This chapter introduces the basics of Reinforcement Learning with Human Feedback (RLHF), a technique that uses human input to help AI models learn more effectively. Get started with RLHF by understanding how it differs from traditional reinforcement learning and why human feedback can enhance AI performance in various domains.

Introduction to RLHF

Text generation with RLHF

Classifying generated text for RLHF

RL vs. RLHF

Exploring pre-trained LLMs

Tokenize a text dataset

Fine-tuning for review classification

Preparing data for RLHF

Preparing the preference dataset

Extracting prompts

Foundational Concepts

Discover how to set up systems for gathering human feedback in this Chapter. Learn best practices for collecting high-quality data, from pairwise comparisons to uncertainty sampling,  and explore strategies for enhancing your data collection. 

Yüksek kaliteli geri bildirim toplama yöntemleri

Seçenekler

Karşılaştırma

Derecelendirme

RLHF'de karşılaştırma ve derecelendirmeyi anlama

Bir spor salonu kampanyası için sloganları karşılaştırma

Geri bildirim kalitesini ve uygunluğunu ölçme

Düşük güven

Geri bildirim kümeleme için K-means

Aktif öğrenme

Aktif öğrenme hattı (pipeline) uygulama

Aktif öğrenme döngüsü

Gathering Human Feedback

In this Chapter, you'll get into the core of Reinforcement Learning from Human Feedback training. This includes exploring fine-tuning with PPO, techniques to train efficiently, and handling potential divergences from your metrics' objectives. 

Reward models explored

Initializing the reward

Setting up the reward trainer

Training with PPO

Initialize the PPO trainer

PPO fine-tuning

Efficient fine-tuning in RLHF

Prepare for 8-bit Training

Train with LoRA

 Tuning Models with Human Feedback

Explore key techniques for assessing and improving model performance in this last Chapter of Reinforcement Learning from Human Feedback (RLHF): from fine-tuning metrics to incorporating diverse feedback sources, you'll be provided with a comprehensive toolkit to refine your models effectively.

Model metrics and adjustments

Mitigating negative KL divergence

Checking the reward model

Incorporating diverse feedback sources

Majority voting on multiple data sources

Unreliable data source identification

Evaluating RLHF models

Interpreting curves

Evaluating RLHF with metrics

Wrapping up your RLHF journey

Model Evaluation

Bu kursta Generative AI’nin verimliliğini insan uzmanlığının kavrayışıyla birleştir. GenAI modellerinin insan değerlerini ve tercihlerini gerçekten yansıtmasını nasıl sağlayacağını öğrenirken LLM’lerle uygulamalı deneyim kazanacaksın. Ayrıca ödül modellerinin karmaşıklıklarında yol alacak ve yalnızca öğrenen değil, gerçek dünyadaki senaryolara uyum sağlayan yapay zekâ üretmek için LLM’lerin üzerine nasıl inşa edileceğini keşfedeceksin.

Deep Reinforcement Learning in Python

Gelişmiş LLM'lerle uygulamalı deneyim kazanırken GenAI modellerini insan değerlerine uygun hale getirin.

İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

Gelişmiş LLM'lerle pratik deneyim kazanırken, GenAI modellerinin insan değerlerini gerçek anlamda yansıtmasını sağlamayı öğrenin.

Büyük Dil Modelleri Geliştirme

Pekiştirmeli Öğrenme Python'da

Aşağıdaki filmlerden hangisi daha iyi: "Interstellar" mı, "Oppenheimer" mı?

Her filme önemine göre 1'den 5'e kadar puan ver: "Titanic", "Gladiator", "Interstellar"

RLHF'de karşılaştırma ve derecelendirmeyi anlama

İnsan Geri Bildiriminden Pekiştirmeli Öğrenme (RLHF)

Uygulamalı interaktif egzersiz