Artwork

İçerik BlueDot Impact tarafından sağlanmıştır. Bölümler, grafikler ve podcast açıklamaları dahil tüm podcast içeriği doğrudan BlueDot Impact veya podcast platform ortağı tarafından yüklenir ve sağlanır. Birinin telif hakkıyla korunan çalışmanızı izniniz olmadan kullandığını düşünüyorsanız burada https://tr.player.fm/legal özetlenen süreci takip edebilirsiniz.
Player FM - Podcast Uygulaması
Player FM uygulamasıyla çevrimdışı Player FM !

Constitutional AI Harmlessness from AI Feedback

1:01:49
 
Paylaş
 

Manage episode 429711879 series 3498845
İçerik BlueDot Impact tarafından sağlanmıştır. Bölümler, grafikler ve podcast açıklamaları dahil tüm podcast içeriği doğrudan BlueDot Impact veya podcast platform ortağı tarafından yüklenir ve sağlanır. Birinin telif hakkıyla korunan çalışmanızı izniniz olmadan kullandığını düşünüyorsanız burada https://tr.player.fm/legal özetlenen süreci takip edebilirsiniz.

This paper explains Anthropic’s constitutional AI approach, which is largely an extension on RLHF but with AIs replacing human demonstrators and human evaluators.

Everything in this paper is relevant to this week's learning objectives, and we recommend you read it in its entirety. It summarises limitations with conventional RLHF, explains the constitutional AI approach, shows how it performs, and where future research might be directed.

If you are in a rush, focus on sections 1.2, 3.1, 3.4, 4.1, 6.1, 6.2.

A podcast by BlueDot Impact.
Learn more on the AI Safety Fundamentals website.

  continue reading

Bölümler

1. Constitutional AI Harmlessness from AI Feedback (00:00:00)

2. Abstract (00:00:20)

3. 1 Introduction (00:03:27)

4. 1.1 Motivations (00:06:10)

5. 1.2 The Constitutional AI Approach (00:11:20)

6. 1.3 Contributions (00:14:29)

7. 2 Evaluating the Potential for AI Supervision of HHH (00:22:01)

8. 3 Constitutional AI: Critiques, Revisions, and Supervised Learning (00:24:20)

9. 3.1 Method (00:24:56)

10. 3.2 Datasets and Training (00:29:12)

11. 3.3 Main Results (00:30:23)

12. 3.4 Scaling Trends (00:34:10)

13. 4 Constitutional AI: Reinforcement Learning from AI Feedback (00:37:08)

14. 4.1 Method (00:37:40)

15. 4.2 Datasets and Training (00:42:21)

16. 4.3 Main Results (00:45:31)

17. 4.4 Harmlessness vs. Evasiveness (00:49:35)

18. 4.5 Absolute Harmfulness Score (00:52:12)

19. 5 Related Work (00:54:40)

20. 6 Discussion (00:56:29)

21. 6.1 Future Directions (00:58:13)

22. 6.2 Broader Impacts (01:00:16)

83 bölüm

Artwork
iconPaylaş
 
Manage episode 429711879 series 3498845
İçerik BlueDot Impact tarafından sağlanmıştır. Bölümler, grafikler ve podcast açıklamaları dahil tüm podcast içeriği doğrudan BlueDot Impact veya podcast platform ortağı tarafından yüklenir ve sağlanır. Birinin telif hakkıyla korunan çalışmanızı izniniz olmadan kullandığını düşünüyorsanız burada https://tr.player.fm/legal özetlenen süreci takip edebilirsiniz.

This paper explains Anthropic’s constitutional AI approach, which is largely an extension on RLHF but with AIs replacing human demonstrators and human evaluators.

Everything in this paper is relevant to this week's learning objectives, and we recommend you read it in its entirety. It summarises limitations with conventional RLHF, explains the constitutional AI approach, shows how it performs, and where future research might be directed.

If you are in a rush, focus on sections 1.2, 3.1, 3.4, 4.1, 6.1, 6.2.

A podcast by BlueDot Impact.
Learn more on the AI Safety Fundamentals website.

  continue reading

Bölümler

1. Constitutional AI Harmlessness from AI Feedback (00:00:00)

2. Abstract (00:00:20)

3. 1 Introduction (00:03:27)

4. 1.1 Motivations (00:06:10)

5. 1.2 The Constitutional AI Approach (00:11:20)

6. 1.3 Contributions (00:14:29)

7. 2 Evaluating the Potential for AI Supervision of HHH (00:22:01)

8. 3 Constitutional AI: Critiques, Revisions, and Supervised Learning (00:24:20)

9. 3.1 Method (00:24:56)

10. 3.2 Datasets and Training (00:29:12)

11. 3.3 Main Results (00:30:23)

12. 3.4 Scaling Trends (00:34:10)

13. 4 Constitutional AI: Reinforcement Learning from AI Feedback (00:37:08)

14. 4.1 Method (00:37:40)

15. 4.2 Datasets and Training (00:42:21)

16. 4.3 Main Results (00:45:31)

17. 4.4 Harmlessness vs. Evasiveness (00:49:35)

18. 4.5 Absolute Harmfulness Score (00:52:12)

19. 5 Related Work (00:54:40)

20. 6 Discussion (00:56:29)

21. 6.1 Future Directions (00:58:13)

22. 6.2 Broader Impacts (01:00:16)

83 bölüm

Tüm bölümler

×
 
Loading …

Player FM'e Hoş Geldiniz!

Player FM şu anda sizin için internetteki yüksek kalitedeki podcast'leri arıyor. En iyi podcast uygulaması ve Android, iPhone ve internet üzerinde çalışıyor. Aboneliklerinizi cihazlar arasında eş zamanlamak için üye olun.

 

Hızlı referans rehberi