Voir la source de Apprentissage par renforcement et rétroaction humaine

== Définition ==
En [[apprentissage automatique]], l'[[apprentissage par renforcement]] et rétroaction humaine (ARRH) est une technique qui entraîne un modèle de récompense à partir de la rétroaction humaine et utilise le modèle comme fonction de récompense pour optimiser la politique d'un agent à l'aide de l'[[apprentissage par renforcement]] grâce à un algorithme d'optimisation.

==Compléments==
Ce type d'apprentissage est utilisé dans les générateurs de texte fondés sur les grands modèles de langue.

<!--L'apprentissage par renforcement à partir de la rétroaction humaine (ARRH) est une technique qui entraîne un modèle de récompense à partir de la rétroaction humaine et utilise ce modèle comme fonction de récompense pour optimiser la politique d'un agent à l'aide de l'apprentissage par renforcement (RL) grâce à un algorithme d'optimisation. Le modèle de récompense est formé à l'avance pour que la politique soit optimisée afin de prédire si une sortie donnée est bonne (récompense élevée) ou mauvaise (récompense faible). RLHF peut améliorer la robustesse et l'exploration des agents RL, en particulier lorsque la fonction de récompense est clairsemée ou bruyante. -->


== Français ==
''' apprentissage par renforcement et rétroaction humaine '''

''' apprentissage par renforcement avec rétroaction humaine '''

''' apprentissage par renforcement à partir de la rétroaction humaine '''

'''ARRH'''


== Anglais ==
''' reinforcement learning from human feedback '''

'''RLHF'''

''' reinforcement learning from human preferences '''


<!-- To understand RLHF, we first need to understand the process of training a model like ChatGPT and where RLHF fits in, which is the focus of the first section of this post. The following 3 sections cover the 3 phases of ChatGPT development. For each phase, I’ll discuss the goal for that phase, the intuition for why this phase is needed, and the corresponding mathematical formulation for those who want to see more technical detail.
 
 Currently, RLHF is not yet widely used in the industry except for a few big key players – OpenAI, DeepMind, and Anthropic. However, I’ve seen many work-in-progress efforts using RLHF, so I wouldn’t be surprised to see RLHF used more in the future.
  ---
 Learning from instructions and human feedback are thought to be at the core of recent advances in instruction following large language models (LLMs). While recent efforts such as Open Assistant, Vicuna, and Alpaca have advanced our understanding of instruction fine-tuning, the same cannot be said for RLHF-style algorithms that learn directly from human feedback. AlpacaFarm aims to address this gap by enabling fast, low-cost research and development on methods that learn from human feedback. We identify three main difficulties with studying RLHF-style algorithms: the high cost of human preference data, the lack of trustworthy evaluation, and the absence of reference implementations. -->
 

<small>

[https://huyenchip.com/2023/05/02/rlhf.html   Source : huyenchip]

[https://crfm.stanford.edu/2023/05/22/alpaca-farm.html  Source : stanford]

[https://en.wikipedia.org/wiki/Reinforcement_learning_from_human_feedback  Source: Wikipedia]

[https://www.journaldunet.com/solutions/dsi/1518637-chatgpt-l-intelligence-artificielle-peut-elle-tenir-ses-promesses/  Source : Journal du Net]

[[Catégorie:Publication]]