All learning paths Learn See Try Make स्वतःशी आणि इतरांशी सुसंगत रहा What this lesson is about दीर्घ बॅचमध्ये एकाच वस्तूचा निर्णय कसा बदलतो ते पहा. निर्णय डेटा पर्यंत पोहोचण्याआधी स्वतःला परत स्थिर करा.
लांब्या बॅचच्या शेवटच्या दिवशी तुम्ही सुरुवातीला मार्क केलेली आयटम पुन्हा उघडता. आता तुम्ही ती वेगळ्या प्रकारे मार्क कराल. काय कराल?
A दोन्ही तसेच राहू द्या, कारण एका आयटममुळे संपूर्ण बॅच बदलत नाही. B एकाच वस्तूला सोमवार आणि शुक्रवार दोन्ही दिवशी एकच लेबल मिळते. C मागे जाऊन आधीच्या प्रत्येक आयटमला आता वाचलेल्या पद्धतीनुसार बदला.
Check my recall Why this matters सुरुवातीच्या आणि शेवटच्या दिवशी एकाच इनपुटला एकच लेबल मिळायला हवे. बदल शांतपणे होतो, त्यामुळे तो लंगर उदाहरणांनी पकडला जातो, काळजीपूर्वक करत असल्याचा भास करून नाही.
दीर्घ बॅचमध्ये तुमच्या स्वतःच्या बदलाची जाणीव करा आणि डेटा पर्यंत पोहोचण्याआधी स्वतःला पुन्हा स्थिर करा.
सुरुवातीच्या आणि शेवटच्या दिवशी एकाच इनपुटला एकच लेबल मिळायला हवे. बदल शांतपणे होतो, त्यामुळे तो लंगर उदाहरणांनी पकडला जातो, काळजीपूर्वक करत असल्याचा भास करून नाही.
एकाच वस्तूला सोमवार आणि शुक्रवार दोन्ही दिवशी एकच लेबल मिळते. प्रत्येक सत्रापूर्वी तुमची निश्चित उदाहरणे पुन्हा वाचा, फक्त पहिल्या दिवशी नव्हे. जेव्हा तुम्ही मागील निर्णय बदलता, तेव्हा काय आणि का बदलले ते नोंदवा. Task तुम्ही आणि दुसऱ्या पुनरावलोककाने एकसारखेच चाळीस उत्तरं पूर्ण किंवा अपूर्ण म्हणून चिन्हांकित केली. एक ठराविक तथ्यांची यादी त्याचा निर्णय करते.
Weak approach तुम्ही दोघे जिथे जुळलेत ते मोजतो: चाळीसपैकी बत्तीस. सहमतीचा आकडा म्हणून बॅचसह शंभरपैकी ऐंशी पाठवतो. तुम्ही दोघे किती वेळा पूर्ण म्हणालात हे कधी पाहत नाही.
Stronger approach अहवाल देण्यापूर्वी संधी काढून टाकतो. तुम्ही चाळीसपैकी 32 जुळलेत, म्हणजे 0.80. तुम्ही दोघेही 32 वेळा पूर्ण म्हणालात. फक्त संधीने 0.8 x 0.8 आणि 0.2 x 0.2 होते, म्हणजे 0.68. कोहेनचा कप्पा म्हणजे 0.80 मधून 0.68 वजा, 1 मधून 0.68 ने भागले तर 0.38. 0.38, 40 ची मोजणी आणि तुम्ही दोघे वापरलेली ठराविक उदाहरणे पाठवतो.
Why the stronger approach works शंभरपैकी ऐंशी हा आकडा ठरलेला वाटतो. जिथे तुम्ही दोघेही पाचपैकी चार पूर्ण म्हणालात, तिथे संधीनेच जास्त भाग खरेदी केला आहे. उरलेला भाग 0.38 आहे.
Try a changed situation आता तुम्ही तीन संध्याकाळी शाळेच्या उत्तरपत्रिकांचा ढीग तपासत आहात. कोणता नियम अजूनही लागू आहे?
Make something yourself तुम्ही वारंवार करीत असलेल्या कामासाठी तीन निश्चित उदाहरणे लिहा: एक स्पष्ट यशस्वी, एक स्पष्ट अपयशी, आणि एक सीमारेषेवरील केस ज्यावर तुम्ही ठरवलेले वाचन वापरले आहे.
Read the primary or official source: Bai et al., Training a Helpful and Harmless Assistant (arXiv)