为什么 RLHF 很重要？
人工智能（AI）应用范围广泛，从自动驾驶汽车到自然语言处理（NLP）、股票市场预测器和零售个性化服务，不胜枚举。无论给定的应用程序是什么，人工智能的最终目标都是模仿人类的反应、行为和决策。机器学习模型必须将人类输入编码为训练数据，以便人工智能在完成复杂任务时更接近人类。
RLHF 是一种特殊技术，用于与其他技术（例如有监督学习和无监督学习）一起训练人工智能系统，使其更加人性化。首先，将模型的响应与人类的响应进行比较。然后，人类会评测不同机器响应的质量，对哪些响应更人性化进行评分。分数可以基于人类的内在品质，例如友善、适当程度的情境化和心情。
RLHF 在自然语言理解方面表现得非常突出，但也可用于其他生成式人工智能应用程序。
增强人工智能性能
RLHF 使机器学习模型更加准确。可以根据预生成的人类数据训练模型，但是与初始状态相比，增加额外的人工反馈回路可以显著提高模型性能。
例如，当文本从一种语言翻译成另一种语言时，模型生成的文本可能在技术上是正确的，但对读者而言听起来并不自然。专业译员可以先进行翻译，并对机器生成的翻译评分，然后对一系列机器生成的翻译进行质量评分。通过对模型进行进一步训练，可以更好地生成听起来自然的翻译。
引入复杂的训练参数
在某些情况下，生成式人工智能可能很难针对某些参数准确地训练模型。例如，如何定义一首音乐的情绪？ 可能有一些相关技术参数，例如音调和节奏，可以表明某种情绪，但是音乐作品的精神相比一系列技术性细节而言要更加主观，定义也不太明确。您可以提供人工指导，让作曲家创作各种情绪的作品，然后根据情绪水平对机器生成的作品进行标记。这使机器能够更快速地学习这些参数。
提高用户满意度
尽管机器学习模型可能很准确，但可能与人类相去甚远。这时便需要 RL 来引导模型，为人类用户提供最具吸引力的最佳响应。
例如，如果您问聊天机器人外面的天气怎么样，它可能会回答“30 摄氏度，多云，湿度高”，或者也可能会回答“目前温度在 30 度左右。阴天潮湿，比较闷热！”尽管两个答案相似，但第二个听起来更自然，提供了更多上下文信息。
当人类用户就他们喜欢哪种模型的响应进行评分时，您可以使用 RLHF 来收集人类反馈并改进模型，以便更好地为真正的人类提供服务。
RLHF 如何运作？
RLHF 分四个阶段执行，然后模型才准备就绪。在此，我们以语言模型（公司内部知识库聊天机器人）为例，该模型使用 RLHF 进行完善。
我们简单概述一下学习过程。训练模型及其针对 RLHF 的策略优化存在巨大的数学复杂性。但是，这些复杂过程在 RLHF 中有明确定义，并且通常有预构建的算法，只需要您的特定输入即可。
数据收集
在使用语言模型执行机器学习任务前，会为训练数据创建一组人工生成的提示和响应。这组提示和响应将在模型的后期训练过程中使用。
例如，提示可能是：
- “Where is the location of the HR department in Boston?”
- “What is the approval process for social media posts?”
- “What does the Q1 report indicate about sales compared to previous quarterly reports?”
然后，公司的知识型员工会以准确、自然的响应回答这些问题。
对语言模型进行监督式微调
您可以使用商业预训练模型作为 RLHF 的基础模型。随后使用检索增强生成（RAG）等技术根据公司的内部知识库对模型进行微调。对模型进行微调时，您可以将其对预定提示的响应与上一步中收集的人工响应进行比较。数学方法可以计算出两者间的相似程度。
例如，可以为机器生成的响应分配介于 0 和 1 间的分数，其中 1 表示最准确，0 表示最不准确。确定好分数后，该模型便有了一项策略，即生成得分更接近人类响应的响应。此策略便是该模型未来所有决策的基础。
构建单独的奖励模型
RLHF 的核心是根据人类反馈训练单独的人工智能奖励模型，然后使用该模型作为奖励函数，通过 RL 优化策略。假设模型中有一组回答相同提示的多个响应，人类可以指出其对每个响应质量的偏好。您可以使用这些响应评分偏好来建立奖励模型，该模型会自动估计人类对任何给定提示的响应给出多高的分数。
使用基于奖励的模型优化语言模型
然后，语言模型会使用奖励模型在响应提示前自动完善其策略。使用奖励模型，语言模型可内部评估一系列响应，然后选择最有可能获得最大奖励的响应。这意味着它以优化程度更高的方式满足了人类的偏好。
下图为 RLHF 学习过程的概述。
RLHF 在生成式人工智能领域有哪些应用？
RLHF 是公认的确保 LLM 制作真实、无害且有用的内容的行业标准技术。但是，人类沟通是一个主观的创造性过程，而 LLM 输出的有用性则深受人类价值观和偏好的影响。每个模型的训练方式都略有不同，所用的人类响应者也不尽相同，因此即使是竞争力相当的 LLM，输出也会有所差异。每个模型涉及人类价值观的程度完全取决于创建者。
RLHF 的应用超出了 LLM 的范围，扩展到了其他类型的生成式人工智能。下面是一些示例：
- RLHF 可用于 AI 图像生成：例如衡量艺术品的现实性、技术性或意境
- 在音乐生成中，RLHF 可以帮助创作与活动的特定情绪和音轨相匹配的音乐
- RLHF 可以用在语音助手中，引导语音，使其听起来更友好、充满好奇、更值得信赖
AWS 如何帮助满足您的 RLHF 要求？
Amazon SageMaker Ground Truth 提供最全面的“人在回路”功能，使您能够在机器学习生命周期中融入人类反馈，从而提高模型的准确性和相关性。您可以通过自助服务或 AWS 托管服务完成各种人在回路任务，包括数据生成和注释、奖励模型生成、模型审查和自定义。
SageMaker Ground Truth 包含一个用于 RLHF 功能的数据注释器。您可以通过将模型对 RL 结果的响应进行排名和/或分类，对模型生成的输出提供直接反馈和指导。这些数据被称为比较和排名数据，它们实际上是奖励模型或奖励函数，随后会被用于训练模型。您可以使用比较和排名数据为您的使用案例自定义现有模型或微调从头开始构建的模型。
立即创建账户，开始在 AWS 上使用 RLHF 技术。
