Entrenamiento y evaluación del modelo con RLHF

Concepto clave

El entrenamiento con RLHF (Reinforcement Learning from Human Feedback) transforma un modelo de lenguaje base en uno alineado con preferencias humanas mediante un proceso de tres fases: recolección de datos de preferencia, entrenamiento de un modelo de recompensa y optimización del modelo de política con aprendizaje por refuerzo. Imagina que estás entrenando a un asistente virtual: primero observas cómo responde a preguntas, luego calificas sus respuestas, y finalmente ajustas su comportamiento para que priorice las respuestas que tú prefieres.

La optimización utiliza algoritmos como PPO (Proximal Policy Optimization), que actualiza la política del modelo manteniéndose cerca de la versión anterior para evitar cambios bruscos que degraden el rendimiento. Es similar a afinar un instrumento musical: haces ajustes pequeños y medidos en lugar de cambios radicales que podrían desafinarlo completamente.

Cómo funciona en la práctica

Implementar RLHF requiere una tubería de datos y modelos interconectados. Sigue estos pasos:

1. Preparación del modelo base: Carga un modelo preentrenado (ej. Llama 3) y congela capas iniciales para eficiencia.
2. Generación de respuestas: Usa el modelo para producir múltiples respuestas a un conjunto de prompts, típicamente con muestreo estocástico.
3. Evaluación con el modelo de recompensa: Pasa cada par (prompt, respuesta) por un modelo de recompensa entrenado previamente para obtener scores numéricos.
4. Optimización con PPO: Calcula la pérdida de política usando la ventaja estimada y actualiza los parámetros del modelo.
5. Validación: Evalúa el modelo en un conjunto de validación para monitorear métricas como perplexity y calidad de respuestas.

Un ejemplo concreto en código Python simplificado:

import torch
from transformers import AutoModelForCausalLM
from trl import PPOTrainer

# 1. Cargar modelo
model = AutoModelForCausalLM.from_pretrained('meta-llama/Llama-3-8B')

# 2. Configurar PPO
trainer = PPOTrainer(model=model, ...)

# 3. Bucle de entrenamiento
for batch in dataloader:
    # Generar respuestas
    outputs = model.generate(batch['input_ids'])
    
    # Obtener recompensas del modelo de recompensa
    rewards = reward_model(outputs)
    
    # Optimizar con PPO
    loss = trainer.step(outputs, rewards)

Caso de estudio

Considera el ajuste de un modelo para generar respuestas de soporte técnico más útiles y concisas. Partimos de un modelo base como Mistral 7B y un dataset de 10,000 ejemplos de conversaciones de soporte con preferencias humanas (ej., "respuesta A es mejor que B").

Fase	Métrica	Valor inicial	Valor final
Entrenamiento de recompensa	Accuracy en preferencias	65%	89%
Optimización RLHF	Longitud promedio de respuesta	152 tokens	98 tokens
Evaluación humana	Preferencia sobre modelo base	-	72%

El modelo ajustado redujo la longitud de las respuestas en un 35% mientras mantuvo o mejoró la precisión técnica, demostrando la efectividad de RLHF para alinear el output con criterios específicos.

Errores comunes

• Desalineación de la recompensa: El modelo de recompensa sobreoptimiza métricas proxy (ej., longitud) en lugar de la calidad real. Solución: Validar con evaluaciones humanas periódicas y ajustar la función de recompensa.
• Inestabilidad del entrenamiento: PPO puede divergir si la tasa de aprendizaje es muy alta. Solución: Usar learning rate bajo (ej., 1e-6) y monitorear la pérdida de KL para mantenerla dentro de un rango.
• Sobreespecialización: El modelo pierde capacidades generales al optimizar para un dominio muy específico. Solución: Incluir una pérdida de pre-entrenamiento (ej., mezclar con pérdida de lenguaje) y usar datasets diversos.
• Ignorar el costo computacional: RLHF requiere múltiples pases forward/backward por ejemplo. Solución: Usar técnicas como gradient checkpointing y ajustar el tamaño de batch según los recursos disponibles.

Checklist de dominio

1. ¿Puedes explicar la diferencia entre el modelo de política y el modelo de recompensa en RLHF?
2. ¿Has implementado un bucle de entrenamiento PPO desde cero o usando librerías como TRL?
3. ¿Sabes cómo balancear la pérdida de recompensa con la pérdida de KL para evitar divergencia?
4. ¿Puedes diseñar un pipeline para recolectar y procesar datos de preferencia humana?
5. ¿Has evaluado un modelo ajustado con RLHF usando métricas cuantitativas y cualitativas?
6. ¿Entiendes cómo ajustar hiperparámetros clave (learning rate, clip range) para estabilidad?
7. ¿Puedes debuggear problemas comunes como recompensas planas o overfitting?

Implementa un ciclo basico de RLHF con PPO en un modelo pequeño

En este ejercicio, ajustaras un modelo GPT-2 pequeño usando RLHF para mejorar la concision de sus respuestas. Sigue estos pasos:

1. Configuracion inicial: Instala las librerias necesarias: transformers, torch, trl, datasets. Carga el modelo 'gpt2' y un dataset de prompts simples (ej., 'Hola, como estas?').
2. Simulacion del modelo de recompensa: Crea una funcion que asigne una recompensa mas alta a respuestas cortas (menos de 20 tokens) y mas baja a respuestas largas. Esto simula un modelo de recompensa entrenado para preferir concision.
3. Implementacion del bucle PPO: Usa PPOTrainer de TRL para optimizar el modelo. Configura hiperparametros: learning rate=1.1e-5, batch size=4, epochs=3. En cada iteracion:
   • Genera 2 respuestas por prompt usando model.generate() con temperatura=0.7.
   • Calcula recompensas con tu funcion simulada.
   • Ejecuta trainer.step() con las respuestas y recompensas.
4. Evaluacion: Antes y despues del entrenamiento, genera respuestas a 5 prompts de prueba y compara la longitud promedio en tokens. Verifica que haya disminuido.
5. Documentacion: Registra las metricas (perdida, recompensa promedio, longitud) y guarda el modelo ajustado.

Pistas

• Usa el parametro max_new_tokens en generate() para limitar la longitud de las respuestas y hacer el ejercicio mas manejable.
• Monitorea la perdida de KL durante el entrenamiento; si supera 0.1, reduce el learning rate.
• Para respuestas mas variadas, experimenta con diferentes valores de temperatura en el muestreo.

Evalua tu comprension

Completa el quiz interactivo de arriba para ganar XP.