Glossarju

Tagħlim bir-rinforz minn feedback tal-bniedem (RLHF)

X'inhu Tagħlim bir-rinforz minn feedback tal-bniedem (RLHF)?

L-RLHF huwa metodu ta' taħriġ li jagħmel il-mudelli lingwistiċi aktar siewja u aktar sikuri. In-nies jqabblu u jevalwaw diversi tweġibiet tal-mudell; dawn il-ġudizzji jintużaw biex jitħarreġ mudell tal-premjijiet, li mbagħad iħarreġ aktar lill-mudell lingwistiku stess permezz tat-tagħlim bir-rinforz. Dan jgħallmu, per eżempju, iwieġeb b'mod aktar ċar jew jirrifjuta talbiet problematiċi. L-RLHF isir għand il-fornitur tal-mudell qabel ma mudell jinħareġ – mhux ma' utenti individwali.

Kif jgħin KI.ordo

L-evalwazzjonijiet 👍/👎 f'KI.ordo ma jerġgħux iħarrġu l-mudell; juru fejn l-għarfien jew l-istruzzjonijiet ta' aġent għandhom jiġu mtejba.

Sir af aktar

Suġġetti

taħriġ
feedback tal-bniedem
mudelli lingwistiċi

Ipprova KI.ordo

Aġenti, flussi tax-xogħol u mudelli fi spazju tax-xogħol wieħed – demo b'xejn għal 24 siegħa.

Ibda d-demo

← It-termini kollha

Termini relatati

Tagħlim bir-rinforz (RL)

It-tagħlim bir-rinforz huwa fergħa tat-tagħlim awtomatiku li fiha aġent jitgħallem bi provi u żbalji. Jaġixxi f'ambjent, jirċievi premjijiet għal riżultati tajbin u penali għal dawk ħżiena, u b'dan il-mod jiżviluppa strateġija li timmassimizza l-premju totali tiegħu. Eżempji magħrufa jinkludu programmi li jiddominaw logħob tal-bord bħall-Go, il-kontroll ta' robots u l-irfinar ta' mudelli lingwistiċi abbażi ta' evalwazzjonijiet tal-bniedem.

metodu ta' tagħlim
premju
+1

Instruction Tuning

L-instruction tuning huwa forma ta' fine-tuning li fiha mudell lingwistiku mħarreġ minn qabel jitħarreġ aktar fuq ħafna pari ta' struzzjonijiet u tweġibiet mixtieqa. Dan jgħallem lill-mudell isegwi kompiti ifformulati b'lingwa naturali minflok ma sempliċement ikompli t-test. Huwa pass ewlieni biex mudell bażi jinbidel f'assistent u spiss jiġi kkombinat ma' metodi bħal RLHF. Eżempju: “Għamel sommarju ta' dan it-test fi tliet sentenzi” jiġi esegwit b'mod affidabbli.

Fine-tuning
Mudelli lingwistiċi
+1

IA kostituzzjonali

L-IA kostituzzjonali (Constitutional AI) hija metodu ta' taħriġ għal mudelli lingwistiċi ppubblikat minn Anthropic fl-2022; m'għandha x'taqsam xejn mal-liġi kostituzzjonali. Hija bbażata fuq sett miktub ta' prinċipji, il-“kostituzzjoni”: il-mudell jikkritika u jirrevedi t-tweġibiet tiegħu stess skont dawn il-prinċipji, imbagħad IA tqabbel pari ta' tweġibiet, u dan il-feedback jservi bħala sinjal ta' premju għat-tagħlim bir-rinforz (RLAIF). Dan inaqqas il-ħtieġa ta' tikkettar uman ta' kontenut ta' ħsara; f'Jannar 2026 Anthropic ippubblikat kostituzzjoni riveduta għal Claude.

Training
Sigurtà tal-IA
+1

Fine-tuning

Il-fine-tuning jfisser it-taħriġ ulterjuri ta' mudell tal-IA diġà mħarreġ minn qabel fuq data addizzjonali, normalment speċifika għall-kompitu. Il-piżijiet interni tiegħu jiġu aġġustati sabiex il-mudell jittratta b'mod aktar affidabbli, pereżempju, stil ta' kitba partikolari, vokabularju speċjalizzat jew format tal-output. Il-fine-tuning jeħtieġ data ta' eżempju ppreparata bir-reqqa, qawwa tal-komputazzjoni u ttestjar. Għal ħafna applikazzjonijiet, struzzjonijiet miktuba tajjeb u għarfien konness huma biżżejjed u aktar faċli biex jinbidlu.

Taħriġ tal-mudelli
Personalizzazzjoni
+1