পছন্দৰ পৰা প্ৰশিক্ষণ সংকেতলৈ

What this lesson is about

দুটা উত্তৰৰ মাজত পছন্দে কি ধৰা পেলায় চাওক। নিৰ্দেশনা বা পৰ্যালোচকসকলে মতভেদ কৰিলে কি নাপায় চাওক।

আপোনাৰ শ্বীটত সোমবাৰৰ এটা বেটৰ উত্তৰ আৰু সম্পূৰ্ণ ভিন্ন এটা প্ৰশ্নৰ উত্তৰ আছে। আপুনি কি ঠিক কৰিব?

Why this matters

এটা পছন্দ মাত্ৰ তেতিয়াই ভাল হয় যেতিয়া তাৰ পিছে থকা কাম, ৰুব্ৰিক — যি ভাল উত্তৰ কেনেকৈ হব লাগে চাওঁৱা তালিকা — আৰু পৰ্যালোচকে কি জানিছিল, আৰু মতভেদ কেনেকৈ সমাধান হয় সেয়া স্পষ্ট থাকে। ৰুব্ৰিকৰ প্ৰতিটো শাৰী এটা মানদণ্ড — এটা নাম দিয়া গুণ যাৰ দ্বাৰা আপুনি বিচাৰ কৰে।

দুটা উত্তৰৰ মাজত পছন্দে কি ধৰা পেলায় বুজাওক, আৰু মতভেদ কেতিয়া সমাধান কৰিব লাগে।

একেই প্ৰশ্নৰ দুটা উত্তৰ যাৰ তুলনা কৰিব পৰা যায়, একেলগে ৰাখক।
কেৱল A বা B নহয়, সিদ্ধান্ত লোৱাৰ মানদণ্ডো লিখক।
বৈধ মতভেদক কামটো ঠিক কৰিবলগীয়া প্ৰমাণ হিচাপে লওক।

Task

দুটা পৰ্যালোচক একে টকা উভতি প্ৰশ্নৰ দুটা উত্তৰ তুলনা কৰে। মূল্যায়ন সূত্ৰত সঠিকতা আৰু স্বৰ উল্লেখ আছে, দৈৰ্ঘ্যৰ বিষয়ে একো নাই।

Weak approach দুয়োটা উত্তৰ দুবাৰ পঢ়ি দ্বিতীয়টো বাচে, কাৰণ সেইটো অধিক নম্ৰ স্বৰেৰে লিখা। বাকচত B লিখি আগবাঢ়ি যায়। যি সূত্ৰে এই সিদ্ধান্ত লৈছিল, সেইটো কাগজত নাই। পৰৱৰ্তী সপ্তাহত কোনোবাই ক'ব নোৱাৰিব স্বৰে নে সঠিকতাই জিকিলে।

Stronger approach দ্বিতীয়টো বাচে, আৰু যি সূত্ৰত সেইটো জিকিছিল সেইটো লিখে: প্ৰথম উত্তৰটোত চৌদিশ দিনৰ সময়সীমা নাই। তাৰ পিছত সূত্ৰত ক'ব নোৱাৰে যে সৰু সঠিক উত্তৰে দীঘল সঠিক উত্তৰক পাৰ কৰে নে নাই বুলি সূত্ৰত ক'ব নোৱাৰে।

Why the stronger approach works দুয়োটা পৰ্যালোচকে একে উত্তৰ বাচিছিল, আৰু মাত্ৰ এজনেই কাৰণ দিছিল। এই যুগলৰ পৰা কি গঢ় হয়, সেইটো পৰৱৰ্তী পাঠ: নম্বৰ দিয়া লোক সেই লিখা সূত্ৰৰ পৰা শিকে। মাত্ৰ B লিখিলে কিবা শিকিব নোৱাৰে।

Try a changed situation দুজন স্বাস্থ্য কৰ্মীয়ে দুটা পামফ্লেটৰ কোনটো বেছি স্পষ্ট সেই বিষয়ে মতভেদ কৰিছে, আৰু বৈঠক পাঁচ মিনিটত শেষ হ'ব। শ্বীটত কি লিখিব?

Make something yourself পছন্দৰ ডাটা চাৰি খোজ আঁকক। তাৰ পিছত এটা ঠাই নামক, য’ত পক্ষপাত বা অস্পষ্টতা সোমাব পাৰে।

Read the primary or official source: Hugging Face Alignment Course