Styrkingarnám með endurgjöf manna

e. reinforcement learning from human feedback

Einnig kallað: RLHF, reinforcement learning from human feedback

Þjálfunaraðferð þar sem fólk metur svör líkans og líkanið lærir að gefa svör sem fólk metur betur.

Styrkingarnám með endurgjöf manna, á ensku RLHF, er aðferð sem er notuð eftir grunnþjálfun mállíkana. Fólk ber saman svör líkansins við sömu fyrirmælum og velur það betra. Út frá þeim samanburði er þjálfað matslíkan sem gefur svörum einkunn, og mállíkanið er síðan þjálfað með styrkingarnámi til að fá háar einkunnir.

Aðferðin gerði mállíkön mun hjálplegri. Hún getur líka kennt líkani að þóknast notandanum, því svör sem hljóma vel fá oft betri einkunn en svör sem eru rétt en óþægileg. Það er ein skýringin á smjaðri.

Dæmi úr starfi

Málfræðingur sem vinnur við að bæta íslensku í mállíkani ber saman tvö svör við sömu spurningu og merkir hvort er betra. Þúsundir slíkra mata eru svo notaðar í þjálfun.

Ekkert námsefni er tengt þessu hugtaki enn.

Styrkingarnám með endurgjöf manna

Dæmi úr starfi

Tengd hugtök