Center
click Pre_philosophy "/terms/philosophy"
Rel_reinforcement_learning["reinforcement-learning"]:::related -.-> Center
click Rel_reinforcement_learning "/terms/reinforcement-learning"
Rel_machine_learning["machine-learning"]:::related -.-> Center
click Rel_machine_learning "/terms/machine-learning"
Rel_retrieval_augmented_generation["retrieval-augmented-generation"]:::related -.-> Center
click Rel_retrieval_augmented_generation "/terms/retrieval-augmented-generation"
classDef main fill:#7c3aed,stroke:#8b5cf6,stroke-width:2px,color:white,font-weight:bold,rx:5,ry:5;
classDef pre fill:#0f172a,stroke:#3b82f6,color:#94a3b8,rx:5,ry:5;
classDef child fill:#0f172a,stroke:#10b981,color:#94a3b8,rx:5,ry:5;
classDef related fill:#0f172a,stroke:#8b5cf6,stroke-dasharray: 5 5,color:#94a3b8,rx:5,ry:5;
linkStyle default stroke:#4b5563,stroke-width:2px;
🧠 Перевірка знань
🧒 Простими словами
It's like teaching a robot dog tricks. First, you show it how to do the trick (supervised learning). Then, you tell it 'good dog' or 'bad dog' based on how well it does, and it learns to do the tricks you like best.
🤓 Expert Deep Dive
RLHF represents a paradigm shift from purely unsupervised or supervised learning towards incorporating explicit human preference signals into model optimization. The core technical challenge lies in the stability and efficiency of the RL phase. The reward model, being a learned proxy for human preference, can be noisy or misaligned, potentially leading to reward hacking or mode collapse. Techniques like Kullback-Leibler (KL) divergence penalties are often used in the RL objective to prevent the policy from deviating too drastically from the initial SFT model, maintaining language coherence and preventing catastrophic forgetting. The quality and diversity of the human feedback data are paramount; biases in labeling can be amplified by the reward model and subsequently by the RL-tuned LLM. Alternative approaches like Direct Preference Optimization (DPO) aim to achieve similar alignment goals by directly optimizing the LLM based on preference pairs, bypassing the explicit reward modeling step, potentially offering greater stability and simplicity.