OpenAI: Nové modelovanie odmeňovania pod dohľadom procesu zlepšuje uvažovanie AI
Stručne
OpenAICieľom modelovania odmeňovania riadeného procesom (PRM) je vyhodnotiť medzikroky a zdôvodnenie modelov AI, čo vedie k zlepšeniu výkonu a metrík.
OpenAI opäť upútala pozornosť komunity AI svojou prelomovou prácou v oblasti modelovania odmien pod dohľadom (osoby so zníženou pohyblivosťou). Cieľom tohto inovatívneho prístupu je vyhodnotiť medzikroky a zdôvodnenie modelov AI, čo vedie k zlepšeniu výkonu a metrík.
V tradičnom posilňovaní učenia z ľudskej spätnej väzby (RLHF), spätná väzba modelu sa zvyčajne poskytuje na základe celkového výsledku generovaného modelom. však OpenAINový výskum skúma myšlienku hodnotenia jednotlivých krokov a procesov uvažovania, ktoré model vykonáva. Týmto spôsobom môžu poskytnúť jemnejšie hodnotenia a spätnú väzbu.
Ak chcete vyriešiť tento problém, OpenAI vybrané matematické problémy, ktoré si vyžadovali viacero akcií. Samostatný model bol vyškolený, aby efektívne vyhodnotil medzikroky a pôsobil ako kritik na identifikáciu akýchkoľvek chybných úsudkov primárneho modelu. Tento proces nielen zvyšuje celkový výkon, ale tiež zlepšuje metriky používané na hodnotenie schopností modelu.
OpenAI urobila v tejto oblasti významný pokrok vydaním starostlivo zostaveného súboru údajov, ktorý obsahuje 800,000 XNUMX označených rozsudkov. Každý úsudok predstavuje samostatnú etapu riešenia matematických problémov a bol vytvorený ručne. To zdôrazňuje úroveň odhodlania a zdrojov OpenAI investuje do vývoja vysokokvalitných súborov údajov, čo vyvoláva otázky o objeme údajov zozbieraných pre iné oblasti, ako je programovanie alebo otvorené otázky.
Školenie GPT-4, OpenAInajnovšia iterácia GPT séria, je už dobre rozbehnutá. Zatiaľ čo komponent RLHF nie je začlenený do súčasných experimentov, používa sa čistý jazykový model. Najmä OpenAI uvádza, že existuje viacero verzií GPT-4, pričom aj najmenšia verzia vyžaduje výrazne menej zdrojov na školenie – približne 200-krát menej.
Zaujímavý príklad zdieľaný používateľom OpenAI ukazuje, ako model hodnotí každý jednotlivý krok rozhodovania. Na snímke obrazovky zahrnutej v príspevku sú chyby v riešení označené a majú najnižšie skóre správnosti, zvýraznené červenou farbou. Táto demonštrácia zdôrazňuje schopnosť modelu uvažovať a poskytuje cenné informácie o procese rozhodovania. OpenAI poskytla aj pokyny pre značkovanie, ktoré ponúka crowdsourcerom príležitosti prispieť a profitovať z ich práce.
As OpenAI naďalej posúvajú hranice výskumu AI, ich zameranie na modelové uvažovanie a modelovanie odmeňovania pod dohľadom procesu prináša nové možnosti pre vylepšené schopnosti AI. Tento najnovší prelom dokazuje ich odhodlanie zlepšovať výkon modelu a otvára dvere k ďalšiemu pokroku v tejto oblasti.
- Nedávno, Apple údajne obmedzuje používanie zamestnancov ChatGPT a ďalšie chatboty poháňané AI z dôvodu ochrany osobných údajov. The Wall Street Journal informoval, že pracovníci majú tiež zakázané používať nástroj AI Copilot na GitHub, ktorý umožňuje používateľom automaticky písať softvérový kód. ChatGPT je chatbot poháňaný AI vyvinutý spoločnosťou OpenAI, ktorá bola kritizovaná za porušovanie súkromia.
Prečítajte si viac o AI:
Vylúčenie zodpovednosti
V súlade s Pokyny k projektu Trust, uvedomte si, že informácie uvedené na tejto stránke nie sú zamýšľané a nemali by byť interpretované ako právne, daňové, investičné, finančné alebo iné formy poradenstva. Je dôležité investovať len toľko, koľko si môžete dovoliť stratiť a v prípade akýchkoľvek pochybností vyhľadať nezávislé finančné poradenstvo. Ak chcete získať ďalšie informácie, odporúčame vám pozrieť si zmluvné podmienky, ako aj stránky pomoci a podpory poskytnuté vydavateľom alebo inzerentom. MetaversePost sa zaviazala poskytovať presné a nezaujaté správy, ale podmienky na trhu sa môžu zmeniť bez upozornenia.
O autorovi
Damir je vedúci tímu, produktový manažér a redaktor v Metaverse Post, pokrývajúce témy ako AI/ML, AGI, LLM, Metaverse a Web3- súvisiace oblasti. Jeho články priťahujú každý mesiac obrovské publikum s viac ako miliónom používateľov. Zdá sa, že je odborníkom s 10-ročnými skúsenosťami v oblasti SEO a digitálneho marketingu. Damir bol spomenutý v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto a ďalšie publikácie. Ako digitálny nomád cestuje medzi SAE, Tureckom, Ruskom a SNŠ. Damir získal bakalársky titul z fyziky, o ktorom sa domnieva, že mu dal schopnosti kritického myslenia potrebné na to, aby bol úspešný v neustále sa meniacom prostredí internetu.
Ďalšie článkyDamir je vedúci tímu, produktový manažér a redaktor v Metaverse Post, pokrývajúce témy ako AI/ML, AGI, LLM, Metaverse a Web3- súvisiace oblasti. Jeho články priťahujú každý mesiac obrovské publikum s viac ako miliónom používateľov. Zdá sa, že je odborníkom s 10-ročnými skúsenosťami v oblasti SEO a digitálneho marketingu. Damir bol spomenutý v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto a ďalšie publikácie. Ako digitálny nomád cestuje medzi SAE, Tureckom, Ruskom a SNŠ. Damir získal bakalársky titul z fyziky, o ktorom sa domnieva, že mu dal schopnosti kritického myslenia potrebné na to, aby bol úspešný v neustále sa meniacom prostredí internetu.