All learning paths Learn See Try Make ಎರಡು ಮಾದರಿ ಉತ್ತರಗಳನ್ನು ಹೋಲಿಸಿ What this lesson is about ಮಾನದಂಡವನ್ನು ಬಳಸಿ ಉತ್ತಮ ಉತ್ತರವನ್ನು ಆಯ್ಕೆಮಾಡಿ. ಉದ್ದ, ವಿಶ್ವಾಸ ಅಥವಾ ಬರವಣಿಗೆಯ ಶೈಲಿಯಿಂದ ಆಯ್ಕೆಮಾಡಬೇಡಿ.
ಒಂದು ಪ್ರಶ್ನೆಗೆ ಎರಡು ಉತ್ತರಗಳು ನಿಮ್ಮ ಪರದೆಯಲ್ಲಿ ತೆರೆದಿವೆ, ಒಂದೊಂದು ಉದ್ದವಾದ ಮತ್ತು ಸುಧಾರಿತ. ನೀವು ಹೇಗೆ ನಿರ್ಧರಿಸುತ್ತೀರಿ?
A ಓದಲು ಉತ್ತಮವಾಗಿರುವದನ್ನು ಆಯ್ಕೆಮಾಡಿ, ನಂತರ ಅದರ ಕಾರಣವನ್ನು ಹುಡುಕಿ. B ಪ್ರತಿ ಉತ್ತರವನ್ನು ಒಂದೇ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ತೀರ್ಮಾನಿಸಿ. C ಉದ್ದವಾದದನ್ನು ವಿವರಕ್ಕೆ ಮತ್ತು ಚಿಕ್ಕದನ್ನು ಸ್ಪಷ್ಟತೆಗೆ ಆಧಾರಿಸಿ ತೀರ್ಮಾನಿಸಿ.
Check my recall Why this matters ಆಯ್ಕೆ ಡೇಟಾ ಮಾದರಿಗಳಿಗೆ ಯಾವ ಉತ್ತರ ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ ಸೇವೆ ನೀಡುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿಸುತ್ತದೆ. ವಿಶ್ವಾಸ, ಸೊಗಸು ಮತ್ತು ಉದ್ದವು ಸುರಕ್ಷಿತ ಶೀಘ್ರ ಮಾರ್ಗಗಳು ಅಲ್ಲ. ನೀವು ಮಾನದಂಡದ ವಿರುದ್ಧ ನಿರ್ಣಯ ಮಾಡುತ್ತೀರಿ — ಒಳ್ಳೆಯ ಉತ್ತರಕ್ಕೆ ಬೇಕಾದ ಪರಿಶೀಲನಾ ಪಟ್ಟಿಯನ್ನು. ನೀವು ಒಂದೊಂದು ಮಾನದಂಡವನ್ನು — ಒಂದೊಂದು ಗುಣಮಟ್ಟವನ್ನು — ಕ್ರಮವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ.
ಮಾನದಂಡವನ್ನು ಬಳಸಿ ಎರಡು ಉತ್ತರಗಳ ನಡುವೆ ಆಯ್ಕೆಮಾಡಿ ಮತ್ತು ನಿರ್ಧಾರ ಮಾಡುವ ಪ್ರಮುಖ ವ್ಯತ್ಯಾಸವನ್ನು ಹೆಸರಿಸಿ.
ಆಯ್ಕೆ ಡೇಟಾ ಮಾದರಿಗಳಿಗೆ ಯಾವ ಉತ್ತರ ಬಳಕೆದಾರರಿಗೆ ಉತ್ತಮ ಸೇವೆ ನೀಡುತ್ತದೆ ಎಂಬುದನ್ನು ಕಲಿಸುತ್ತದೆ. ವಿಶ್ವಾಸ, ಸೊಗಸು ಮತ್ತು ಉದ್ದವು ಸುರಕ್ಷಿತ ಶೀಘ್ರ ಮಾರ್ಗಗಳು ಅಲ್ಲ. ನೀವು ಮಾನದಂಡದ ವಿರುದ್ಧ ನಿರ್ಣಯ ಮಾಡುತ್ತೀರಿ — ಒಳ್ಳೆಯ ಉತ್ತರಕ್ಕೆ ಬೇಕಾದ ಪರಿಶೀಲನಾ ಪಟ್ಟಿಯನ್ನು. ನೀವು ಒಂದೊಂದು ಮಾನದಂಡವನ್ನು — ಒಂದೊಂದು ಗುಣಮಟ್ಟವನ್ನು — ಕ್ರಮವಾಗಿ ತೆಗೆದುಕೊಳ್ಳುತ್ತೀರಿ.
ಪ್ರತಿ ಉತ್ತರವನ್ನು ಒಂದೇ ಮಾನದಂಡಗಳ ವಿರುದ್ಧ ತೀರ್ಮಾನಿಸಿ. ಪ್ರತಿ ಸಣ್ಣ ವ್ಯತ್ಯಾಸವಲ್ಲ, ಫಲಿತಾಂಶವನ್ನು ಬದಲಿಸುವ ಮೊದಲ ವ್ಯತ್ಯಾಸವನ್ನು ಕಂಡುಹಿಡಿಯಿರಿ. ಸಾಕ್ಷ್ಯ ಬೇಕಾದಾಗ ಸಮಾನ ಅಥವಾ ನಿರ್ಣಯಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ ಆಯ್ಕೆಮಾಡಿ. Task ನೀವು ನಾಲ್ಕು ಮಾನದಂಡಗಳಿರುವ ರೂಬ್ರಿಕ್ ಅನ್ನು ಕ್ರಮವಾಗಿ ಪಡೆಯುತ್ತೀರಿ: ಸುರಕ್ಷಿತ, ಸರಿಯಾದ, ಸೂಚನೆಯನ್ನು ಅನುಸರಿಸುವ, ಚಿಕ್ಕದು. ಒಬ್ಬ ವಿದ್ಯಾರ್ಥಿ ವಿದ್ಯಾರ್ಥಿವೇತನ ಫಾರ್ಮ್ ಕಳುಹಿಸಲು ಕೊನೆಯ ದಿನಾಂಕವನ್ನು ಕೇಳುತ್ತಾನೆ.
Weak approach ಎರಡೂ ಉತ್ತರಗಳನ್ನು ಓದಿ ಮೊದಲನೆಯದನ್ನು ಆಯ್ಕೆಮಾಡುತ್ತದೆ, ಅದು ಹೃದಯಸ್ಪರ್ಶಿ, ಉದ್ದವಾದುದು ಮತ್ತು ಆತಂಕಗೊಂಡ ವಿದ್ಯಾರ್ಥಿಗಾಗಿ ಬರೆದದ್ದು. ಅದರ ದಿನಾಂಕವನ್ನು ಎಂದಿಗೂ ಪರಿಶೀಲಿಸಲಾಗುವುದಿಲ್ಲ, ಮತ್ತು ಅದು ಕೇವಲ ಸೆಪ್ಟೆಂಬರ್ ಅಂತ್ಯ ಎಂದು ಹೇಳುತ್ತದೆ.
Stronger approach ರೂಬ್ರಿಕ್ ಅನ್ನು ಸಾಲು ಸಾಲಾಗಿ ತುಂಬುತ್ತಾನೆ. ಸುರಕ್ಷಿತದಲ್ಲಿ, ಎರಡೂ ಉತ್ತರಗಳು ಪಾಸಾಗಿವೆ: ಯಾವುದೂ ವಿದ್ಯಾರ್ಥಿಗೆ ಹಾನಿಕಾರಕ ಮಾಹಿತಿಯನ್ನು ನೀಡುವುದಿಲ್ಲ. ಸರಿಯಾದಲ್ಲಿ, ಮೊದಲ ಉತ್ತರದಲ್ಲಿ ಯಾವುದೇ ದಿನಾಂಕ ಇಲ್ಲ, ಕೇವಲ ಸೆಪ್ಟೆಂಬರ್ ಕೊನೆಯಲ್ಲಿ ಎಂದು ಮಾತ್ರ ಇದೆ. ಎರಡನೇ ಉತ್ತರದಲ್ಲಿ 30 ಸೆಪ್ಟೆಂಬರ್ 2026 ಮತ್ತು ಅದು ಯಾವ ಸೂಚನೆಯಿಂದ ಬಂದಿದೆ ಎಂಬುದನ್ನು ಹೇಳುತ್ತದೆ. ನಿರ್ಧಾರ ಅಲ್ಲಿ ಆಗುತ್ತದೆ, ಶೈಲಿಯ ಬಗ್ಗೆ ಸಾಲು ಓದುವುದಕ್ಕೂ ಮುಂಚೆ.
Why the stronger approach works ಒಬ್ಬ ವಿಮರ್ಶಕ ಬರವಣಿಗೆಯನ್ನು ಹೋಲಿಸಿದರೆ, ಇನ್ನೊಬ್ಬರು ಸೂಚನೆಯ ರೂಬ್ರಿಕ್ ಅನ್ನು ಕ್ರಮವಾಗಿ ತುಂಬಿದರು. ಎರಡೂ ಉತ್ತರಗಳು ಸುರಕ್ಷಿತದಲ್ಲಿ ಪಾಸಾಗಿವೆ. ಅವರನ್ನು ವಿಭಜಿಸಿದ ಮೊದಲ ಸಾಲು ಒಂದು ಕಾಣದ ದಿನಾಂಕವಾಗಿತ್ತು, ಅದನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ತೋರಿಸಬಹುದು.
Try a changed situation ನೀವು ಎರಡು ಅಂಗಡಿಗಳ ಮರುಮರಮ್ಮತಿಗೆ ಎರಡು ಕೊಟೇಶನ್ಗಳ ನಡುವೆ ಆಯ್ಕೆಮಾಡುತ್ತಿದ್ದೀರಿ, ಎರಡು ಮಾದರಿ ಉತ್ತರಗಳಲ್ಲ. ನಿರ್ಧಾರ ಏನು?
Make something yourself ಎರಡು ವಾಕ್ಯಗಳಲ್ಲಿ ವಿಮರ್ಶಕನ ಕಾರಣವನ್ನು ಬರೆಯಿರಿ. ಮೊದಲು ಉತ್ತಮ ಉತ್ತರವನ್ನು ಹೆಸರಿಸಿ, ನಂತರ ನಿಮ್ಮ ಆಯ್ಕೆ ನಿರ್ಧರಿಸಿದ ಒಂದು ಮಾನದಂಡವನ್ನು ಹೆಸರಿಸಿ.
Read the primary or official source: Hugging Face Alignment Course