මානව ප්‍රතිපෝෂණ සමඟ ශක්තිමත් කිරීමේ ඉගෙනීම: සියුම් සුසර කිරීමේ AI

• කර්තෘ:
• කර්තෘගේ නම

  Quantumrun Foresight
• මාර්තු 7, 2024

තීක්ෂ්ණ බුද්ධිය සාරාංශය

මානව ප්‍රතිපෝෂණ (RLHF) වෙතින් ශක්තිමත් කිරීමේ ඉගෙනීම යනු කෘත්‍රිම බුද්ධි (AI) පුහුණු ක්‍රමයක් වන අතර එය මානව ආදානය භාවිතා කරමින් ඒවා මානව අභිප්‍රායන් සමඟ වඩා හොඳින් පෙළගස්වා ගැනීමට ආකෘති මනාව සකස් කරයි. මෙම ප්‍රවේශයට පෙර පුහුණු කරන ලද ආකෘතිවල ක්‍රියාකාරීත්වය වැඩි දියුණු කිරීම සඳහා මානව ප්‍රතිපෝෂණ වලින් ප්‍රතිලාභ ආකෘතියක් නිර්මාණය කිරීම ඇතුළත් වේ. වගකිවයුතු AI සඳහා පොරොන්දු වන අතරම, RLHF විභව සාවද්‍යතාවයන්ට සහ සදාචාරාත්මක මාර්ගෝපදේශ අවශ්‍යතාවයට මුහුණ දෙයි.

මානව ප්‍රතිපෝෂණ සන්දර්භය සමඟ ශක්තිමත් කිරීමේ ඉගෙනීම

මානව ප්‍රතිපෝෂණ (RLHF) වෙතින් ශක්තිමත් කිරීමේ ඉගෙනීම යනු මානව අභිප්‍රායන් සහ මනාපයන් සමඟ වඩාත් සමීපව පෙළගැස්වීම අරමුණු කරගත් AI ආකෘති පුහුණු කිරීමේ ක්‍රමයකි. RLHF ශක්තිමත් කිරීමේ ඉගෙනීම මානව ආදානය සමඟ මනාව සකස් කරන යන්ත්‍ර ඉගෙනුම් (ML) ආකෘති වෙත ඒකාබද්ධ කරයි. මෙම ප්‍රවේශය අධීක්‍ෂණය කළ සහ අධීක්‍ෂණය නොකළ ඉගෙනීමෙන් වෙනස් වන අතර සැලකිය යුතු අවධානයක් දිනා ගනිමින් සිටී, විශේෂයෙන්ම InstructGPT සහ ChatGPT වැනි ආකෘති පුහුණු කිරීමට OpenAI භාවිතා කිරීමෙන් පසුව.

RLHF පිටුපස ඇති මූලික සංකල්පය ප්‍රධාන අදියර තුනක් ඇතුළත් වේ. පළමුව, පුහුණුව සඳහා අවශ්ය වන අතිවිශාල දත්ත නිසා භාෂා ආකෘති සඳහා අත්යවශ්ය වන ප්රධාන ආකෘතිය ලෙස පූර්ව-පුහුණු ආකෘතියක් තෝරා ගනු ලැබේ. දෙවනුව, වෙනම විපාක ආකෘතියක් නිර්මාණය කර ඇති අතර, එය මානව යෙදවුම් භාවිතයෙන් පුහුණු කරනු ලැබේ (මිනිසුන්ට ආකෘති-උත්පාදිත ප්‍රතිදානයන් ඉදිරිපත් කර ඒවා ගුණාත්මකභාවය මත පදනම්ව ශ්‍රේණිගත කිරීමට ඉල්ලා සිටී). මෙම ශ්‍රේණිගත කිරීමේ තොරතුරු ප්‍රාථමික ආකෘතියේ ක්‍රියාකාරීත්වය ඇගයීමට ප්‍රතිලාභ ආකෘතිය භාවිතා කරන ලකුණු ක්‍රමයක් බවට පරිවර්තනය වේ. තෙවන අදියරේදී, ප්‍රතිලාභ ආකෘතිය ප්‍රාථමික ආකෘතියේ ප්‍රතිදානයන් තක්සේරු කර ගුණාත්මක ලකුණු ලබා දෙයි. ප්‍රධාන මාදිලිය එහි අනාගත ක්‍රියාකාරිත්වය වැඩි දියුණු කිරීම සඳහා මෙම ප්‍රතිපෝෂණය භාවිතා කරයි.

RLHF මානව අභිප්‍රාය සමඟ AI පෙළගැස්ම වැඩිදියුණු කිරීමේ පොරොන්දුවක් දරයි, ආකෘති ප්‍රතිචාර සියුම්ව සකස් කිරීමෙන් පසුව පවා සාවද්‍ය හෝ විෂ සහිත විය හැක. මීට අමතරව, අධීක්‍ෂණය නොකළ ඉගෙනීම හා සසඳන විට මානව සහභාගීත්වය සාපේක්ෂව මන්දගාමී සහ මිල අධික වේ. මානව ඇගයුම්කරුවන් අතර මතභේද සහ විපාක ආකෘතිවල විභව පක්ෂග්‍රාහීත්වය ද සැලකිය යුතු උත්සුකයන් වේ. කෙසේ වෙතත්, මෙම සීමාවන් නොතකා, මෙම ක්ෂේත්‍රයේ වැඩිදුර පර්යේෂණ සහ සංවර්ධනය මඟින් AI මාදිලි ආරක්ෂිත, වඩා විශ්වාසදායක සහ පරිශීලකයින්ට වඩාත් ප්‍රයෝජනවත් වනු ඇත. 

කඩාකප්පල්කාරී බලපෑම

RLFH හි එක් සැලකිය යුතු ඇඟවුමක් වන්නේ වඩා වගකීම් සහිත සහ සදාචාරාත්මක AI පද්ධති පෝෂණය කිරීමේ හැකියාවයි. RLHF මානව වටිනාකම් සහ අභිප්‍රායන් සමඟ වඩා හොඳින් පෙළගැස්වීමට ආකෘති සක්‍රීය කරන බැවින්, එය හානිකර, පක්ෂග්‍රාහී හෝ සාවද්‍ය විය හැකි AI-ජනනය කරන ලද අන්තර්ගතයන් හා සම්බන්ධ අවදානම් අවම කළ හැකිය. AI පද්ධතිවල RLHF යෙදවීම සඳහා ඔවුන්ගේ සදාචාරාත්මක භාවිතය සහතික කිරීම සඳහා මාර්ගෝපදේශ සහ ප්‍රමිතීන් ස්ථාපිත කිරීමට රජයන්ට සහ නියාමන ආයතනවලට අවශ්‍ය විය හැකිය.

ව්‍යාපාර සඳහා, පාරිභෝගික අත්දැකීම් වැඩිදියුණු කිරීමට සහ මෙහෙයුම් ප්‍රශස්ත කිරීමට RLHF වටිනා අවස්ථාවක් ඉදිරිපත් කරයි. AI මත පදනම් වූ නිෂ්පාදන සහ සේවා වැඩිදියුණු කිරීමට සමාගම්වලට RLHF භාවිත කළ හැකි අතර එමඟින් පාරිභෝගික මනාපයන් වඩාත් හොඳින් අවබෝධ කර ගැනීමට සහ ඒවා සපුරාලීමට හැකිය. නිදසුනක් වශයෙන්, පුද්ගලීකරණය කළ නිෂ්පාදන නිර්දේශ සහ ගැලපෙන අලෙවිකරණ ව්‍යාපාර වඩාත් නිවැරදි විය හැකි අතර, අවසානයේදී පාරිභෝගික තෘප්තිය වැඩි කිරීමට සහ ඉහළ පරිවර්තන අනුපාතවලට තුඩු දෙයි. එපමනක් නොව, RLHF හට තත්‍ය කාලීන දත්ත සහ පරිශීලක ප්‍රතිපෝෂණ මත පදනම්ව තීරණ ගැනීම ප්‍රශස්ත කිරීම මගින් සැපයුම් දාම කළමනාකරණය සහ සම්පත් වෙන් කිරීම වැනි අභ්‍යන්තර ක්‍රියාවලීන් විධිමත් කළ හැක.

සෞඛ්‍ය ආරක්ෂණයේදී, AI-බලයෙන් ක්‍රියාත්මක වන රෝග විනිශ්චය සහ ප්‍රතිකාර නිර්දේශ වඩාත් විශ්වාසදායක සහ රෝගියා කේන්ද්‍ර කර ගත හැක. මීට අමතරව, පුද්ගලාරෝපිත ඉගෙනුම් අත්දැකීම් අධ්‍යාපනය තුළ තවදුරටත් පිරිපහදු කළ හැකි අතර, සිසුන්ට ඔවුන්ගේ අධ්‍යයන හැකියාවන් උපරිම කර ගැනීම සඳහා සුදුසු සහය ලැබෙන බව සහතික කරයි. RLHF හි ප්‍රතිලාභ ලබා ගැනීමට අවශ්‍ය කුසලතා වලින් ශ්‍රම බලකාය සන්නද්ධ කිරීම සඳහා AI අධ්‍යාපනය සහ පුහුණු වැඩසටහන් සඳහා රජයන්ට ආයෝජනය කිරීමට අවශ්‍ය විය හැකිය. 

මානව ප්‍රතිපෝෂණ සමඟ ශක්තිමත් කිරීමේ ඉගෙනීමේ ඇඟවුම්

RLHF හි පුළුල් ඇඟවුම් ඇතුළත් විය හැකිය: 

• AI මත පදනම් වූ නිෂ්පාදන සහ සේවා පුද්ගල අභිරුචිවලට වඩාත් අනුගත වන බැවින් පාරිභෝගික පක්ෂපාතිත්වය සහ නියැලීම වැඩි වේ.
• වඩාත් අභිරුචිකරණය කරන ලද අධ්‍යාපනික අත්දැකීම් නිර්මාණය කිරීම, සිසුන්ට ඔවුන්ගේ සම්පූර්ණ හැකියාවන් කරා ළඟා වීමට උපකාර කිරීම සහ අධ්‍යයන ජයග්‍රහණ හිඩැස් අඩු කිරීම.
• RLHF-ධාවනය වන ස්වයංක්‍රීයකරණය ලෙස පරිවර්තනයකට භාජනය වන ශ්‍රම වෙළඳපොළ සාමාන්‍ය කාර්යයන් විධිමත් කරයි, කම්කරුවන්ට වඩාත් නිර්මාණශීලී සහ සංකීර්ණ රැකියා භූමිකාවන් කෙරෙහි අවධානය යොමු කිරීමට අවස්ථා නිර්මාණය කරයි.
• RLHF හරහා වැඩි දියුණු කළ ස්වභාවික භාෂා සැකසුම් වැඩිදියුණු කළ ප්‍රවේශ්‍යතා විශේෂාංග වෙත යොමු කරයි, ආබාධ සහිත පුද්ගලයින්ට ප්‍රතිලාභ ලබා දීම සහ ඩිජිටල් සන්නිවේදනයේ වැඩි ඇතුළත් කිරීම් ප්‍රවර්ධනය කරයි.
• පාරිසරික අධීක්ෂණ සහ සම්පත් කළමනාකරණය සඳහා RLHF යෙදවීම වඩාත් කාර්යක්ෂම සංරක්ෂණ ප්‍රයත්නයන් සක්‍රීය කිරීම, අපද්‍රව්‍ය අවම කිරීම සහ තිරසාර ඉලක්ක සඳහා සහාය වීම.
• RLHF නිර්දේශ පද්ධති සහ අන්තර්ගත නිර්මාණයේ ප්‍රතිඵලයක් ලෙස වඩාත් පුද්ගලාරෝපිත මාධ්‍ය භූ දර්ශනයක් ඇති කරයි, පරිශීලකයින්ට ඔවුන්ගේ රුචිකත්වයන් සහ වටිනාකම් සමඟ පෙළගැසෙන අන්තර්ගතයන් පිරිනමයි.
• RLHF හරහා AI ප්‍රජාතන්ත්‍රීකරණය කිරීම, AI තාක්‍ෂණයේ ප්‍රතිලාභ ප්‍රයෝජනයට ගැනීමට කුඩා සමාගම් සහ ආරම්භකයින් සවිබල ගැන්වීම, තාක්ෂණික කර්මාන්තයේ නවෝත්පාදන සහ තරඟකාරිත්වය පෝෂණය කිරීම.

සලකා බැලිය යුතු ප්‍රශ්න

• RLHF අපගේ එදිනෙදා ජීවිතයේදී තාක්‍ෂණය සමඟ අන්තර් ක්‍රියා කරන ආකාරය කෙරෙහි බලපාන්නේ කෙසේද?
• RLHF වෙනත් කර්මාන්තවල විප්ලවයක් ඇති කරන්නේ කෙසේද?