RLHF (Reinforcement Learning from Human Feedback)

Hugovo vysvětlení: Učení na základě lidské zpětné vazby. Lidé hodnotí odpovědi AI a ta se podle toho učí, co se nám líbí.

Příklad z praxe: Když v ChatGPT klikneš na palec nahoru, pomáháš v procesu RLHF.

Jdi hlouběji

• [[fine-tuning]] — Fine-tuning
• [[reinforcement-learning-posilovane-uceni]] — Reinforcement Learning (Posilované učení)
• [[supervised-learning-uceni-s-dohledem]] — Supervised learning (Učení s dohledem)
• [[unsupervised-learning-uceni-bez-dohledu]] — Unsupervised learning (Učení bez dohledu)

Poznámky

Súvisející pojmy