直接選好最適化

直接選好最適化（DPO）は、報酬モデルを介さず、人間の選好データで直接言語モデルを微調整する技術です。AIの挙動を人間の価値観に整合させ、不適切な出力による事業リスクを低減し、AIシステムの信頼性を高めます。